当前位置:首页 > AI技术 > 正文内容

前端开发高级应用:MuleRun怎么调用随机数生成器 MuleRun抽奖或抽样任务配置实战案例|Duuu笔记

admin2周前 (03-27)AI技术15

MuleRun实现随机功能需通过四种方式激活平台原生随机能力:一、任务目标中嵌入“随机”关键词;二、Skills面板启用「Random Sampling」技能;三、Knowledge块配置加权概率规则;四、Advanced Action中调用RANDOM_INT等命令。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

如果您在使用MuleRun构建抽奖或抽样类Agent时,发现结果缺乏随机性或无法触发随机行为,则可能是由于未正确调用内置随机数生成能力。MuleRun不依赖外部代码库或本地环境,其随机能力由平台Runtime层原生支持,需通过特定自然语言指令激活。以下是实现该功能的多种配置路径:

一、在任务目标描述中嵌入随机语义指令

此方法利用MuleRun的语义解析引擎自动识别并绑定随机采样逻辑,适用于简单抽奖、名单抽取、内容轮播等场景。系统将根据上下文自动选择均匀分布的伪随机算法,并确保每次执行产生不可预测但可复现的序列(基于会话密钥隔离)。

1、进入

mulerun

.com,登录后点击「新建Agent」。

2、在任务目标输入框中,明确使用含“随机”关键词的自然语言,例如:

“从提供的100个用户ID中随机抽取5个作为幸运中奖者”

3、继续填写输出格式要求,如“以JSON数组形式返回,字段名为winners”。

4、提交后系统将自动生成含

random.sample

语义等效逻辑的工作流,无需额外配置。

二、通过Skills面板手动启用随机抽样技能模块

MuleRun预置了独立的「Random Sampling」技能组件,位于Skills库的「Data Operations」分类下。该模块提供可控种子值、样本数量上限、重复/去重模式三项参数,适合需要审计追踪或结果复现的业务场景。

1、在Agent编辑界面,点击右侧「Skills」标签页。

2、在搜索框输入

“随机抽样”

,找到图标为骰子形状的技能卡片。

3、点击添加,随后在弹出配置面板中设置:

样本数=3,是否允许重复=否,种子值留空(启用会话级动态种子)

4、将该技能拖入主工作流画布,并连接至上游数据源节点(如CSV上传或API响应体)。

ima.copilot

腾讯大混元模型推出的智能工作台产品,提供知识库管理、AI问答、智能写作等功能

下载

三、在Knowledge知识块中注入带随机逻辑的模板规则

当抽奖规则具有条件分支(如“VIP用户中奖概率提升2倍”),需结合Knowledge层定义加权随机策略。MuleRun支持在Knowledge块内以YAML格式声明概率分布表,Runtime将据此调度底层随机引擎。

1、点击左侧导航栏「Knowledge」,新建知识块,命名为“抽奖权重规则”。

2、在编辑区粘贴如下结构化内容:

user_tier: {vip: 0.6, normal: 0.3, guest: 0.1}

3、保存后返回Agent配置页,在「Logic」模块选择「Apply Knowledge-based Random Selection」。

4、指定该Knowledge块为决策依据,并将输入字段映射至

user_tier

字段。

四、使用Runtime命令行式指令直接调用随机函数

对于熟悉命令表达的用户,可在Agent任意步骤的「Advanced Action」中输入原生命令,绕过图形界面,获得最底层控制权。该方式支持整数范围生成、浮点数生成、字符串随机选取三类操作。

1、在工作流节点上右键,选择「Add Advanced Action」。

2、在命令输入框中键入:

RANDOM_INT(1, 100)

(生成1到100之间的整数)。

3、若需生成多个值,追加数量参数:

RANDOM_INT(1, 100, 5)

(生成5个不重复整数)。

4、将输出变量绑定至后续「Filter」或「Notify」节点,完成闭环。

相关文章

【大数据分析 | 深度学习】在Hadoop上实现分布式深度学习

一、Submarine(Hadoop生态系统) (一)Submarine 介绍 (三)Submarine 属于 Hadoop 生态系统 (四)Submarine 官网版...

什么是LLM?看这一篇就够了!

一、全套AGI大模型学习路线 AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能! 二、640套AI大模型报告合集 这套包含640份报告的合集,涵盖了AI大...

LLM介绍

。LLM 被证明在使用指令形式化描述的未见过的任务上表现良好。这意味着 LLM 能够根据任务指令执行任务,而无需事先见过具体示例,展示了其强大的泛化能力。 :小型语言模型通常难以解决涉...

使用 ESP

针对该分类问题,我们使用了 Kaggle 手势识别数据集 中的一个开源数据集。原始数据集包括 10 个类别,我们只使用了其中 6 个。这些类别更容易识别,且日常生活中更有用,如...

神经网络分类总结

从网络性能角度可分为连续型与离散型网络、确定性与随机性网络。 从网络结构角度可为前向网络与反馈网络。 从学习方式角度可分为有导师学习网络和无导师学习网络。 按连续突触性...

AI实战详解:Perplexity 怎么做市场调研 Perplexity 市场分析实操教程【商业】最佳实践|Duuu笔记

掌握Perplexity AI市场调研需五步:一、结构化提问嵌入地域/时间/主体/指标四要素;二、限定PDF等原始信源提升可信度;三、分步提问生成制表符分隔文本以自动导入Excel;四、启用Pro S...

发表评论

访客

看不清,换一张

◎欢迎参与讨论,请在这里发表您的看法和观点。