必须通过自定义插件+外部API中转接入Groq LPU模型，因扣子不支持直接绑定Groq为内置推理后端；需配置FastAPI代理服务、安全存储API密钥、启用流式响应并正确解析JSON返回字段。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要在扣子（Coze）中直接调用 Groq 的 LPU 加速模型实现毫秒级响应，必须绕过扣子原生模型绑定机制，通过自定义插件+外部 API 中转方式接入——因为扣子当前不支持在“模型设置”中直接选择 Groq 作为内置推理后端。
确认 Groq 接入前提条件
登录 Groq 控制台，在 API Keys 页面生成一个有效密钥；【该密钥需保存在安全环境变量中，不可硬编码进插件代码或提交至 Git】。
访问扣子开发者后台 → 进入「Bot 设置」→ 「插件」→ 点击「创建插件」→ 选择「自定义插件」类型。
检查当前 Bot 所属工作区是否已开通「插件开发权限」：若无「插件」菜单项，需联系企业管理员在「成员与权限」中授予「插件管理」角色。
构建 Groq 代理插件（FastAPI 轻量后端）
新建一个 Python 项目目录，执行：
pip install fastapi uvicorn httpx python-dotenv
创建 main.py，写入以下最小可行后端逻辑（仅处理 chat completions 流式请求）：
```python
from fastapi import FastAPI, Request
from httpx import AsyncClient
import os
from dotenv import load_dotenv
load_dotenv()
app = FastAPI()
@app.post("/v1/chat/completions")
async def proxy_groq(request: Request):
payload = await request.json()
async with AsyncClient() as client:
resp = await client.post(
"https://api.groq.com/openai/v1/chat/completions",
headers={"Authorization": f"Bearer {os.getenv('GROQ_API_KEY')}"},
json=payload,
)
return resp.json()
```
启动服务：uvicorn main:app --host 0.0.0.0 --port 8000；确保该服务可被公网或扣子插件网关访问（本地调试需配合 ngrok 或云服务器反向代理）。
在扣子中配置自定义插件
方法一：填写公网可访问的 FastAPI 地址
在插件编辑页的「请求地址」栏填入：https://your-domain.com/v1/chat/completions（注意末尾无斜杠）。
方法二：使用扣子官方推荐的云函数托管（推荐）
将上述 main.py 及 .env（含 GROQ_API_KEY=xxx）打包为 ZIP，上传至扣子插件的「云函数」选项卡 → 选择 Python 3.11 运行时 → 部署成功后自动获取调用 URL。
在插件「请求参数」中添加固定 Header：Content-Type: application/json；Body 类型选「JSON」，模板填入：
{"model":"llama-3.2-3b-preview","messages":{{input.messages}},"stream":true}
【务必勾选“启用流式响应”开关，否则无法触发扣子前端的逐字渲染效果】。
在 Bot 工作流中调用插件
第一步：进入 Bot 的「工作流编排」界面，拖入一个「插件节点」。
第二步：在插件节点配置中，选择刚创建的 Groq 代理插件；输入字段映射设为：messages ← 上下文消息数组。
第三步：添加「JSON 解析」节点，提取插件返回体中的 choices[0].message.content 字段。
第四步：将解析结果连接至「发送消息」节点输出给用户。
测试时发送“你好”，观察响应时间——若后端部署在亚太节点且网络通畅，首 token 延迟通常低于 120ms。
