Coze应用入门-AIAgent基础知识（1）-记忆部分

为什么想要开 Coze 应用入门知识分享？

起源在于公司里的 HR 小姐姐约培训课，给了我一个课题；想要在公司内部推广 AIGC 应用，但是员工普遍没有编程基础，不会代码。有没有什么技能能够面向几乎所有员工，能够让大家无障碍创造 AI 应用？我想了一圈，只有 Coze 了。

不需要代码，只需要有需求和创意，拖拉拽就可以实现一个智能体打造。

而且，近期手头上的很多 AIGC 的项目，都需要依赖字节跳动的 COZE 平台进行最小可行单元应用验证；字节的 Coze 平台是一个 AIAgent 的开发平台，几乎可以说是国内最好用的应用平台，没有之一；

用好 Coze 的基本前提是，需要对背后的一些技术原理（AIAgent）有大致的了解。

这里可以参考AndrewNG 的分享。

大模型就是一个大脑，当一个人只有脑子的时候，TA 最多只能打嘴炮，还算不了一个人。只有把 TA 的五官、手脚都安装上了，才能成为一个人，一个能解决问题的个体；

这个就是 AIAgent 和 LLM 大模型的关系。

我们来回顾一下经典的 AIAgent 公式

AIAgent = LLM（大模型）+Planning（规划）+Memory（记忆）+Tools（工具）

AIAgent 就是为大模型增加了各种外挂。接下来，逐一介绍外挂和在 Coze 里的配置使用方法。篇幅有限，今天重点介绍最重要的Tools（工具）和 Memory（记忆）部分；

1 -Tools（工具）

主要体现在插件，插件的功能非常丰富多样。感兴趣的可以到 coze 平台内浏览。

直达链接：coze.cn

coze 的插件商店内，会定期维护和更新插件应用。可以重点关注平台推荐和官方推出的插件。

字节为了推 coze，也是费了很大力气。在整个字节生态内的数据、应用，基本都做成了插件，供智能体调用。随意看几个：

有字节自家产品的调用插件，比如头条、抖音、懂车帝、

我怀疑飞书的全套接口几乎都开放了：

另外，还有很多官方开放的实用插件。用过的小伙伴都惊呼棒呆。感兴趣的小伙伴，可以自行探索。

2-Memory（记忆）

在 coze 中，设计 AI Agent 进行记忆的组件，包含数据库、知识库和变量；

1 数据库

就是AI Agent 的 Memory（记忆）其中一种组件。

数据库，从名字就可以理解其用户，用来存储数据的库。coze官方是这么解释数据库的。

以表结构组织数据，可实现类似书签和图书管理等功能。

没有任何数据库知识的同学，可以使用 excel 来辅助理解。

数据库就像是一个高级版的Excel，它能够处理更大量的数据，支持更复杂的数据操作。

想象一下，Excel就是一个简单的数据库。

• 工作表（Sheet）：相当于数据库中的表格（Table），用于存储数据。
• 行（Row）：相当于数据库中的记录（Record），是数据的单个实例。
• 列（Column）：相当于数据库中的字段（Field），定义了数据的属性或特征。
• 单元格（Cell）：是行和列的交点，存储具体的数据值。

在 coze 中配置数据库的方法

那么，在 coze 中，如何创建数据库存储数据呢？我们来看一下，coze 的具体配置方式。

先创建一个 AI Agent 学习 bot。在中间的编辑位置，能看到 数据库。

点击这个区域。目前，coze 支持两种模式创建数据库：

1 、使用提示词自动创建数据库。

2 、手动添加数据库，点击“添加表”

我们分别来看一下，两种模式的创建方法。先来看传统的手动添加模式。

打开之后，是这样的界面。

假设，我想记录小红书客服和用户的问答问题。这里需要完成三个字段的记录。包含：

• 客户的问题-customer_question；

• 客服回答-service_answer；

• 问题时间-quesion_time；

需要注意的是，这里的字段名称只能用英文命名。

为了预防遗忘这个字段的含义，描述列里尽可能的把设计这个表头的字段用途，标注清楚；

此外，和 excel 不同的是，这里需要提前设计字段类型。

好的，点击保存，一张数据库表就完成设置了。

那么，什么时候使用数据库呢？

需要在 bot 使用过程中，记录数据的，都可以进行数据库配置。

数据库应用案例

接下来，积累一下数据库使用的案例参考：

• 做一个记账 bot，每个用户，记录自己的账单，自己看；
• 一个金融分析 bot，开发者导入上市公司近 3 年财报到数据表，用于做金融分析，所有用户都可以读取这份数据。（疑问，这个跟知识库有什么区别呢？）
• 记录客户提问和 bot 回答的问答对；
• 一个漂流瓶 bot，用户发布漂流瓶，随记读取别人的漂流瓶；
• 一个联网游戏 bot，游戏结束后，查看排行榜；

coze 官方指南：https://www.coze.cn/docs/guides/database

2 知识库

知识库属于 RAG（检索增强生成）技术领域的应用。

简言之，知识库就是给 bot 增加了额外的知识输入。

打个比方，刚从学校毕业的本科生，来到你们公司工作。但是，他对公司的产品特性并不了解。这个时候，你会选择把一整本产品手册拿给这位本科生学习。

这本产品手册就是知识库。而这位本科生，就是 LLM 大模型；

而且，你还不用担心这位本科生学不会，LLM 大模型的优势之一，在于，没有学不会的知识；

而这位本科生学会了以后，就回使用TA 在知识库里学到的内容，总结后回答告诉你。

大致了解了知识库的用途后。我们再来说一下关键的知识点，RAG（检索增强生成）

RAG模型中的"R"、"A"、"G"分别代表三个不同的组件，它们共同工作以提高模型的性能。

下面将结合一个具体的案例，分别解释这三个组件：

假设用户想要了解“如何在家制作面包”。

R (Retrieval) - 检索：

1. 索引：模型的检索部分有一个预先构建的索引，包含了成千上万的烹饪相关的文档，比如食谱、烹饪博客文章、视频教程等。这些文档已经被转换成向量形式存储在索引中。
2. 查询：用户的问题“如何在家制作面包”被转换成一个查询向量。
3. 相似性搜索：检索系统计算查询向量与索引中每个文档向量的相似度，找到最相关的几个文档，比如一些详细的面包制作食谱。
4. 选择：系统选择最相关的文档，比如一个包含“在家制作面包的步骤”的食谱。

A (Augmentation) - 增强：

1. 融合：检索到的食谱文档和用户的原始查询“如何在家制作面包”被结合起来，形成一个更大的上下文。
2. 编码：这个融合后的上下文被送入一个预训练的Transformer模型（如BERT）进行编码，生成一个包含丰富信息的特征表示。

G (Generation) - 生成：

1. 初始化：生成模型（如GPT）使用增强阶段得到的特征表示作为初始输入。
2. 序列生成：生成模型开始构建答案序列，可能会生成如下文本：“要在家制作面包，首先你需要准备面粉、酵母、水和糖。然后，将酵母溶解在水中，加入面粉和糖，揉成面团。接下来，让面团发酵至两倍大，再将其分成小块，塑形并放入预热的烤箱中烤制。”
3. 优化：在训练过程中，生成的答案会与食谱文档中的实际内容进行比较，模型的参数会根据这个比较结果进行调整，以提高未来生成答案的准确性和相关性。

如何保障知识库输出质量的效果？

先不直接回答这个问题，我们先来看一下，如何让知识库的检索效果拉跨的。

给一些无关的信息，污染这位本科生；

文档内容太大，不好找，比如找一个知识点得翻遍一本大部头；

需要这位本科生理解的内容太多，脑容量不足，效果不好；

这位本科生能力一般，没办法精准理解用户问题；

所以，如果要有质量的知识库，需要解决以上问题。

• 有效文档准备与预处理：去除无效信息
• 文档切割：把超大一个大文档，切割成不同的部分，降低检索压力。这一步很关键，如果切割不合理，导致上下文信息不连贯，则后续的检索和答案生成就会遇到挑战；
• 文档存储：独立的知识点，独立存储
• 检索：拿着问题来知识库查询
• 排序：有多个查询结果，把最相关的部分呈现出来
• 输出：这位本科生学了以后，理解了再输出

在 coze 中配置知识库

在开始这部分之前，需要降低各位的期望，现在的技术条件下，coze 或者 fastGPT 知识库的 RAG 能力，仅仅对问答这种场景是友好的。

其他的场景效果都差强人意；

后续，将持续带来其他基础知识和 Coze 开盒分享。

喜欢，就抬起你的小手，点个再看吧。