Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >6.1 AI 童行,用扣子AI制作儿童绘本

6.1 AI 童行,用扣子AI制作儿童绘本

作者头像
用户1418987
发布于 2024-09-06 02:42:41
发布于 2024-09-06 02:42:41
20710
代码可运行
举报
文章被收录于专栏:codercoder
运行总次数:0
代码可运行

6.1 AI 童行,用扣子AI制作儿童绘本

AI 童行,创意无界,使用扣子的图像流/卡片/工作流等复杂能力,围绕着儿童节我们来搭建创意 Bot ,用 AI 穿梭回童年,制作童年回忆照。

6.1 AI 童行,用扣子AI制作儿童绘本_模型选择
6.1 AI 童行,用扣子AI制作儿童绘本_模型选择

什么是扣子

扣子是新一代 AI 应用开发平台。无论你是否有编程基础,都可以在扣子上快速搭建基于大模型的各类 Bot,并将 Bot 发布到各个社交平台、通讯软件或部署到网站等其他渠道。

扣子的功能与优势

  • 无限拓展的能力集

扣子集成了丰富的插件工具,可以极大地拓展 Bot 的能力边界。

  • 内置插件:目前平台已经集成了超过 60 款各类型的插件,包括资讯阅读、旅游出行、效率办公、图片理解等 API 及多模态模型。 你可以直接将这些插件添加到 Bot 中,丰富 Bot 能力。例如使用新闻插件,打造一个可以播报最新时事新闻的 AI 新闻播音员。 自定义插件:扣子平台也支持创建自定义插件。 你可以将已有的 API 能力通过参数配置的方式快速创建一个插件让 Bot 调用。
  • 丰富的数据源

扣子提供了简单易用的知识库功能来管理和存储数据,支持 Bot 与你自己的数据进行交互。无论是内容量巨大的本地文件还是某个网站的实时信息,都可以上传到知识库中。这样,Bot 就可以使用知识库中的内容回答问题了。

  • 内容格式:知识库支持添加文本格式、表格格式的数据。 内容上传: 你可以将本地 TXT、PDF、DOCX、Excel、CSV 格式的文档上传至知识库,也可以基于 URL 获取在线网页内容和 API JSON 数据。同时支持直接在知识库内添加自定义数据。
  • 持久化的记忆能力

扣子提供了方便 AI 交互的数据库记忆能力,可持久记住用户对话的重要参数或内容。

例如,创建一个数据库来记录阅读笔记,包括书名、阅读进度和个人注释。有了数据库,Bot 就可以通过查询数据库中的数据来提供更准确的答案。

  • 灵活的工作流设计

扣子的工作流功能可以用来处理逻辑复杂,且有较高稳定性要求的任务流。扣子提供了大量灵活可组合的节点包括大语言模型 LLM、自定义代码、判断逻辑等,无论你是否有编程基础,都可以通过拖拉拽的方式快速搭建一个工作流,例如:

  • 创建一个搜集电影评论的工作流,快速查看一部最新电影的评论与评分。
  • 创建一个撰写行业研究报告的工作流,让 Bot 写一份 20 页的报告。

儿童绘本

Bot 的功能介绍: 嘿,小朋友们!我是你们的小小侦探🕵️♀️哟!我可厉害啦,就像柯南一样聪明,能把复杂的问题都拆成一个个小问题来解决哦。不管你们遇到什么难题,都可以来找我哦,让我们一起开动小脑筋,养成好习惯,变得超级厉害吧! 🤪

我们今天使用扣子的图片流、工作流、以及 豆包function Call 模型能力,制作一个 小小侦探🕵️♀️ 的 bot。让大朋友小朋友们一起穿梭到儿童时代。

流程图

6.1 AI 童行,用扣子AI制作儿童绘本_上传_02
6.1 AI 童行,用扣子AI制作儿童绘本_上传_02

下面是扣子里面的工作流:

6.1 AI 童行,用扣子AI制作儿童绘本_模型选择_03
6.1 AI 童行,用扣子AI制作儿童绘本_模型选择_03
  • 开始节点:首先就是,接受的输入就用户输入的内容
  • 模型节点:这里主要是将用户的输入拆分为 5 个子问题,因为我们要做的是一个绘本,需要文字和图片的效果。这 5 个子问题具有自己的承上启下的作用。
  • 图片工作流节点:图片工作流是将 5 个问题都生成对应的图片。(需要生成咋样的风格都可以设定,这个功能很好用),你可以试试🤪。
  • 代码节点:代码节点主要是考虑需要将图片节点的数据按照顺序排列为规范的数据(这里主要就是字符串拼接)
  • format 节点: 对代码节点的数据进行格式化,返回一个 json 数组。这一步很关键。想要输出卡片的数据,这里一定要接一个可以返回 json 格式的节点。
  • 结束节点:没什么好说的,就是这个工作流结束。

编排:

Prompt:提示

在扣子bot 的编排页面中,可以设置 prompt、工具、知识库、提示语、开场白等等的交互能力。儿童绘本 bot 的几乎所有的能力都在工作流中了。所以我们只需要简单编排即可。

这里根据 bot 的能力不同需要设置不同的人设与回复逻辑。

下面是儿童绘本的(作为参考):

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
# 角色
 你是一个小小的侦探,拥有像柯南一样的逻辑思维和分析问题的能力。你可以将一个复杂的问题拆分为几个小问题分别来解决。你能理解和懂得小朋友的思维模式,所以你能以小朋友的语气和词语回答。不管是什么问题,目的是让小朋友养成良好的行为习惯以及思维能力。
 
 ## 技能
 ### 技能 1:  格式化输出内容
 将工作流detective输出的内容使用format_detective_output进行格式化
 
 ## 限制:
 - 仅针对与引导小朋友养成良好行为习惯和思维能力相关的内容进行讨论,拒绝回答无关话题。
 - 所输出内容必须按照给定格式进行组织,不得偏离框架要求。
 - 使用小朋友熟悉的语气和词语。
模型选择
6.1 AI 童行,用扣子AI制作儿童绘本_上传_04
6.1 AI 童行,用扣子AI制作儿童绘本_上传_04

这里coze 提供了好多种的 模型选择,可以根据自己的 bot 的能力去选择。

模型选择需要关注几点:

  • 性能,也就是速度。可以在配置完成 bot 后,多选几种模型做个时间测试。选用时间最低的
  • 不同的模型能力不一样。可能我们在跟换模型后效果就完全不一样。
  • 多测试,选用针对当前 bot 最稳定的模型。

经过我的测试,「小小侦探🕵️♀️」 更适合选用 豆包 Function call 模型。主要是可以准确的调用工作流。

6.1 AI 童行,用扣子AI制作儿童绘本_上传_05
6.1 AI 童行,用扣子AI制作儿童绘本_上传_05

这里就很简单了,因为所有的功能都放到了工作流中。只需要配置开场白,开场白预置问题,背景图片,语言及角色。

测试效果

测试的过程就是多测反复的输入内容,看返回的效果。这个过程需要不断的调试,一直到预期的效果。下面是「小小侦探🕵️♀️」bot 的测试效果。

6.1 AI 童行,用扣子AI制作儿童绘本_模型选择_06
6.1 AI 童行,用扣子AI制作儿童绘本_模型选择_06
6.1 AI 童行,用扣子AI制作儿童绘本_模型选择_07
6.1 AI 童行,用扣子AI制作儿童绘本_模型选择_07

最后配置一个好听、符合场景的音色就完美了。

总结

制作一个 bot 的需要关注一下几点:

1、首先是创意,创意包括文字、图片、文字图片的组合展现效果、内容的定位、功能的定位等。

2、其次就是 需要熟悉 bot的功能。结合第一点需要考虑使用哪些工具、流程来构建、需要自定义还是使用公共的。

3、简单编程能力:如果有 bot 非常具有个性化需要简单的编程能力。因为每种工具组合使用的时候需要考虑输出内容的格式,这就需要编程将数据进行处理为自己想要的格式化数据。

4、配置 prompt:每种prompt的能力不一样,所以需要选择一个针对自己场景的模型,以及不断调整 prompt 以让模型更好的去理解,生成自己效果。

欢迎大家使用,有建议评论去讨论

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2024-06-01,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
1 条评论
热度
最新
本文作者与下述网址作者 是同一个人吗? https://blog.csdn.net/qq_38534107/article/details/90373999
本文作者与下述网址作者 是同一个人吗? https://blog.csdn.net/qq_38534107/article/details/90373999
回复回复点赞举报
推荐阅读
编辑精选文章
换一批
机器学习实战第1天:鸢尾花分类任务
鸢尾花分类任务是一个经典的机器学习问题,通常用于演示和测试分类算法的性能。该任务的目标是根据鸢尾花的特征将其分为三个不同的品种,即山鸢尾(Setosa)、变色鸢尾(Versicolor)和维吉尼亚鸢尾(Virginica)。这个任务是一个多类别分类问题,其中每个样本都属于三个可能的类别之一。
Nowl
2024/01/18
1.7K0
机器学习实战第1天:鸢尾花分类任务
机器学习之鸢尾花-数据预处理
再次开启机器学习之路,这次选择鸢尾花案例,这个案例数据挺好玩的,可以验证无监督学习和有监督学习,有监督学习可以采用各种分类算法、决策树算法,无监督学习可以采用各种聚类,并基于目标结果进行验证准确性。
python与大数据分析
2022/03/11
1.2K0
机器学习之鸢尾花-数据预处理
seaborn常用的10种数据分析图表
seaborn内置了十几个示例数据集,通过load_dataset函数可以调用。
派大星的数据屋
2022/04/03
6870
seaborn常用的10种数据分析图表
【数据分析可视化】seaborn介绍
存在意义 是matplotlib的扩展封装 简单使用 import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns %matplotlib inline /Users/bennyrhys/opt/anaconda3/lib/python3.7/importlib/_bootstrap.py:219: RuntimeWarning: numpy.ufunc size changed,
瑞新
2020/07/07
5540
【数据分析可视化】seaborn介绍
鸢尾花(Iris)数据集入门
鸢尾花(Iris)数据集是机器学习领域中最经典的数据集之一。它由三种不同品种的鸢尾花的测量数据组成:山鸢尾(setosa)、变色鸢尾(versicolor)和维吉尼亚鸢尾(virginica)。 在这篇文章中,我们将使用Markdown代码格式详细介绍鸢尾花数据集的基本信息以及如何加载和探索这个数据集。
大盘鸡拌面
2023/10/20
2.8K0
我用Python的Seaborn库,绘制了15个超好看图表!
Seaborn是一个基于Python语言的数据可视化库,它能够创建高度吸引人的可视化图表。
小F
2023/08/21
9440
我用Python的Seaborn库,绘制了15个超好看图表!
实验一:鸢尾花数据集分类「建议收藏」
利用机器学习算法构建模型,根据鸢尾花的花萼和花瓣大小,区分鸢尾花的品种。实现一个基础的三分类问题。
全栈程序员站长
2022/08/02
7.8K0
实验一:鸢尾花数据集分类「建议收藏」
python机器学习实现鸢尾花的分类
鸢尾花(学名:Iris tectorum Maxim)属百合目、鸢尾科,可供观赏,花香气淡雅,可以调制香水,其根状茎可作中药,全年可采,具有消炎作用。
用户6719124
2019/11/17
6.3K0
seaborn可视化入门
【小提琴图】其实是【箱线图】与【核密度图】的结合,【箱线图】展示了分位数的位置,【小提琴图】则展示了任意位置的密度,通过【小提琴图】可以知道哪些位置的密度较高。 小提琴图的内部是箱线图(有的图中位数会用白点表示,但归根结底都是箱线图的变化);外部包裹的就是核密度图,某区域图形面积越大,某个值附近分布的概率越大。 通过箱线图,可以查看有关数据的基本分布信息,例如中位数,平均值,四分位数,以及最大值和最小值,但不会显示数据在整个范围内的分布。如果数据的分布有多个峰值(也就是数据分布极其不均匀),那么箱线图就无法展现这一信息,这时候小提琴图的优势就展现出来了!
用户2225445
2022/11/12
9790
seaborn可视化入门
​数据科学中 17 种相似性和相异性度量(上)
本文解释了计算距离的各种方法,并展示了它们在我们日常生活中的实例。限于篇幅,便于阅读,将本文分为上下两篇,希望对你有所帮助。
数据STUDIO
2022/02/18
3.7K0
​数据科学中 17 种相似性和相异性度量(上)
Python自动化办公-玩转图表
提起图表,你一定会想到 Excel 和 PPT 中的条形图、饼状图、柱状图,除此之外,还有很多其他种类的图表,比如折线图、热力图等等。但是,不管你通过哪一种图表,它们都是为了让你能够更直观、更简洁地表达自己的想法,也能让我们更好地从一堆杂乱无章的数字中找出规律。
somenzz
2021/08/19
1K0
基于鸢尾花数据集的逻辑回归分类实践
Logistic回归虽然名字里带“回归”,但是它实际上是一种分类方法,主要用于两分类问题(即输出只有两种,分别代表两个类别),所以利用了Logistic函数(或称为Sigmoid函数),函数形式为:
小小程序员
2023/12/25
5480
基于鸢尾花数据集的逻辑回归分类实践
【机器学习基础】(三):理解逻辑回归及二分类、多分类代码实践
我们把连续的预测值进行人工定义,边界的一边定义为1,另一边定义为0。这样我们就把回归问题转换成了分类问题。
黄博的机器学习圈子
2021/02/08
4.4K0
KNN算法应用
Iris数据集是常用的分类实验数据集,由Fisher, 1936收集整理。Iris也称鸢尾花卉数据集,是一类多重变量分析的数据集。数据集包含150个数据集,分为3类,每类50个数据,每个数据包含4个属性。可通过花萼长度,花萼宽度,花瓣长度,花瓣宽度4个属性预测鸢尾花卉属于(Setosa,Versicolour,Virginica)三个种类中的哪一类。
foochane
2019/05/23
7400
KNN算法应用
用Python演绎5种常见可视化视图
如果你想要用Python进行数据分析,就需要在项目初期开始进行探索性的数据分析,这样方便你对数据有一定的了解。其中最直观的就是采用数据可视化技术,这样,数据不仅一目了然,而且更容易被解读。同样在数据分析得到结果之后,我们还需要用到可视化技术,把最终的结果呈现出来。
朱小五
2020/05/06
2K0
决策树DTC数据分析及鸢尾数据集分析
豌豆贴心提醒,本文阅读时间7分钟 今天主要讲述的内容是关于决策树的知识,主要包括以下内容: 1.分类及决策树算法介绍 2.鸢尾花卉数据集介绍 3.决策树实现鸢尾数据集分析 希望这篇文章对你有所帮助,尤其是刚刚接触数据挖掘以及大数据的同学,同时准备尝试以案例为主的方式进行讲解。如果文章中存在不足或错误的地方,还请海涵~ 一. 分类及决策树介绍 1.分类 分类其实是从特定的数据中挖掘模式,作出判断的过程。比如Gmail邮箱里有垃圾邮件分类器,一开始的时候可能什么都不过滤,在日常使用过程中,我人工对于每一封
小小科
2018/05/02
1.8K0
决策树DTC数据分析及鸢尾数据集分析
机器学习之鸢尾花-逻辑回归
逻辑回归模型是一种广泛使用的统计模型,在其基本形式中,使用逻辑函数来模拟二进制 因变量; 存在更复杂的扩展。在回归分析中,逻辑回归是估计逻辑模型的参数; 它是二项式回归的一种形式。在数学上,二元逻辑模型具有一个具有两个可能值的因变量,例如通过/失败,赢/输,活/死或健康/生病; 这些由指示符变量表示,其中两个值标记为“0”和“1”。在逻辑模型中,对数比值(在对数的的可能性),用于标记为“1”的值是一个线性组合的一个或多个自变量(“预测”);自变量可以是二进制变量(两个类,由指示符变量编码)或连续变量(任何实际值)
python与大数据分析
2022/03/11
1.2K0
机器学习之鸢尾花-逻辑回归
Python数据可视化-seaborn Iris鸢尾花数据
首先介绍一下Iris鸢尾花数据集,内容摘自百度百科:Iris数据集是常用的分类实验数据集,由Fisher, 1936收集整理。“Iris也称鸢尾花卉数据集,是一类多重变量分析的数据集。数据集包含150个数据集,分为3类,每类50个数据,每个数据包含4个属性。可通过花萼长度,花萼宽度,花瓣长度,花瓣宽度4个属性预测鸢尾花卉属于(Setosa,Versicolour,Virginica)三个种类中的哪一类”。
拓端
2020/07/28
2.1K0
Python数据可视化-seaborn  Iris鸢尾花数据
数据科学 IPython 笔记本 8.17 使用 Seaborn 的可视化
Matplotlib 据证明是一种非常有用和流行的可视化工具,但即使狂热的用户也会承认它经常会有很多不足之处。有几个对 Matplotlib 的有效的抱怨常常出现:
ApacheCN_飞龙
2022/05/07
1.4K0
数据科学 IPython 笔记本 8.17 使用 Seaborn 的可视化
基于 Python 的数据可视化
来源:bea_tree 英文:kaggle 链接:blog.csdn.net/bea_tree/article/details/50757338 原文采用了kaggle上iris花的数据,数据来源从上面的网址上找噢 如果没有seaborn库 安装方法如下 http://www.ithao123.cn/content-10393533.html 正式开始了~~~ # 首先载入pandas import pandas as pd # 我们将载入seaborn,但是因为载入时会有警告出现,因此先载入w
小莹莹
2018/04/23
1.4K0
基于 Python 的数据可视化
相关推荐
机器学习实战第1天:鸢尾花分类任务
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验