方案	通过输出节点传递语音指令	端插件	云侧插件
适用场景	适用于仅需下发指令而无需设备返回数据的单向控制场景，如调节音量、控制设备移动、转人工等。	需要从设备端获取数据（如摄像头图像、传感器数据），并根据数据执行后续处理的场景，如拍照识别、获取手机日历等。	需要跨设备控制的场景。

方案一：通过输出节点传递语音指令

通过对话流中的输出节点，可将意图识别后的语音指令传递至设备。适用于简单的、单向的设备控制，例如调节音量或转人工等。具体实现流程如下：
在对话流中分别配置意图识别和输出节点，当意图识别到需要调节音量等设备控制时，扣子编程向设备发送conversation.message.completed 事件，例如 type= "answer", content_type="text", content = {"action": "volume_up"} ，设备根据 content 字段获取控制指令并执行相应的设备操作。事件详情请参见消息完成事件。

时序图

1 搭建对话流

以智能家居场景下，实现语音调节音量与语音闲聊功能为例。对话流的编排详情如下图所示。

各节点的详细配置如下。

节点	说明	示例
开始节点	开始节点的输入参数保持默认值即可。
意图识别（大模型节点）	通过开始节点中的用户输入进行意图识别。模型：选择 doubao 1.5-lite-32k 或豆包·角色扮演·Pro 等支持复杂多轮对话的模型。输入：引用开始节点的 `USER_INPUT`。建议开启会话历史，确保模型结合上下文判断意图。系统提示词：根据实际场景调整系统提示词中的意图，本文的系统提示词样例请参见提示词样例。说明为了降低大模型的响应时间，建议参考本文通过大模型节点实现意图识别，而不是使用对话流自带的意图识别节点，因为自带的意图识别节点采用直接输出内容的方式，会导致输出的 Token 数量过多，从而增加响应时间。意图识别的输出结果用序号（例如1、2、3）来标识意图，避免让大模型直接返回完整回答，否则，会导致输出的 Token 数量过多，从而显著增加响应时间。具体原理请参见优化大模型响应时间。
选择器	智能体根据意图识别返回的值，判断进入设备控制节点或闲聊节点。
输出节点-设备控制（输出节点）	用于下发设备控制指令。输出内容：根据实际场景调整输出内容中的设备控制指令。例如：`{"action": "volume_up"}`。通话中转语音：配置音视频通话时是否朗读输出节点的消息内容。若不希望设备控制指令通过TTS 朗读，可关闭此功能。会话历史写入：设置为不写入。
闲聊（大模型节点）	实现语音闲聊功能。输入参数：`input` 参数的值引用开始节点的 `USER_INPUT`。系统提示词：根据实际情况调整闲聊的回复逻辑和风格。本文的系统提示词请参见提示词样例。用户提示词：引用输入参数中的 `input` 参数。
输出节点	用于输出闲聊节点的结果，输出变量的值引用闲聊节点的输出参数。
结束节点	因为已通过前面的输出节点输出工作流的结果，所以结束节点无需返回变量或文本。

2 测试并发布智能体

试运行并发布对话流。
创建单 Agent（对话流模式）的智能体，在智能体中添加对话流，开启语音通话并设置音色。
在智能体右侧的调试页面单击通话图标，语音输入调大音量，智能体将返回设备控制指令 {"action": "volume_up"}。
将智能体发布到 API 渠道或其他目标渠道。

方案二：端插件

本文以 AI 眼镜为例，介绍用户通过语音输入指令后，智能体如何调用端侧插件实现拍照与物体识别。

时序图

搭建智能体

1 复制智能体模板

打开AI 眼镜小助手智能体，然后单击复制。
选择智能体的所属空间并输入一个智能体名称，然后单击确定。
（可选）在复制的智能体编排页面，单击智能体名称旁的修改图标，修改智能体名称。
根据实际需求，修改开场白文案和预置问题。

2 调整对话流

对话流的编排详情如下图所示。

根据实际场景，在对话流中调整相应的节点和子工作流。本文重点介绍设备拍照分支的实现逻辑，其他子工作流的实现逻辑请参见搭建低延时语音助手。各节点配置要求如下：

节点	说明	示例
意图识别（大模型节点）	通过开始节点中的用户输入进行意图识别，判断是否需要调用端插件。每种意图分别对应一个子工作流。模型：选择 doubao 1.5-lite-32k 或豆包·角色扮演·Pro 等支持复杂多轮对话的模型。输入：需要开启会话历史，确保模型结合上下文判断意图。系统提示词：根据实际场景调整系统提示词中的意图。说明为了降低大模型的响应时间，建议参考本文通过大模型节点实现意图识别，而不是使用对话流自带的意图识别节点，因为自带的意图识别节点采用直接输出内容的方式，会导致输出的 Token 数量过多，从而显著增加响应时间。意图识别的输出结果用序号（例如1、2、3）来标识意图，避免让大模型直接返回完整回答，否则，会导致输出的 Token 数量过多，从而显著增加响应时间。具体原理请参见优化大模型响应时间。
获取当前时间（代码节点）	通过代码获取实时日期和时间，添加输出参数`current_time` 和 `current_date`，作为后续大模型的输入参数，用于生成当前时间相关的回答。	`from datetime import datetime async def main(args: Args) -> Output: current_time = datetime.now() formatted_date = current_time.strftime("%Y-%m-%d") formatted_time = current_time.strftime("%H:%M") ret: Output = { "current_date": formatted_date, "current_time": formatted_time } return ret`
选择器	智能体根据意图识别返回的值，进入对应的子工作流，例如设备拍照分支。
photograph（端插件）	通过设备控制端插件实现设备拍照，并将图片上传到服务端。
视觉理解（大模型节点）	接收端插件上传的图片信息，并结合用户原始问题进行多模态理解。输入参数： `input` ：参数的值引用开始节点的`USER_INPUT`。 `image` ：参数的值引用 photograph 端插件输出的 image。 `current_date` 和 `current_time` ：参数的值引用获取当前时间节点的输出。系统提示词：根据实际场景，修改系统提示词中的技能。用户提示词：引用输入参数中的 `input` 和`image`参数。
输出	将视觉理解节点的分析结果返回给用户。建议开启流式输出，以提升用户体验。

发布并验证效果

试运行并发布对话流。
将智能体发布到 API 渠道。
验证效果。
1. 访问 Realtime 智能音视频 Demo，单击 Settings，设置 Token 和对应的智能体。单击 Connect。
2. 语音输入指令，例如这是什么东西，验证智能体是否能正确触发端插件。例如 Demo 弹出 Function Call 事件对话框表示已触发端插件。
3. 通过上传文件API 获取图片 ID，并将图片 ID 填入提交端插件执行结果的 output 中。

端插件实现流程

设备端需要实现完整的事件监听、执行和上报闭环，具体步骤如下：

1. 接收`required_action`事件

当对话流触发端插件时，设备会收到 conversation.chat.requires_action 事件，其中包含需要调用的函数信息，如 photograph。
下行事件示例：

{
    "id": "event_15",
    "event_type": "conversation.chat.requires_action",
    "data": {
        "id": "7527500166237***",
        "conversation_id": "7527503562080***",
        "required_action": {
            "type": "submit_tool_outputs",
            "submit_tool_outputs": {
                "tool_calls": [
                    {
                        "id": "5871369658880***",
                        "type": "function",
                        "function": {
                            "name": "photograph",
                            "arguments": ""
                        }
                    }
                ]
            }
        }
    }
}

2. 执行设备能力并上传文件

设备根据 function.name 调用本地能力，例如摄像头拍照。调用上传文件 API，将拍照的图片上传至服务端，并获取图片 ID。
上传文件 API 示例：

curl -X POST 'https://api.coze.cn/v1/files/upload' \
-H "Authorization: Bearer cztei_qTST5l1tkfumssw***" \
-H "Content-Type: multipart/form-data" \
--form 'file=@"ai_glasses_capture.jpeg"'

3. 提交端插件执行结果

设备将获取到的 file_id 通过 conversation.chat.submit_tool_outputs 事件提交给扣子编程，以驱动对话流继续执行。

说明

chat_id、tool_call_id 需要与 conversation.chat.requires_action 事件中的 ID 保持一致。

上行事件示例：

{
  "id": "1",
  "event_type": "conversation.chat.submit_tool_outputs",
  "data": {
    "chat_id": "7527500166237***",
    "tool_outputs": [
      {
        "tool_call_id": "5871369658880***",
        "output": "{\"image\":\"$file_id\"}"
      }
    ]
  }
}

方案三：云侧插件

需将设备控制相关服务封装为自定义云侧插件，具体实现方法请参见基于 API 创建插件。
在对话流中添加该云侧插件。当意图识别结果为设备控制时，智能体调用该云侧插件。插件对应的服务端接收请求后，根据请求中的通话 ID 信息，执行相应设备操作。
云侧插件的对话流编排详情如下图所示，各节点的配置和其他方案类似。

时序图

提示词样例

意图识别节点

### 角色
你是一位杰出的意图识别专家，具备极为敏锐的洞察力，能够迅速且精准地判断用户问题的意图类型。在接收到用户问题时，需紧密结合当前用户输入以及历史消息，全面且深入地剖析问题的核心内涵。
### 技能
#### 技能 1：精准识别用户意图
依据以下意图列表，仅返回与之对应的数字序号。
| 序号 | 意图         | 描述                                                         | 示例                                                         |
| :--: | :----------- | :----------------------------------------------------------- | :----------------------------------------------------------- |
|  1   | 设备控制     | 涉及需要控制设备的操作                         | "调大音量" |
|  2   | 无需联网     | 属于闲聊范畴，或可单纯依靠基础知识库解答；或是用户明确提出不联网需求；亦或是涉及通用概念、原理性的问题、用户的主观感受 | “三角形内角和是多少”“给我讲个笑话”“我不想联网，给我说说历史故事”“你觉得/你认为/你有没有/你平时”|
### 回复格式
- 仅回复意图对应的序号：1、2

### 示例
#### 示例 1
当前用户输入：我感觉好无聊呀
2
#### 示例 2
当前用户输入：调大音量
1
### 限制
- 若遇到难以理解或把握不准的问题，统一归类到 2。
- 用户输入中可能涵盖一个或多个上述意图，需根据输入内容输出最为贴近的一个意图序号，仅回复一个数字，无需阐述原因。

闲聊节点

# 角色
你是一个高效且知识渊博的生活小助理，能陪伴用户

## 技能
### 技能 1: 闲聊陪伴
1. 积极与用户互动，倾听用户的心声，给予温暖的回应，回复100字左右
2. 结合历史消息和用户当前输入，根据用户的话题展开有趣的讨论，让用户感受到陪伴。


## 回答格式
- 直接输出文本，不要输出json

## 限制:
- 只回答与生活相关或百科知识范围内的问题，拒绝回答无关话题。
- 所输出的内容必须按照给定的格式进行组织，不能偏离框架要求。
- 请确保信息来源准确可靠，必要时注明引用来源。