在实际 AI 应用开发中很多开发者或业务人员都面临一个困境有一个不错的想法但受限于编程能力无法快速将其转化为一个可交互、有逻辑的智能应用。传统的开发流程涉及服务器部署、API 接口编写、前后端联调等一系列复杂工程门槛较高。Coze扣子平台的出现正是为了降低这一门槛它通过可视化的工作流编排让用户无需编写代码也能构建出功能强大的智能体Agent。然而仅仅知道平台存在还不够如何从零开始清晰地设计流程、配置节点并最终得到一个真正能解决问题的智能体才是新手面临的核心痛点。本文将以一个具体的业务场景为例带你完整走通在 Coze 平台上搭建智能体的全过程。我们将聚焦于“工作流”这一核心概念它相当于智能体的大脑和决策中枢。你将学习到如何将一个模糊的需求拆解为可执行的步骤如何利用 Coze 提供的各种节点如语言模型、代码、条件判断、知识库等组合成逻辑链条并最终发布为一个可用的智能体。整个过程强调可操作性和可复现性即使你没有任何编程基础也能跟随步骤完成搭建。1. 理解 Coze 工作流与智能体的核心关系在开始动手之前必须先厘清几个核心概念这能帮助你理解每一步操作的目的而不是机械地点击按钮。1.1 什么是智能体Agent在 Coze 的语境下智能体不是一个单一的聊天机器人而是一个具备特定目标、能感知环境、进行决策并执行任务的可配置程序。你可以把它想象成一个虚拟员工。例如一个“周报助手”智能体它的目标是帮助用户生成周报。它需要感知用户的输入如“帮我写这周的周报”决策需要询问哪些信息项目进展、遇到的问题、下周计划然后执行任务调用语言模型生成结构化文本。智能体的能力边界由你为其配置的“技能”决定而工作流就是实现这些复杂技能的核心工具。1.2 为什么工作流是关键如果没有工作流智能体只能基于单轮对话和预设的提示词Prompt来回复处理复杂、多步骤的任务时就会力不从心。工作流引入了几个关键能力流程控制可以定义“如果…那么…”条件分支、循环、并行执行等逻辑让智能体具备判断能力。多工具编排可以在一个流程中依次或并行调用语言模型、查询知识库、执行代码、调用外部 API 等实现功能聚合。状态管理可以在流程的多个步骤间传递和修改数据形成上下文。结构化输出可以严格定义最终输出的格式比如一个 JSON 对象而不仅仅是自由文本。简单来说提示词Prompt定义了智能体“说什么”而工作流定义了智能体“做什么”以及“怎么做”。对于需要数据查询、逻辑判断、多步操作的任务工作流是必不可少的。1.3 Coze 工作流的基本结构一个典型的 Coze 工作流由以下部分组成触发器启动工作流的事件通常是用户发送的一条消息。节点流程中的每一个步骤代表一个具体操作。节点有输入和输出。连线连接节点的箭头定义了数据流动和流程执行的顺序。变量用于在节点间存储和传递数据的容器。输入/输出定义整个工作流需要从外部获取什么参数以及最终会返回什么结果。理解这个结构后我们进入实战环节。本次我们将构建一个“技术文章灵感生成与评估”智能体。它的功能是用户提供一个粗略的主题方向智能体为其生成几个具体的文章标题并评估每个标题的潜在阅读吸引力。2. 环境准备与 Coze 平台入门在开始设计工作流之前需要先准备好“工作台”。2.1 注册与界面认知访问 Coze 官网并完成注册登录。平台通常提供多种登录方式。进入主界面后重点关注左侧导航栏主页查看已创建的智能体和探索社区。创建这里是我们的主战场用于创建新的智能体或工作流。知识库可以上传文档如产品手册、公司制度供智能体查询。插件可以配置第三方工具如天气、日历、数据库的接入。发布将智能体部署到各种渠道如豆包、飞书、微信公众号等。2.2 创建你的第一个智能体点击左侧导航栏的“创建” - “创建智能体”。在弹出窗口中为智能体起一个名字例如Tech Article Brainstormer。在“描述”字段中简要说明智能体的功能“根据用户提供的技术领域或模糊想法生成具体的文章标题并评估其吸引力。”图标和名称可以自由设定这里我们先使用默认设置点击“创建”。现在你进入了智能体的配置界面。这里主要有以下几个标签页提示词编写智能体的基础人格和对话风格。知识库关联上传的文档让智能体具备私有知识。插件为智能体添加调用外部工具的能力。工作流我们即将深入使用的核心功能。预览在右侧对话框测试智能体的效果。发布配置发布设置。我们的核心操作将在“工作流”标签页中完成。3. 构建“文章灵感生成与评估”工作流我们将把整个任务分解为几个连贯的步骤并对应到工作流的各个节点。3.1 规划工作流步骤在画布上拖拽节点之前先在脑子里或纸上画出流程草图开始接收用户输入的一个技术主题例如“云原生监控”。步骤一发散思维调用大语言模型LLM基于输入主题生成 5 个不同的、具体的技术文章标题。步骤二逐一评估对于步骤一生成的每一个标题再次调用 LLM评估其吸引力例如从“新颖性”、“实用性”、“搜索热度”三个维度打分。步骤三汇总呈现将标题和评估结果整理成一个清晰、易读的格式返回给用户。这个流程包含了顺序执行、循环对每个标题进行评估和结果聚合。3.2 创建工作流并配置输入在智能体配置页点击“工作流”标签页然后点击“新建工作流”。给工作流命名如Generate and Evaluate Titles。系统会自动创建一个“开始”节点。我们需要定义工作流的输入。点击“开始”节点在右侧属性面板中点击“添加输入参数”。添加一个参数参数名topic类型选择“文本”描述输入一个技术领域或主题例如“云原生监控”、“Python 异步编程”是否必填勾选提问模板可以填写“请告诉我您想探讨的技术主题是什么”。当此参数为空时智能体会用此模板主动询问用户。至此我们定义了工作流的唯一入口一个名为topic的文本输入。3.3 添加“标题生成”节点从左侧节点库中找到“LLM”节点通常显示为一个大语言模型图标如豆包、GPT等将其拖拽到画布上放在“开始”节点右侧。将“开始”节点的输出连线点击“开始”节点右侧的圆点并拖拽连接到“LLM”节点的输入。点击这个 LLM 节点进行配置模型选择根据你的可用模型选择例如“豆包-Pro”或“GPT-4”。对于创意生成任务性能更强的模型效果更好。系统提示词System Prompt这是关键它决定了 LLM 在此节点中的角色和任务。输入如下内容你是一个资深技术专栏编辑擅长为技术博客和开发者社区构思吸引人的文章标题。 用户会提供一个宽泛的技术主题你需要围绕该主题生成5个具体、有洞察力且风格各异的文章标题。 标题应该直接面向开发者突出技术点、解决方案或独特视角。 直接输出标题每个标题占一行不要编号不要额外解释。用户提示词User Prompt这里引用我们上一步定义的输入变量。点击输入框下方的“引用变量”按钮通常是一个{x}图标选择topic。最终内容应为{{topic}}。节点名称可以修改为“生成文章标题”便于识别。这个节点的作用是接收用户输入的topic在系统提示词的约束下让 LLM 输出 5 个文章标题。3.4 处理生成结果并循环评估LLM 节点会输出一个文本。我们需要先把这个包含多行标题的文本拆分成一个标题列表然后对列表中的每一项执行“评估”操作。添加“代码”节点从节点库拖拽一个“代码”节点到画布放在 LLM 节点右侧。将 LLM 节点的输出连接到代码节点的输入。配置代码节点语言选择“Python”。代码输入以下代码。这段代码的目的是将 LLM 返回的多行文本按行分割过滤空行形成一个 Python 列表。# 输入是上一个LLM节点的输出默认变量名为 input titles_text input # 按换行符分割并去除每行首尾空格 titles_list [title.strip() for title in titles_text.split(\n) if title.strip()] # 将处理后的列表作为输出变量名设为 titles titles titles_list输出变量确保代码中定义的titles变量被正确输出。在节点的输出配置部分应该能看到titles这个变量其类型为“列表”。添加“循环”节点从节点库拖拽“循环”节点到画布放在代码节点右侧。将代码节点的输出连接到循环节点的输入。配置循环节点遍历列表在配置中选择要遍历的列表变量。点击选择框应该能看到上一步代码节点输出的titles列表。选择它。元素变量名设定为current_title。这意味着在循环体内每次处理时current_title变量就代表列表中的一个标题。索引变量名可以设定为index方便知道当前是第几个标题。在循环体内添加“评估”LLM节点再拖拽一个“LLM”节点到画布上这次将其放入循环节点的内部区域通常循环节点是一个可扩展的框体。将循环节点的输出代表current_title连接到这个内部 LLM 节点的输入。配置内部 LLM 节点系统提示词你是一个技术内容分析师。请对给定的技术文章标题进行吸引力评估。 请从以下三个维度进行评分1-5分5分为最高 1. 新颖性观点或角度是否新颖 2. 实用性对开发者的实际帮助有多大 3. 搜索热度潜在的关键词搜索流量如何 请以严格的JSON格式输出包含以下字段title原标题novelty新颖性分数utility实用性分数search_potential搜索热度分数。 不要输出任何其他文字。用户提示词引用循环体内的变量{{current_title}}。节点名称修改为“评估单个标题”。现在工作流会为之前生成的每一个标题都调用一次这个评估 LLM并得到一个 JSON 格式的评估结果。3.5 汇总结果并输出循环结束后我们得到了一个评估结果列表需要将其汇总并格式化输出。在循环节点后添加“汇总”代码节点拖拽一个新的“代码”节点到画布放在循环节点右侧。将循环节点的“完成”输出端口注意不是“每次循环”的输出连接到这个代码节点。配置代码节点语言Python。代码这里需要处理循环累积的结果。Coze 工作流中循环节点通常会将其内部所有节点的输出收集为一个列表。我们需要引用这个列表。# 假设循环节点输出的结果列表变量名为 loop_result # 这个列表包含了每次循环中“评估单个标题”LLM节点的输出 evaluations loop_result # 初始化一个用于存储格式化结果的列表 formatted_results [] for idx, eval_json_str in enumerate(evaluations): # 注意LLM节点的输出是字符串我们需要解析JSON import json try: eval_data json.loads(eval_json_str) # 构造一个易读的字符串 result_str f{idx1}. 标题{eval_data.get(title, N/A)}\n result_str f 新颖性{eval_data.get(novelty, N/A)}/5 | result_str f实用性{eval_data.get(utility, N/A)}/5 | result_str f搜索潜力{eval_data.get(search_potential, N/A)}/5 formatted_results.append(result_str) except json.JSONDecodeError: # 如果JSON解析失败记录原始文本 formatted_results.append(f{idx1}. 评估结果解析失败{eval_json_str}) # 将格式化后的列表合并成一个字符串作为最终输出 final_output 基于您提供的主题已生成并评估以下文章标题\n\n \n\n.join(formatted_results) # 将最终结果赋值给输出变量 output final_output输出变量确保output变量被正确输出。配置工作流最终输出点击画布空白处在右侧的“工作流输出”面板点击“添加输出参数”。添加一个参数参数名report类型文本描述生成并评估后的文章标题报告然后将“汇总”代码节点的输出连线连接到工作流输出端口上通常画布底部或右侧有一个代表工作流输出的图标。3.6 完整工作流结构与调试至此你的工作流画布应该类似下图所示的结构[开始] - [生成文章标题 LLM] - [拆分标题 代码] - [循环] | [评估单个标题 LLM] (在循环内) | [汇总 代码] - [工作流输出]在发布前必须进行调试。点击画布右上角的“运行”按钮。在调试面板的输入区为topic参数输入一个测试值例如Docker 容器安全最佳实践。点击“运行测试”。观察右侧的执行轨迹。它会依次点亮每个节点显示其输入和输出。这是排查问题最有效的方式。检查“生成文章标题”节点输出是否是 5 个清晰的标题检查“拆分标题”节点输出的titles列表是否包含 5 个元素点击循环节点展开查看每次循环current_title是否正确内部的评估 LLM 节点是否输出了合法的 JSON 字符串检查“汇总”节点输入的loop_result是否是一个包含 5 个 JSON 字符串的列表最终的output字符串格式是否美观如果任何节点报错显示红色点击该节点查看错误信息。常见错误包括变量名引用错误、JSON 格式不符合预期、代码语法错误等。根据错误信息修正配置或代码。4. 集成工作流并发布智能体工作流测试通过后它还是一个独立的模块需要被智能体调用。4.1 在智能体中启用工作流返回智能体的配置主界面点击左上角智能体名称返回。在“提示词”标签页编写智能体的基础人格提示词。例如你是一个乐于助人的技术写作助手专门帮助开发者和技术博主构思文章主题。 当用户提出一个技术领域或模糊想法时你将启动一个专业的工作流为其生成多个具体的文章标题并从多个维度进行评估。 你的回复应当友好、专业并在最后呈现工作流生成的详细报告。最关键的一步在提示词编辑框的下方或“工作流”标签页找到“关联工作流”的选项。将我们刚刚创建的Generate and Evaluate Titles工作流关联到当前智能体。关联后通常需要配置工作流的触发方式。有两种常见模式自动触发当用户输入匹配某些关键词时自动运行。这需要配置意图识别对新手稍复杂。手动触发在智能体回复时通过点击“插件/工作流”按钮选择运行。我们为了简化可以先在提示词中说明。 在提示词末尾加上“如果您需要我为您生成并评估文章标题请直接告诉我您的技术主题。”4.2 预览与最终测试点击右上角的“预览”按钮在右侧对话栏与你的智能体进行真实对话。输入“你好我需要一些关于微服务架构设计的文章灵感。”观察智能体回复。它应该先根据基础提示词进行友好回应然后你需要手动触发工作流。在 Coze 的预览界面当智能体回复后输入框上方或附近通常会出现可用的工作流或插件图标点击选择我们的工作流。系统可能会提示你输入topic参数输入微服务架构设计并确认。等待工作流执行。完成后智能体会将工作流的输出report作为对话内容返回给你。你应该看到一份格式工整的标题与评估报告。4.3 发布智能体测试无误后就可以发布了。点击右上角的“发布”按钮。Coze 提供了多种发布渠道豆包发布到字节跳动的豆包 App。飞书发布为飞书群聊机器人。微信公众号通过中间件配置。独立网页生成一个可分享的 H5 链接。API获取 API 端点供其他系统调用。选择你需要的渠道例如“独立网页”按照指引完成配置通常只需设置名称和图标。发布成功后你会获得一个链接。任何人打开这个链接就可以与你的智能体对话并使用你搭建的工作流了。5. 常见问题排查与优化建议即使按照教程操作在实际搭建中也可能遇到问题。以下是几个典型场景的排查路径。5.1 工作流执行失败或报错问题现象可能原因检查与解决步骤节点显示红色错误1. 节点配置错误如提示词语法问题2. 输入变量不存在或类型不匹配3. 代码节点存在语法或运行时错误1.点击错误节点查看详情错误信息通常很明确。2.检查连线确保每个节点的输入都来自正确的上游变量。3.检查变量名在提示词或代码中引用变量时确保使用{{变量名}}格式且变量名拼写正确。4.调试代码在代码节点使用print()语句输出中间变量调试信息会在运行日志中显示。工作流运行无结果或结果为空1. LLM 节点输出不符合预期导致下游节点处理失败2. 循环节点未正确接收到列表3. 输出未正确连接1.逐步调试使用“运行测试”功能观察每个节点的输入/输出面板。2.检查 LLM 输出格式如果下游代码节点需要解析 JSON但 LLM 输出了额外文字就会解析失败。需要强化系统提示词如要求“只输出 JSON不要有任何其他文本”。3.验证列表数据在“拆分标题”的代码节点后添加一个“调试”节点或临时用一个 LLM 节点输出titles列表的内容看其结构是否正确。触发工作流后智能体没反应1. 工作流未成功关联到智能体2. 触发条件未满足3. 发布版本未更新1. 在智能体“工作流”标签页确认工作流已关联且处于启用状态。2. 如果设置了关键词自动触发检查用户输入是否匹配。对于新手建议先在预览界面手动触发测试。3. 发布后对智能体配置的修改需要重新发布才能生效。5.2 工作流效果优化LLM 输出不稳定这是最常见的问题。解决方案是使用“固定模式”或“结构化提示”。在需要严格格式输出的 LLM 节点如评估节点在系统提示词中明确要求格式并给出示例。例如“请严格按照以下 JSON 格式输出{\title\: \\, \score\: 0}”。Coze 可能支持“结构化输出”功能允许你定义 JSON Schema强制 LLM 按 schema 输出这比纯文本提示更可靠。处理速度慢循环内调用 LLM 是串行的如果列表很长会非常慢。评估是否真的需要逐个评估。有时可以设计一个提示词让 LLM 一次性评估所有标题并返回一个列表。如果必须循环且列表项很多考虑是否能用更简单的规则如关键词匹配进行初步过滤减少 LLM 调用次数。结果不够精准优化提示词提示词工程是核心。在系统提示词中更详细地描述角色、任务、输出格式和禁忌。可以加入示例Few-shot Learning。引入知识库如果评估需要行业知识可以将相关的市场报告、技术趋势文档上传到 Coze 知识库并在 LLM 节点中启用“引用知识库”选项。使用更专业的插件例如如果“搜索热度”评估想更真实可以尝试集成搜索引擎插件如 SerpAPI来获取真实数据而不是让 LLM 臆测。5.3 从学习到生产的最佳实践输入验证在工作流起始处添加一个“代码”节点或“条件判断”节点对用户输入的topic进行校验。例如检查是否为空、长度是否合理、是否包含不适当内容等。验证失败则直接返回错误提示避免无效调用下游 LLM。错误处理与降级在关键的 LLM 或 API 调用节点后可以接一个“条件判断”节点检查响应是否有效。如果无效如超时、返回空值则走备用分支例如返回一个预设的默认结果或友好错误信息而不是让整个工作流崩溃。成本与性能监控LLM 调用按 Token 计费。在设计工作流时估算每个节点的输入输出长度避免在循环中发送过长的上下文。对于生产环境关注 Coze 平台提供的用量统计优化高消耗节点。版本管理在 Coze 中修改工作流并发布后线上智能体立即生效。对于重要的生产智能体在重大修改前可以复制一份工作流进行测试或者通过“版本”功能如果平台支持进行管理确保能快速回滚。通过以上步骤你不仅完成了一个具体的智能体搭建更重要的是掌握了在 Coze 平台上通过工作流将复杂想法工程化的方法论定义输入、拆解步骤、选择节点、串联逻辑、处理数据、格式化输出。这个模式可以复用到客服助手、数据查询、内容审核、流程审批等无数场景中。接下来你可以尝试为智能体添加更多能力例如让用户从评估结果中选择一个标题然后工作流调用另一个 LLM 节点来生成该标题的文章大纲或者集成一个日历插件将写作计划安排到日程中。 零代码构建AI智能体：Coze工作流实战指南
在实际 AI 应用开发中很多开发者或业务人员都面临一个困境有一个不错的想法但受限于编程能力无法快速将其转化为一个可交互、有逻辑的智能应用。传统的开发流程涉及服务器部署、API 接口编写、前后端联调等一系列复杂工程门槛较高。Coze扣子平台的出现正是为了降低这一门槛它通过可视化的工作流编排让用户无需编写代码也能构建出功能强大的智能体Agent。然而仅仅知道平台存在还不够如何从零开始清晰地设计流程、配置节点并最终得到一个真正能解决问题的智能体才是新手面临的核心痛点。本文将以一个具体的业务场景为例带你完整走通在 Coze 平台上搭建智能体的全过程。我们将聚焦于“工作流”这一核心概念它相当于智能体的大脑和决策中枢。你将学习到如何将一个模糊的需求拆解为可执行的步骤如何利用 Coze 提供的各种节点如语言模型、代码、条件判断、知识库等组合成逻辑链条并最终发布为一个可用的智能体。整个过程强调可操作性和可复现性即使你没有任何编程基础也能跟随步骤完成搭建。1. 理解 Coze 工作流与智能体的核心关系在开始动手之前必须先厘清几个核心概念这能帮助你理解每一步操作的目的而不是机械地点击按钮。1.1 什么是智能体Agent在 Coze 的语境下智能体不是一个单一的聊天机器人而是一个具备特定目标、能感知环境、进行决策并执行任务的可配置程序。你可以把它想象成一个虚拟员工。例如一个“周报助手”智能体它的目标是帮助用户生成周报。它需要感知用户的输入如“帮我写这周的周报”决策需要询问哪些信息项目进展、遇到的问题、下周计划然后执行任务调用语言模型生成结构化文本。智能体的能力边界由你为其配置的“技能”决定而工作流就是实现这些复杂技能的核心工具。1.2 为什么工作流是关键如果没有工作流智能体只能基于单轮对话和预设的提示词Prompt来回复处理复杂、多步骤的任务时就会力不从心。工作流引入了几个关键能力流程控制可以定义“如果…那么…”条件分支、循环、并行执行等逻辑让智能体具备判断能力。多工具编排可以在一个流程中依次或并行调用语言模型、查询知识库、执行代码、调用外部 API 等实现功能聚合。状态管理可以在流程的多个步骤间传递和修改数据形成上下文。结构化输出可以严格定义最终输出的格式比如一个 JSON 对象而不仅仅是自由文本。简单来说提示词Prompt定义了智能体“说什么”而工作流定义了智能体“做什么”以及“怎么做”。对于需要数据查询、逻辑判断、多步操作的任务工作流是必不可少的。1.3 Coze 工作流的基本结构一个典型的 Coze 工作流由以下部分组成触发器启动工作流的事件通常是用户发送的一条消息。节点流程中的每一个步骤代表一个具体操作。节点有输入和输出。连线连接节点的箭头定义了数据流动和流程执行的顺序。变量用于在节点间存储和传递数据的容器。输入/输出定义整个工作流需要从外部获取什么参数以及最终会返回什么结果。理解这个结构后我们进入实战环节。本次我们将构建一个“技术文章灵感生成与评估”智能体。它的功能是用户提供一个粗略的主题方向智能体为其生成几个具体的文章标题并评估每个标题的潜在阅读吸引力。2. 环境准备与 Coze 平台入门在开始设计工作流之前需要先准备好“工作台”。2.1 注册与界面认知访问 Coze 官网并完成注册登录。平台通常提供多种登录方式。进入主界面后重点关注左侧导航栏主页查看已创建的智能体和探索社区。创建这里是我们的主战场用于创建新的智能体或工作流。知识库可以上传文档如产品手册、公司制度供智能体查询。插件可以配置第三方工具如天气、日历、数据库的接入。发布将智能体部署到各种渠道如豆包、飞书、微信公众号等。2.2 创建你的第一个智能体点击左侧导航栏的“创建” - “创建智能体”。在弹出窗口中为智能体起一个名字例如Tech Article Brainstormer。在“描述”字段中简要说明智能体的功能“根据用户提供的技术领域或模糊想法生成具体的文章标题并评估其吸引力。”图标和名称可以自由设定这里我们先使用默认设置点击“创建”。现在你进入了智能体的配置界面。这里主要有以下几个标签页提示词编写智能体的基础人格和对话风格。知识库关联上传的文档让智能体具备私有知识。插件为智能体添加调用外部工具的能力。工作流我们即将深入使用的核心功能。预览在右侧对话框测试智能体的效果。发布配置发布设置。我们的核心操作将在“工作流”标签页中完成。3. 构建“文章灵感生成与评估”工作流我们将把整个任务分解为几个连贯的步骤并对应到工作流的各个节点。3.1 规划工作流步骤在画布上拖拽节点之前先在脑子里或纸上画出流程草图开始接收用户输入的一个技术主题例如“云原生监控”。步骤一发散思维调用大语言模型LLM基于输入主题生成 5 个不同的、具体的技术文章标题。步骤二逐一评估对于步骤一生成的每一个标题再次调用 LLM评估其吸引力例如从“新颖性”、“实用性”、“搜索热度”三个维度打分。步骤三汇总呈现将标题和评估结果整理成一个清晰、易读的格式返回给用户。这个流程包含了顺序执行、循环对每个标题进行评估和结果聚合。3.2 创建工作流并配置输入在智能体配置页点击“工作流”标签页然后点击“新建工作流”。给工作流命名如Generate and Evaluate Titles。系统会自动创建一个“开始”节点。我们需要定义工作流的输入。点击“开始”节点在右侧属性面板中点击“添加输入参数”。添加一个参数参数名topic类型选择“文本”描述输入一个技术领域或主题例如“云原生监控”、“Python 异步编程”是否必填勾选提问模板可以填写“请告诉我您想探讨的技术主题是什么”。当此参数为空时智能体会用此模板主动询问用户。至此我们定义了工作流的唯一入口一个名为topic的文本输入。3.3 添加“标题生成”节点从左侧节点库中找到“LLM”节点通常显示为一个大语言模型图标如豆包、GPT等将其拖拽到画布上放在“开始”节点右侧。将“开始”节点的输出连线点击“开始”节点右侧的圆点并拖拽连接到“LLM”节点的输入。点击这个 LLM 节点进行配置模型选择根据你的可用模型选择例如“豆包-Pro”或“GPT-4”。对于创意生成任务性能更强的模型效果更好。系统提示词System Prompt这是关键它决定了 LLM 在此节点中的角色和任务。输入如下内容你是一个资深技术专栏编辑擅长为技术博客和开发者社区构思吸引人的文章标题。 用户会提供一个宽泛的技术主题你需要围绕该主题生成5个具体、有洞察力且风格各异的文章标题。 标题应该直接面向开发者突出技术点、解决方案或独特视角。 直接输出标题每个标题占一行不要编号不要额外解释。用户提示词User Prompt这里引用我们上一步定义的输入变量。点击输入框下方的“引用变量”按钮通常是一个{x}图标选择topic。最终内容应为{{topic}}。节点名称可以修改为“生成文章标题”便于识别。这个节点的作用是接收用户输入的topic在系统提示词的约束下让 LLM 输出 5 个文章标题。3.4 处理生成结果并循环评估LLM 节点会输出一个文本。我们需要先把这个包含多行标题的文本拆分成一个标题列表然后对列表中的每一项执行“评估”操作。添加“代码”节点从节点库拖拽一个“代码”节点到画布放在 LLM 节点右侧。将 LLM 节点的输出连接到代码节点的输入。配置代码节点语言选择“Python”。代码输入以下代码。这段代码的目的是将 LLM 返回的多行文本按行分割过滤空行形成一个 Python 列表。# 输入是上一个LLM节点的输出默认变量名为 input titles_text input # 按换行符分割并去除每行首尾空格 titles_list [title.strip() for title in titles_text.split(\n) if title.strip()] # 将处理后的列表作为输出变量名设为 titles titles titles_list输出变量确保代码中定义的titles变量被正确输出。在节点的输出配置部分应该能看到titles这个变量其类型为“列表”。添加“循环”节点从节点库拖拽“循环”节点到画布放在代码节点右侧。将代码节点的输出连接到循环节点的输入。配置循环节点遍历列表在配置中选择要遍历的列表变量。点击选择框应该能看到上一步代码节点输出的titles列表。选择它。元素变量名设定为current_title。这意味着在循环体内每次处理时current_title变量就代表列表中的一个标题。索引变量名可以设定为index方便知道当前是第几个标题。在循环体内添加“评估”LLM节点再拖拽一个“LLM”节点到画布上这次将其放入循环节点的内部区域通常循环节点是一个可扩展的框体。将循环节点的输出代表current_title连接到这个内部 LLM 节点的输入。配置内部 LLM 节点系统提示词你是一个技术内容分析师。请对给定的技术文章标题进行吸引力评估。 请从以下三个维度进行评分1-5分5分为最高 1. 新颖性观点或角度是否新颖 2. 实用性对开发者的实际帮助有多大 3. 搜索热度潜在的关键词搜索流量如何 请以严格的JSON格式输出包含以下字段title原标题novelty新颖性分数utility实用性分数search_potential搜索热度分数。 不要输出任何其他文字。用户提示词引用循环体内的变量{{current_title}}。节点名称修改为“评估单个标题”。现在工作流会为之前生成的每一个标题都调用一次这个评估 LLM并得到一个 JSON 格式的评估结果。3.5 汇总结果并输出循环结束后我们得到了一个评估结果列表需要将其汇总并格式化输出。在循环节点后添加“汇总”代码节点拖拽一个新的“代码”节点到画布放在循环节点右侧。将循环节点的“完成”输出端口注意不是“每次循环”的输出连接到这个代码节点。配置代码节点语言Python。代码这里需要处理循环累积的结果。Coze 工作流中循环节点通常会将其内部所有节点的输出收集为一个列表。我们需要引用这个列表。# 假设循环节点输出的结果列表变量名为 loop_result # 这个列表包含了每次循环中“评估单个标题”LLM节点的输出 evaluations loop_result # 初始化一个用于存储格式化结果的列表 formatted_results [] for idx, eval_json_str in enumerate(evaluations): # 注意LLM节点的输出是字符串我们需要解析JSON import json try: eval_data json.loads(eval_json_str) # 构造一个易读的字符串 result_str f{idx1}. 标题{eval_data.get(title, N/A)}\n result_str f 新颖性{eval_data.get(novelty, N/A)}/5 | result_str f实用性{eval_data.get(utility, N/A)}/5 | result_str f搜索潜力{eval_data.get(search_potential, N/A)}/5 formatted_results.append(result_str) except json.JSONDecodeError: # 如果JSON解析失败记录原始文本 formatted_results.append(f{idx1}. 评估结果解析失败{eval_json_str}) # 将格式化后的列表合并成一个字符串作为最终输出 final_output 基于您提供的主题已生成并评估以下文章标题\n\n \n\n.join(formatted_results) # 将最终结果赋值给输出变量 output final_output输出变量确保output变量被正确输出。配置工作流最终输出点击画布空白处在右侧的“工作流输出”面板点击“添加输出参数”。添加一个参数参数名report类型文本描述生成并评估后的文章标题报告然后将“汇总”代码节点的输出连线连接到工作流输出端口上通常画布底部或右侧有一个代表工作流输出的图标。3.6 完整工作流结构与调试至此你的工作流画布应该类似下图所示的结构[开始] - [生成文章标题 LLM] - [拆分标题 代码] - [循环] | [评估单个标题 LLM] (在循环内) | [汇总 代码] - [工作流输出]在发布前必须进行调试。点击画布右上角的“运行”按钮。在调试面板的输入区为topic参数输入一个测试值例如Docker 容器安全最佳实践。点击“运行测试”。观察右侧的执行轨迹。它会依次点亮每个节点显示其输入和输出。这是排查问题最有效的方式。检查“生成文章标题”节点输出是否是 5 个清晰的标题检查“拆分标题”节点输出的titles列表是否包含 5 个元素点击循环节点展开查看每次循环current_title是否正确内部的评估 LLM 节点是否输出了合法的 JSON 字符串检查“汇总”节点输入的loop_result是否是一个包含 5 个 JSON 字符串的列表最终的output字符串格式是否美观如果任何节点报错显示红色点击该节点查看错误信息。常见错误包括变量名引用错误、JSON 格式不符合预期、代码语法错误等。根据错误信息修正配置或代码。4. 集成工作流并发布智能体工作流测试通过后它还是一个独立的模块需要被智能体调用。4.1 在智能体中启用工作流返回智能体的配置主界面点击左上角智能体名称返回。在“提示词”标签页编写智能体的基础人格提示词。例如你是一个乐于助人的技术写作助手专门帮助开发者和技术博主构思文章主题。 当用户提出一个技术领域或模糊想法时你将启动一个专业的工作流为其生成多个具体的文章标题并从多个维度进行评估。 你的回复应当友好、专业并在最后呈现工作流生成的详细报告。最关键的一步在提示词编辑框的下方或“工作流”标签页找到“关联工作流”的选项。将我们刚刚创建的Generate and Evaluate Titles工作流关联到当前智能体。关联后通常需要配置工作流的触发方式。有两种常见模式自动触发当用户输入匹配某些关键词时自动运行。这需要配置意图识别对新手稍复杂。手动触发在智能体回复时通过点击“插件/工作流”按钮选择运行。我们为了简化可以先在提示词中说明。 在提示词末尾加上“如果您需要我为您生成并评估文章标题请直接告诉我您的技术主题。”4.2 预览与最终测试点击右上角的“预览”按钮在右侧对话栏与你的智能体进行真实对话。输入“你好我需要一些关于微服务架构设计的文章灵感。”观察智能体回复。它应该先根据基础提示词进行友好回应然后你需要手动触发工作流。在 Coze 的预览界面当智能体回复后输入框上方或附近通常会出现可用的工作流或插件图标点击选择我们的工作流。系统可能会提示你输入topic参数输入微服务架构设计并确认。等待工作流执行。完成后智能体会将工作流的输出report作为对话内容返回给你。你应该看到一份格式工整的标题与评估报告。4.3 发布智能体测试无误后就可以发布了。点击右上角的“发布”按钮。Coze 提供了多种发布渠道豆包发布到字节跳动的豆包 App。飞书发布为飞书群聊机器人。微信公众号通过中间件配置。独立网页生成一个可分享的 H5 链接。API获取 API 端点供其他系统调用。选择你需要的渠道例如“独立网页”按照指引完成配置通常只需设置名称和图标。发布成功后你会获得一个链接。任何人打开这个链接就可以与你的智能体对话并使用你搭建的工作流了。5. 常见问题排查与优化建议即使按照教程操作在实际搭建中也可能遇到问题。以下是几个典型场景的排查路径。5.1 工作流执行失败或报错问题现象可能原因检查与解决步骤节点显示红色错误1. 节点配置错误如提示词语法问题2. 输入变量不存在或类型不匹配3. 代码节点存在语法或运行时错误1.点击错误节点查看详情错误信息通常很明确。2.检查连线确保每个节点的输入都来自正确的上游变量。3.检查变量名在提示词或代码中引用变量时确保使用{{变量名}}格式且变量名拼写正确。4.调试代码在代码节点使用print()语句输出中间变量调试信息会在运行日志中显示。工作流运行无结果或结果为空1. LLM 节点输出不符合预期导致下游节点处理失败2. 循环节点未正确接收到列表3. 输出未正确连接1.逐步调试使用“运行测试”功能观察每个节点的输入/输出面板。2.检查 LLM 输出格式如果下游代码节点需要解析 JSON但 LLM 输出了额外文字就会解析失败。需要强化系统提示词如要求“只输出 JSON不要有任何其他文本”。3.验证列表数据在“拆分标题”的代码节点后添加一个“调试”节点或临时用一个 LLM 节点输出titles列表的内容看其结构是否正确。触发工作流后智能体没反应1. 工作流未成功关联到智能体2. 触发条件未满足3. 发布版本未更新1. 在智能体“工作流”标签页确认工作流已关联且处于启用状态。2. 如果设置了关键词自动触发检查用户输入是否匹配。对于新手建议先在预览界面手动触发测试。3. 发布后对智能体配置的修改需要重新发布才能生效。5.2 工作流效果优化LLM 输出不稳定这是最常见的问题。解决方案是使用“固定模式”或“结构化提示”。在需要严格格式输出的 LLM 节点如评估节点在系统提示词中明确要求格式并给出示例。例如“请严格按照以下 JSON 格式输出{\title\: \\, \score\: 0}”。Coze 可能支持“结构化输出”功能允许你定义 JSON Schema强制 LLM 按 schema 输出这比纯文本提示更可靠。处理速度慢循环内调用 LLM 是串行的如果列表很长会非常慢。评估是否真的需要逐个评估。有时可以设计一个提示词让 LLM 一次性评估所有标题并返回一个列表。如果必须循环且列表项很多考虑是否能用更简单的规则如关键词匹配进行初步过滤减少 LLM 调用次数。结果不够精准优化提示词提示词工程是核心。在系统提示词中更详细地描述角色、任务、输出格式和禁忌。可以加入示例Few-shot Learning。引入知识库如果评估需要行业知识可以将相关的市场报告、技术趋势文档上传到 Coze 知识库并在 LLM 节点中启用“引用知识库”选项。使用更专业的插件例如如果“搜索热度”评估想更真实可以尝试集成搜索引擎插件如 SerpAPI来获取真实数据而不是让 LLM 臆测。5.3 从学习到生产的最佳实践输入验证在工作流起始处添加一个“代码”节点或“条件判断”节点对用户输入的topic进行校验。例如检查是否为空、长度是否合理、是否包含不适当内容等。验证失败则直接返回错误提示避免无效调用下游 LLM。错误处理与降级在关键的 LLM 或 API 调用节点后可以接一个“条件判断”节点检查响应是否有效。如果无效如超时、返回空值则走备用分支例如返回一个预设的默认结果或友好错误信息而不是让整个工作流崩溃。成本与性能监控LLM 调用按 Token 计费。在设计工作流时估算每个节点的输入输出长度避免在循环中发送过长的上下文。对于生产环境关注 Coze 平台提供的用量统计优化高消耗节点。版本管理在 Coze 中修改工作流并发布后线上智能体立即生效。对于重要的生产智能体在重大修改前可以复制一份工作流进行测试或者通过“版本”功能如果平台支持进行管理确保能快速回滚。通过以上步骤你不仅完成了一个具体的智能体搭建更重要的是掌握了在 Coze 平台上通过工作流将复杂想法工程化的方法论定义输入、拆解步骤、选择节点、串联逻辑、处理数据、格式化输出。这个模式可以复用到客服助手、数据查询、内容审核、流程审批等无数场景中。接下来你可以尝试为智能体添加更多能力例如让用户从评估结果中选择一个标题然后工作流调用另一个 LLM 节点来生成该标题的文章大纲或者集成一个日历插件将写作计划安排到日程中。