一、实训核心内容自定义 Agent 人设、工具绑定与调用逻辑1. 智能体人设与回复逻辑编写左侧配置区人设是 AI 智能体的身份底座决定模型的回答风格、专业领域、能力边界分为两大模块定义#角色定义 AI 的身份定位本次设定为拥有十余年研发经验的专业软件架构师锁定垂直领域为软件开发、架构设计让模型所有输出贴合技术专业视角避免回答泛化、脱离场景。#技能编写触发式规则约定模型在不同用户提问下的行为逻辑是工具自动调用的核心指令数据查询类需求用户索要外部数据时自动调用「头条搜索 /search」插件获取网络信息天气查询类需求用户询问国内天气时强制调用「墨迹天气 / DayWeather」插件同时限定工具约束仅支持国内城市无法查询境外天气通过自然语言编写规则无需代码即可给大模型下达 “什么时候、用什么工具” 的执行标准实现自主工具选择。2. 插件工具绑定右侧编排 - 插件面板扣子平台支持可视化挂载第三方工具插件本次挂载两类核心工具头条搜索 /search全网信息检索工具弥补大模型静态知识库的时效性缺陷实时获取互联网最新数据墨迹天气 / DayWeather垂直场景专用工具封装天气查询接口内置省份、城市、日期等标准参数提供标准化气象数据插件绑定后会和左侧「技能规则」联动模型读取规则后自动匹配对应工具完成任务实现 “大模型理解问题 专用工具获取数据” 的分工协作。除插件外平台还提供知识库、记忆变量、工作流配套能力知识库可上传文本、表格、图片让 AI 读取私有本地资料减少外部搜索依赖记忆 / 变量用于存储对话上下文、用户信息实现多轮对话连贯交互工作流可搭建多步骤自动化流程实现复杂串联任务。二、预览与调试AI 工具调用完整推理流程预览调试面板是验证 Agent 逻辑是否生效的测试窗口本次测试提问今天广西的天气如何完整复现大模型自主思考、解析参数、调用工具的全过程直观展示 AI 的链式思考逻辑意图识别AI 首先拆解用户提问判定需求为「国内天气查询」匹配技能规则中 “查天气使用 DayWeather 工具” 的约束锁定目标插件工具参数解析AI 自动读取 DayWeather 接口要求的参数省份 province、城市 city、起止时间 start_time/end_time参数适配推理针对 “广西” 这一特殊省级行政区进行逻辑判断区分直辖市、省份、自治区的参数填写规则自主权衡参数填写全称 “广西壮族自治区” 或简称 “广西”思考接口识别兼容性问题工具执行思考完成后自动发起工具调用页面显示「运行完毕」插件返回对应气象数据再由 AI 整理成自然语言回复用户。三、本次实训核心知识点总结1.Agent 智能体核心构成自定义 Agent 角色人设身份定位 技能规则行为约束 工具插件能力拓展 知识库 / 记忆私有数据与上下文四大模块共同决定 AI 能做什么、该怎么做。2.大模型工具调用Function Call原理大模型本身不具备实时联网、专业接口查询能力依靠人工编写的技能规则让模型自主识别用户意图、匹配专用工具、自动填充接口参数完成 “理解问题→调用工具→整合结果” 的闭环是行业落地 AI 应用的核心技术。3.可视化低代码 AI 开发优势扣子平台无需编程通过图文配置、自然语言规则即可搭建行业专属智能体降低 AI 开发门槛预览调试功能可视化展示模型思考步骤方便开发者排查规则漏洞、优化参数逻辑适合新手入门学习 AI 应用搭建。4.工具场景化分工思想不同需求匹配垂直专用工具通用信息用搜索插件、气象查询用天气接口、办公处理用文档插件各司其职既减少大模型算力消耗也提升回答精准度与时效性。扣子平台可视化工作流实训学习笔记一、基础线性工作流结构拆解这是扣子平台最基础的单流程线性工作流全程无需编写代码通过拖拽节点、连线即可搭建 AI 自动化执行链路整条流程由 3 个核心节点串联执行开始节点工作流的入口唯一输入变量为str.input用来接收用户提交的原始提问文本是整条流程的数据源头。所有外部用户指令都会先传入该节点向下传递给后续模块。大模型节点核心计算单元流程的 AI 处理核心本次选用「豆包・2.0・lite」模型作为推理底座输入接收上游开始节点传递的str.input用户文本输出两个变量str.output模型最终回答文本、str.reasoning_content模型完整思考过程技能状态当前配置为「未配置技能」代表这条工作流没有绑定搜索、天气等外部工具仅依靠大模型自身知识库完成作答不调用外部接口。结束节点工作流出口接收大模型输出的str.output作为最终返回变量统一整理格式后交付给用户标志一次完整 AI 任务执行完毕。链路逻辑节点之间蓝色连线代表数据传递通路数据单向流动开始→大模型→结束属于最简单的顺序执行工作流无分支、循环、条件判断逻辑。二、试运行面板功能与流程执行逻辑试运行是工作流的调试测试窗口用来模拟真实用户提问验证整条链路能否正常输出结果包含以下核心功能模块试运行输入区变量输入框input字符串类型填写用户真实需求本次测试指令生成 3 天完成的 Python 基础编程课程大纲JSON 模式开关开启后可结构化传入多变量、复杂格式数据适合复杂业务场景AI 补全平台辅助自动填充测试输入快速生成测试用例。运行状态监控栏执行耗时39s记录模型完整推理耗时Tokens 消耗1695 Tokens统计本次问答输入 输出的文本总量是 AI 计费、算力消耗的核心指标查看日志可展开完整流程日志查看每个节点的数据传入、输出、报错信息用于排查流程故障。运行结果输出区自动捕获大模型节点产出的str.output内容可视化展示模型生成文本本次输出完整 Python 课程大纲支持预览完整排版内容直观校验 AI 输出是否符合需求。试运行按钮点击后触发整条工作流从头执行模拟真实用户调用流程快速验证流程逻辑、模型输出效果。三、本次实训核心知识点总结1. 工作流的核心概念工作流是低代码 AI 自动化编排工具通过可视化节点拖拽把「数据输入、大模型推理、工具调用、结果输出」拆分为独立模块靠连线定义数据流转顺序实现 AI 任务标准化自动执行无需掌握 Python、API 开发即可搭建自动化 AI 程序。2. 节点与变量传递机制变量是工作流的数据载体统一使用str.xxx字符串变量存储文本数据上下游节点依靠同名变量传递用户提问、AI 回答、思考日志节点分工明确开始负责接收外部数据、大模型负责 AI 推理、结束负责统一返回结果职责解耦后期可单独替换任意节点更换模型、新增工具节点。3. 无工具基础工作流的局限本次大模型节点「未配置技能」流程仅能依靠模型内置静态知识库回答问题存在明显短板无法获取实时网络信息不能调用天气、文件处理等专用工具超出知识库范围的问题会出现回答错误、信息滞后 若要拓展能力需在大模型节点绑定插件工具或在流程中新增搜索、天气等独立工具节点。4. 试运行调试的学习意义试运行是工作流开发的核心调试手段作用分为三点功能验证检测整条流程链路是否通畅节点之间数据能否正常传递效果校验测试不同用户提问确认大模型输出内容、格式是否满足业务要求成本监控通过 Tokens 消耗评估问答算力开销优化提示词减少资源浪费故障排查日志功能定位节点报错、变量传递缺失等问题。5. 线性工作流适用场景这种「开始 - 大模型 - 结束」极简线性流程适合简单问答需求课程大纲生成、文案写作、基础问答、文本总结等不需要外部实时数据、工具调用的场景是搭建复杂多分支工作流的基础入门模型。