AI+Workflow是当前比较流行的Agent应用开发方式，本博客之前重点对比了：Dify vs FastGPT两个开源项目，也演示了Coze的案例，本文继续分享这两款产品的开发实践，借此对拖控件编排工作流这种低代码开发方式进行阶段性总结，读者顺便也能体会到它们之间的差异。 特别强调的是，这几款产品迭代得很快，文章仅作参考而非为了评价它们的优劣。同样优秀开源项目还有：bisheng（支持autogen和lanchain）和 ragflow（提供更丰富的RAG方式）等，你如果了解 langchain 的话，它也有 workflow 的开发方式可供选择。 言归正传！ 图形界面仍然是我们大部分用户首选的人机交互方式，例如，下图是我用FastGPT实现的一个下载器前端： 目前AI在实现智能生成UI、自动提参的交互能力上还比较弱，一方面，开发应用需要先对图形界面（GUI）进行布置，这受限于平台自身提供的UI组件；另一方面，AI更广泛的应用场景是作为其他软件的辅助形式，所谓副驾驶，例如代码编辑器中的插件，聊天软件中的机器人，而软件是各自独立的，多数软件接入第三方AI的形式

大语言模型问世一年半，出现了越来越多有意思的东西，例如可以在聊天中触发一些UI互动，让大模型使用第三方工具，执行一些自动化工作流，使用低代码开发Agent 代理最近也非常火热，扣子（Coze）是其中优秀的平台，本次，我尝试在coze.cn搭建应用，看看目前主流平台的 AI 智能体开发方式，能不能替代前后端，能不能落地，具体会碰到什么问题？顺便也看看国产大模型表现如何。 我首先想到一种需求，了解开源领域的朋友们都知道，Github是开源项目的主要集中地，我们大抵是通过标星（stars）来关注一个仓库，长时间下来，stars数量已经有几百个乃至上千个之多了，这带来一个问题，我们关注一个项目通常不会细致的研究它的文档和代码，只大致了解了它的用处，过后可能也就忘了。当我们实际需要某种工具时，又常常想不起来，只能借助传统的搜索，包括GitHub自己的搜索功能，这效率有点低，经常就搜不到，因为开源项目的描述和我们关键词并不一定匹配。诚然，现在的大模型基本上都会爬取GitHub上的数据，但实际测试发现，它并不是真的“记住了”什么知识，并不能当作信息搜索引擎来用，要命的是，它还会一本正经的瞎编乱造