让智能体“能听会说”：卡片、图片、语音全覆盖的多元交互实战

这场直播是 WaytoAGI「AI 智能体训练营」第二期的第六课，由吕昭波主讲，围绕一个贯穿始终的「北京旅游助手」案例，完整演示了如何用扣子（Coze）平台为智能体加上可视化卡片、图片生成和语音交互能力。适合正在学习扣子、想把智能体从“纯文字对话框”升级为“图文音并茂”的入门和进阶学习者。

从“翻车”到“不翻车”：北京旅游助手的升级思路

▶ 17:08 · 看这一节

吕昭波延续了前几节课的「北京旅游助手」案例。他坦言上一节课这个案例“翻车”了，聊到晚上 11 点多，这次吸取教训，提前打开了相关网页做准备。

这节课的目标很明确：在已有提示词、知识库和记忆功能的基础上，补齐多元交互模块——加背景图、生成图片、加入语音，让智能体“看起来更加美观，交互起来也会更好，而关键是它并不难”。

开场时，一枚扣子展示了用飞书多维表格搭建的企业级应用案例，包括多平台数据分析、AI 硬件商品监控等，里面包含 20 多个工作流级别的智能体。他以此给学员打气：“不要限制自己的想象力，要去用最轻量级的解决方案去做到企业交付。”吕昭波也补充说，这类模板“做好一套大概能卖个几万块钱是很正常的”，但关键在于“你背后的业务逻辑和你的智能体以及你的数据质量”。

扣子卡片：让回复从文字变成“商品橱窗”

▶ 49:02 · 看这一节

卡片交互是这节课的重点之一。吕昭波强调，添加卡片的作用是“避免所有的回复只是文字，应该让他回复得更好、更直观”。如果只是文字介绍一大堆，用户没有直观感受；如果直接生成一张美味的北京烤鸭图片，“可能我们就已经开始流口水了”。

绑定卡片的操作路径：在扣子平台的工作流页面，鼠标移到工作流上，点击「绑定卡片数据」。选择官方提供的卡片样式后，需要配置参数——通常包括标题、描述和图片三个字段，这些参数来自工作流结束节点返回的变量。例如，图片字段可以绑定返回的图片 URL 变量（如 output），标题和描述可以绑定其他返回参数。

卡片还支持添加跳转按钮。吕昭波演示了如何配置“去买票”“去组团”等按钮，每个按钮可以绑定一个链接（如百度或自己的网站）。这样用户点击卡片就能跳转到购票页面、景区页面等，相当于一个轻量级的“美食商城”或“旅游服务台”。

他提醒，卡片适合旅游推荐、个性化推荐、背单词等场景。比如输入“apple”，卡片可以同时展示单词、图片和发音，让学习更直观。

图片生成工作流：从单节点到大模型扩展

▶ 28:18 · 看这一节

图片生成部分，吕昭波回顾了薛老师之前讲的工作流知识，并现场演示了两种搭建方式。

方式一：直接使用模板。创建工作流后，选择底部的「生成封面图」模板，填写内容、提示词等参数，试运行后即可发布。这种方式最简单，适合快速上手。

方式二：手动搭建。添加「图像生成」节点，配置输入变量（如 input），在提示词中限定风格（如“符合北京旅游的景点或者美食的风格”），结束节点返回图片数据。吕昭波特别演示了结束节点可以返回多个参数（如 data 和 message），并解释了如何检查各节点的输入输出。

进阶技巧：用大模型扩展提示词。直接让图像生成节点处理用户输入，效果可能不稳定。吕昭波演示了在开始节点和图像生成节点之间插入一个大模型节点，让大模型把“北京长城”这样的简短输入扩展成一段详细的提示词，再交给图像生成。他提醒，这样会“模型思考的时间会比较长”，如果追求速度，可以用非思考模式。

他还介绍了图像生成节点的参数细节：可以选择不同模型（通用、人像、动漫、油画、3D 卡通等）、调整宽高比（16:9、9:16 等）、设置正向提示词和负向提示词（比如给小朋友生成图片时，排除“大人风格的元素”）。

语音交互：从 TTS 到音色复刻

▶ 1:14:15 · 看这一节

语音部分，吕昭波演示了通过工作流生成语音的完整流程。

基础 TTS 工作流：添加「TTS」节点（语音合成），配置三个关键参数——认证（相当于付费后获得的密钥）、音色（有默认值）、文字（要转成语音的文本）。开始节点接收用户输入，TTS 节点转成语音，结束节点返回音频 URL。

让语音更自然：直接让 TTS 读用户输入的文字，效果会比较生硬。吕昭波演示了同样插入一个大模型节点，让模型把输入扩展成 200 字的“发布会台词”，再交给 TTS 生成。他现场让“雷布斯”音色发布了一场“羊蝎子火锅小米外卖”发布会，效果颇具感染力。

SSML 语音合成标记语言：针对“声音生硬、没有换气”的反馈，吕昭波介绍了 SSML。通过在文本中插入标记，可以控制数字读法（如“2”读作“两”还是“二”）、添加停顿（如 <break time="500ms"/>）、标注重音等。他举例说，“中国的煤都是黑的”和“中国的煤都是哪里”这类歧义句，通过标记可以让 AI 读得更准确。

音色复刻：扣子支持复刻自定义音色，但需要开通团队版。操作路径是：切换到团队版 → 左侧资源库 → 音色 → 添加/复刻。可以录制自己的声音，也可以上传 10～30 秒的音频文件（MP3、MP4、WMA 均可）。复刻成功后，在智能体的音视频设置中，把中文音色切换为“资源库的音色”即可使用。吕昭波特别提醒版权问题：“最好是用自己的声音，不要用别人的，就是有这方面的一些风险。”

扩展场景：从单智能体到多智能体组合

▶ 2:01:02 · 看这一节

课程后半部分，吕昭波展示了如何把多个智能体组合成更复杂的应用。

他演示了一个 AI 短剧生成平台：前端用 Tree、Coder 等 AI IDE 生成页面，后端调用扣子发布为 API 的多个工作流——每个角色（编剧、摄影、美术等）对应一个智能体，分别负责生成人物小传、角色图片、分镜头等。他强调“难点就是把所有的都协调在一起”，但思路是清晰的：每个智能体只做最小功能点，通过网页编排组合起来。

他还展示了一个模拟“斯坦福小镇”的多智能体对话网页：输入一个话题（如“北京烤鸭”），四个智能体轮流讨论。虽然现场有智能体响应失败（“三缺一”），但他借此说明：多智能体模式在扣子中“用的人感觉不是太多”，企业交付时他更倾向于“自己做网页，自己去编排，自己加反思的模式”，把每个扣子智能体做得越小越好，“越做复杂的功能它越不稳定”。

现场问答

▶ 1:08:01 · 看这一节

飞书多维表格能不能作为知识库添加？ 可以。创建知识库时选择飞书方式，把文档或表格加进来即可。

添加卡片的作用是什么？ 避免所有回复只是文字，让信息展示更直观。适合旅游推荐、个性化推荐、背单词等场景。

工作流搭建太快了，能再展示一下吗？ 操作不复杂：点击添加工作流，进去后选择模板或手动添加节点，配置参数后试运行、发布即可。

生成图片时提示词怎么写更好？ 可以用大模型节点先扩展提示词，让模型把简短输入扩展成详细描述，再交给图像生成节点。注意正向提示词（要什么）和负向提示词（不要什么）的配合。

要点回顾

• 卡片交互：在工作流上绑定卡片数据，配置标题、描述、图片三个参数，支持添加跳转按钮，让回复从纯文字变成图文卡片。
• 图片生成：两种方式——直接用模板，或手动搭建「图像生成」节点；进阶做法是插入大模型节点扩展提示词，再交给图像生成。
• 语音生成：TTS 节点需要配置认证、音色、文字三个参数；用大模型扩展文字内容可以让语音更丰富。
• SSML 标记：通过语音合成标记语言控制数字读法、停顿、重音，让 AI 声音更自然。
• 音色复刻：需开通团队版，在资源库中上传 10～30 秒音频复刻，注意版权风险，建议用自己的声音。
• 多智能体组合：每个智能体只做最小功能点，通过网页（Tree、Coder 等 AI IDE）编排组合，可以做出短剧生成平台、多智能体讨论等复杂应用。
• 作业：入门同学设置背景图、使用扣子卡片、开启语音交互；进阶同学用工作流生成声音、同时生成两种不同风格的图片。