一、核心理论Coze 大模型节点关键知识点1.1 系统提示词 vs 用户提示词最容易混淆Coze 的 LLM 节点将 Prompt 天然分割为两部分分工明确严禁混用系统提示词System Prompt角色定义、任务规则、输出格式、强制约束、禁止行为。全局固定指令优先级最高。适合规定输出 JSON、限制字数、划定行为边界、禁用多余解释。用户提示词User Prompt承载动态业务数据一般引用上游传入变量 {{变量名}}。适合待处理文本、用户原始提问、上游 LLM 输出结果。最佳实践约束全部写在系统提示词动态数据全部放入用户提示词。1.2 LLM 调用参数详解重中之重在 LLM 节点「模型参数 - 自定义」面板配置直接决定输出稳定性也是课程核心考点表格参数 作用 适用场景推荐配置Temperature温度 控制生成随机性、创造性。数值越高模型越放飞更容易偏离指令、产生幻觉。 结构化输出 / 信息提取 / 意图识别0.10.3文案改写、内容摘要0.40.6创意写作、文案脑洞0.70.9Top P核采样 从概率累积靠前的词汇采样。一般不建议和温度同时大幅度调整。 确定性任务0.2~0.4创意任务0.7~0.9最大生成长度 Max Tokens 限制单次输出长度太短会导致内容截断过长浪费资源。 短问答、分类任务512长摘要、文案生成2048 / 4096上下文轮数 是否记忆历史对话消息。 一次性自动化工作流固定填 0多轮对话智能体设置 2~4 轮停止序列 Stop 设置终止标记模型匹配到指定字符立刻停止生成用来截断多余内容。 可选配置例如###、【END】高频踩坑提醒绝大多数自动化工作流提取、判断、结构化输出Temperature 不要高于 0.4高温是模型不遵守 Prompt、乱加注释、破坏 JSON 格式的首要原因。二、实战案例 1文本结构化提取基础线性工作流业务流程开始节点传入原始文本 → LLM 节点提取信息强制输出标准 JSON → 结束节点返回结果链路开始节点 → LLM提取节点 → 结束节点开始节点配置输入变量raw_content字符串待解析文本LLM 大模型节点核心配置系统提示词plaintext你是专业文本提取助手请严格遵守所有规则1. 只输出标准JSON格式禁止增加前言、后语、markdown标记、注释2. 严格基于原文内容禁止编造不存在信息3. 如果原文缺少对应信息字段填空字符串返回JSON固定结构{title:简短标题不超过20字,summary:内容简要概括,tag_list:[关键词1,关键词2,关键词3]}用户提示词plaintext待处理文本{{raw_content}}模型调用参数结构化任务标准方案Temperature0.2Top P0.3最大生成长度1024上下文轮数0结束节点输出变量绑定{{LLM提取节点.output}}编排学习要点线性工作流是所有复杂流程的基础上游变量通过模板语法传入 Prompt依靠低温度保证 JSON 格式稳定方便后续节点解析。三、实战案例 2意图识别 条件分支分支型工作流业务需求接收用户提问先用 LLM 识别意图根据不同意图分流执行不同任务意图枚举translate翻译、summary摘要、other其他问题完整链路开始节点 → LLM意图识别节点 → 条件判断节点 → 多条分支LLM节点 → 结束节点开始节点输入变量question字符串用户输入内容LLM 节点意图识别系统提示词plaintext你是意图分类器只输出JSON不要任何额外文字。可选意图translate、summary、other判定规则用户要求翻译文本 → translate用户要求概括、总结文本 → summary其余全部归类为 other输出格式{intent:识别出的意图值}用户提示词plaintext用户输入{{question}}调用参数分类任务追求极致稳定Temperature0.1Top P0.2最大生成长度512上下文轮数0条件判断节点判断表达式{{意图识别.output.intent}}分支 1等于 translate → 进入【翻译 LLM 节点】分支 2等于 summary → 进入【摘要 LLM 节点】分支 3等于 other → 进入兜底回复节点分支内 LLM 示例翻译节点系统提示词你是中英翻译助手直接返回译文不要多余描述。用户提示词{{question}}参数Temperature0.3编排学习要点LLM 输出结构化数据后可以被条件节点读取实现流程分支一条工作流中可以存在多个 LLM 节点每个 LLM 节点独立配置提示词、独立设置模型参数互不影响分支编排可以模拟简单业务逻辑是搭建复杂 AI 自动化工具的核心能力。四、实战案例 3链式多级任务上下游 LLM 数据传递业务流程长文本先进行摘要LLM1再将摘要结果传入第二个大模型进行文案润色LLM2链路开始节点 → LLM文本摘要 → LLM文案润色 → 结束节点重点演示将上一个 LLM 的输出作为下一个 LLM 的输入变量开始节点入参article 原始长文本LLM1【文本摘要】系统提示词对原文进行精简总结保留全部核心信息控制在 180 字以内语言通顺。用户提示词原文内容{{article}}参数Temperature0.4MaxTokens1024LLM2【文案润色】系统提示词plaintext你是文案优化师基于给到的摘要文本优化语句1. 逻辑通顺、语言精炼2. 不改变原有核心信息3. 不额外扩充无关内容。用户提示词plaintext待优化摘要内容{{文本摘要.output}}参数Temperature0.5编排学习要点工作流支持多级 LLM 串联实现分步处理复杂任务上游节点输出可以直接被下游 Prompt 引用形成流水线 AI 任务。五、Coze 工作流学习总结 最佳实践1. 提示词通用规范约束规则全部写入系统提示词动态数据放在用户提示词需要结构化输出时强制写明完整 JSON 样例明确限制禁止行为禁止多余解释、禁止编造信息。2. 模型参数通用准则分类、提取、数据解析Temperature ≤0.3改写、摘要Temperature 0.4~0.6创意生成Temperature 0.7~0.9一次性自动化工作流上下文轮数统一设置为 03. 工作流编排思路先梳理输入、最终输出拆解任务步骤判断是线性执行还是需要分支判断优先保证 LLM 节点输出格式稳定再搭建节点流转逻辑每个大模型节点独立调试 Prompt 与参数再整体联调第一步就是在扣子里面搭建我们工作室然后添加节点在节点里面写好提示词比如{角色任务要求限制}最后一起安装顺序连接运行