你是不是也刷到过那些“体验人生副本”的短视频一个普通人通过AI生成不同职业、不同人生的“平行宇宙”形象配上励志文案短短几十秒就能收获数万点赞。这类内容在抖音、小红书等平台正成为流量密码但背后的制作过程却让很多人望而却步难道要一个个手动生成图片、写文案、剪辑其实一个高效的自动化工作流就能解决所有问题。今天要介绍的就是如何利用字节跳动旗下的AI Bot开发平台——Coze扣子搭建一个全自动的“人生副本”短视频生成流水线。这个工作流不仅能帮你一键生成从文案、图片到视频封面的全套素材更能实现定时发布、多平台同步真正解放双手。本文将为你拆解这个爆款内容背后的完整技术实现。你将学到的不只是一个“玩具”项目而是一个可复用的、基于AI Agent和工作流的自动化内容创作框架。无论你是想探索AI应用落地的开发者还是希望提升内容生产效率的自媒体从业者这篇文章都将提供从核心原理到一行行代码配置的完整指南。1. 核心痛点为什么你需要一个自动化内容工作流在深入技术细节之前我们先明确要解决的三个核心问题效率瓶颈手动创作“人生副本”类内容需要反复在AI绘画工具如Midjourney、Stable Diffusion、文案生成工具如ChatGPT和视频剪辑软件之间切换。生成一个视频可能需要10-15分钟难以规模化。内容一致性手动操作容易导致风格、色调、文案格式不统一影响账号的专业度和粉丝体验。运营负担即使内容生产出来定时发布、多平台分发、数据统计依然是沉重的运营负担。Coze工作流的价值正在于此它将离散的AI能力文生图、文案生成和操作下载图片、合成视频串联成一个自动化管道。你只需要定义一个“人生主题”如“如果我是外科医生”工作流就能自动完成“生成文案 - 生成图片 - 下载素材 - 合成视频 - 准备发布”的全过程。更重要的是Coze平台本身集成了定时触发、条件判断、异常处理等能力使得这个流水线可以7x24小时无人值守运行。这才是“发布58条作品涨粉18万”背后的真正生产力引擎。2. Coze 与工作流重新定义AI应用开发在开始搭建前有必要理解两个核心概念Coze平台和工作流Workflow。Coze扣子是什么 Coze是字节跳动推出的AI Bot开发平台。你可以把它理解为一个“乐高积木”工厂。工厂本身Coze平台提供了各种基础的“积木块”这些积木块就是技能Skills和插件Plugins比如大语言模型LLM如豆包、GPT-4负责理解和生成文本。文生图模型如DALL·E 3、Stable Diffusion负责根据描述生成图片。知识库RAG让你能上传自己的文档如产品手册、行业报告让Bot基于特定知识回答问题。代码解释器可以执行Python代码进行数据处理、计算等。第三方插件连接外部API如获取天气、搜索新闻、发送邮件等。你的任务不是从零制造积木而是用这些现成的积木搭建出你想要的“作品”——也就是智能体Bot或工作流。**工作流Workflow**又是什么 如果说智能体Bot是一个能和你对话的“虚拟员工”那么工作流就是这个员工体内一套标准化的“自动化流水线”。它通过可视化的方式将多个“积木”节点按照逻辑顺序连接起来。一个工作流通常包含开始节点触发工作流的方式如手动触发、定时触发、API调用。处理节点执行具体任务的单元如调用LLM、调用文生图、执行代码、判断条件。结束节点输出最终结果。对于“人生副本”项目我们将搭建的工作流逻辑如下[开始] - [生成随机人生主题] - [LLM生成文案] - [文生图模型生成图片] - [代码节点下载图片] - [代码节点合成视频] - [结束/输出素材]这个逻辑链条就是我们在Coze画布上要实现的。3. 环境与账号准备开始搭建前你需要准备好以下环境Coze平台账号访问 Coze官网 或下载Coze App使用手机号或邮箱注册即可。国内网络可直接访问。新账号会赠送一定的免费额度足够进行本教程的实践和测试。基础概念理解工作区Coze中的项目空间你创建的工作流和Bot都在工作区内。BOT即智能体是工作流的载体。我们将在BOT里创建并运行工作流。技能/插件在创建节点时从市场添加的功能模块。可选视频素材准备本教程核心是生成图片和文案视频合成采用简单的“图片背景音乐”模式。你可以准备一段无版权的纯音乐作为背景音。更高级的玩法可以集成字幕生成、语音合成TTS但为简化流程本文先聚焦于核心的图文生成与拼接。4. 第一步创建BOT与初始化工作流我们的所有操作都将在一个BOT中完成。登录Coze进入控制台。点击“创建BOT”为其命名例如“人生副本生成器”。在BOT编辑界面找到左侧菜单栏的“工作流”选项卡点击“创建工作流”。为工作流命名如“自动生成人生副本视频”。现在你会看到一个空白的画布中间有一个绿色的“开始”节点。这就是我们自动化流水线的起点。5. 核心流程拆解与节点配置我们将把总流程分解为6个核心节点逐一配置。5.1 节点一开始节点与输入参数“开始”节点决定了工作流如何被触发。我们配置为“手动触发”并定义一个人工输入的参数。点击画布上的“开始”节点。在右侧面板触发方式选择“手动触发”。在“输入参数”区域点击“添加参数”。参数名profession_seed职业种子变量名profession_seed描述输入一个职业或人生状态的关键词用于生成主题例如“宇航员”、“流浪诗人”、“CEO”。类型字符串String是否必填是这个参数允许我们在每次运行工作流时灵活指定一个方向让AI围绕这个方向展开想象。5.2 节点二生成随机化的人生主题虽然我们可以输入一个种子但为了内容多样性我们可以让AI基于种子衍生出更具体、更吸引人的主题。这里我们使用“LLM”节点。从左侧节点库中拖拽一个“LLM”节点到画布连接到“开始”节点之后。配置LLM节点模型选择选择“豆包”或“GPT-4”等你熟悉的模型。豆包对于中文场景优化很好且成本较低。系统提示词System Prompt这里写入指令定义AI的角色和任务。你是一个短视频爆款文案策划专家。请根据用户提供的一个职业或状态关键词构思一个“体验人生副本”的短视频主题。 主题需要具体、有画面感、能引发共鸣并包含一个鲜明的对比或转折。 输出格式必须严格遵循以下JSON格式 { “theme”: “生成的具体主题名称例如凌晨三点的手术室我握住了生命的重量”, “profession”: “对应的职业例如外科医生”, “scene_description”: “用于AI绘画的详细场景描述包含环境、人物动作、光影、氛围。例如一位年轻的外科医生在无影灯下全神贯注地进行手术额头有细密的汗珠眼神坚定而疲惫背景是深夜安静的医院走廊色调偏冷但有手术灯的暖光聚焦。” } 只输出JSON不要有任何其他解释。用户提示词User Prompt请根据这个种子构思主题{{profession_seed}}注意{{profession_seed}}会自动引用上一个节点输出的变量这里即开始节点的输入参数。这个节点的作用是将我们输入的简单关键词如“医生”转化为一个富有感染力的具体主题和一张可供绘画模型使用的“需求说明书”scene_description。5.3 节点三调用文生图模型生成场景图有了详细的场景描述接下来就是生成配图。使用“文生图”节点。拖拽一个“文生图”节点到画布连接到LLM节点之后。配置文生图节点模型选择推荐使用“DALL·E 3”或“Stable Diffusion”。DALL·E 3在理解复杂提示词和生成高质量图像方面表现更稳定。提示词{{$last.llm.scene_description}}这是引用上一个LLM节点输出结果中的scene_description字段。$last指上一个节点llm是节点别名默认可能是llm_1你可以在节点设置中查看和修改别名。图片尺寸选择16:9(适用于横屏视频) 或9:16(适用于抖音/小红书竖屏视频)。根据你的发布平台决定。图片数量生成1张即可。至此核心的创意内容文案和图片已经由AI自动生成。接下来我们需要处理这些数字资产。5.4 节点四处理与下载图片数据文生图节点输出的通常是一个图片URL或Base64编码的数据。我们需要将其转换为可用的文件。这里需要用到“代码”节点。拖拽一个“代码”节点到画布连接到文生图节点之后。选择编程语言为“Python”。在代码编辑器中写入以下代码import requests import base64 import json from io import BytesIO def main(input_data): # 假设文生图节点输出的结果在 input_data[‘image_node’] 中 # 具体结构需要根据实际运行一次工作流查看输入数据来确定 # 通常图片数据可能在 ‘image_url’ 或 ‘image_data’ 字段 image_info input_data.get(‘text_to_image_1’, {}) # ‘text_to_image_1’ 是文生图节点的默认别名请根据实际情况修改 image_url image_info.get(‘image_url’) image_b64 image_info.get(‘image_data’) # 如果是base64 image_bytes None file_name “generated_scene.jpg” # 情况1从URL下载 if image_url: response requests.get(image_url) response.raise_for_status() # 检查请求是否成功 image_bytes response.content # 情况2从Base64解码 elif image_b64: # 有时返回的base64可能带有前缀如 ‘data:image/png;base64,’需要剥离 if ‘,’ in image_b64: image_b64 image_b64.split(‘,’)[1] image_bytes base64.b64decode(image_b64) else: raise ValueError(“未在输入数据中找到图片URL或Base64数据”) # 将图片字节数据转换为Base64以便在工作流中传递给下一个节点 # Coze工作流中节点间传递二进制文件通常使用Base64 image_b64_for_next base64.b64encode(image_bytes).decode(‘utf-8’) # 同时我们也可以把图片的一些元信息传递下去比如文件名 output { “image_base64”: image_b64_for_next, “image_filename”: file_name, “image_format”: “jpg” } return output关键解释这段代码的核心目的是获取图片的二进制数据并将其编码为Base64字符串。因为在工作流中直接传递二进制文件流比较复杂Base64是通用的中间格式。input_data.get(‘text_to_image_1’, {})中的‘text_to_image_1’是关键它必须与你画布上文生图节点的别名一致。请务必检查并修改。代码包含了从URL下载和从Base64解码两种常见情况的处理增强了鲁棒性。输出是一个包含Base64字符串和文件名的字典供下一个节点使用。5.5 节点五合成最终视频这是将图片、文案、背景音乐合成短视频的关键步骤。我们继续使用“代码”节点利用Python的moviepy库。再拖拽一个“代码”节点到画布连接到上一个代码节点之后。选择“Python”。在代码编辑器中写入以下视频合成代码import base64 import json from io import BytesIO from datetime import datetime # MoviePy 是Coze代码环境预装的库可以直接导入 from moviepy.editor import ImageClip, concatenate_videoclips, AudioFileClip, CompositeVideoClip, TextClip from moviepy.config import change_settings # 如果遇到字体问题可以尝试设置ImageMagick路径Coze环境可能已配置 # change_settings({“IMAGEMAGICK_BINARY”: “/usr/bin/convert”}) def main(input_data): # 接收来自上一个节点的数据 prev_code_output input_data.get(‘code_1’, {}) # ‘code_1’ 是上一个代码节点的别名请修改 image_b64 prev_code_output.get(‘image_base64’) image_filename prev_code_output.get(‘image_filename’, ‘scene.jpg’) # 接收来自更早的LLM节点的文案数据 llm_output input_data.get(‘llm_1’, {}) # ‘llm_1’ 是LLM节点的别名请修改 theme llm_output.get(‘theme’, ‘人生副本’) profession llm_output.get(‘profession’, ‘未知职业’) if not image_b64: raise ValueError(“未获取到图片数据”) # 1. 解码Base64图片创建ImageClip image_data base64.b64decode(image_b64) image_stream BytesIO(image_data) # 使用临时文件方式加载图片moviepy的ImageClip支持文件路径或numpy数组 # 这里我们先将字节流保存为临时文件在Coze环境中/tmp目录通常可写 temp_image_path f“/tmp/{image_filename}” with open(temp_image_path, ‘wb’) as f: f.write(image_data) # 创建图片剪辑设置持续时间例如5秒 image_clip ImageClip(temp_image_path, duration5) # 2. 创建文字剪辑字幕 # 合成文案 text_content f“#体验人生副本\n\n如果我是{profession}\n{theme}” # 创建TextClip。注意Coze环境可能字体有限使用简单字体 try: txt_clip TextClip(text_content, fontsize40, color‘white’, font‘Arial’, sizeimage_clip.size, method‘caption’) txt_clip txt_clip.set_position(‘center’).set_duration(5).crossfadein(0.5).crossfadeout(0.5) except Exception as e: print(f“创建文字剪辑失败使用备用方案: {e}”) # 备用方案生成一个简单的纯图片视频 txt_clip None # 3. 可选加载背景音乐 # 假设你已将一段MP3音频以Base64形式上传并存储在工作流变量或知识库中这里演示从输入获取 # bgm_b64 input_data.get(‘bgm_base64’, None) # if bgm_b64: # bgm_data base64.b64decode(bgm_b64) # temp_audio_path “/tmp/bgm.mp3” # with open(temp_audio_path, ‘wb’) as f: # f.write(bgm_data) # audio_clip AudioFileClip(temp_audio_path) # # 裁剪或循环音频以适应视频长度 # audio_clip audio_clip.subclip(0, 5) # else: # audio_clip None # 为简化本次不添加背景音乐使用静音 audio_clip None # 4. 合成最终视频 if txt_clip: # 将文字叠加到图片上 video CompositeVideoClip([image_clip, txt_clip]) else: video image_clip if audio_clip: video video.set_audio(audio_clip) # 5. 输出视频到临时文件并编码为Base64 output_video_path “/tmp/final_video.mp4” video.write_videofile(output_video_path, fps24, codec‘libx264’, audio_codec‘aac’ if audio_clip else None) with open(output_video_path, ‘rb’) as f: video_bytes f.read() video_b64 base64.b64encode(video_bytes).decode(‘utf-8’) # 6. 整理输出 output { “video_base64”: video_b64, “video_filename”: f“人生副本_{profession}_{datetime.now().strftime(‘%Y%m%d_%H%M%S’)}.mp4”, “theme”: theme, “profession”: profession, “scene_description”: llm_output.get(‘scene_description’, ‘’) } return output关键解释与注意事项依赖库moviepy是视频处理的核心库Coze的代码节点环境通常已预装。如果没有可在代码开头尝试!pip install moviepy但Coze环境可能限制安装。字体问题在无头服务器环境中TextClip可能因字体缺失而报错。代码中加入了try-except作为降级方案。更稳妥的做法是使用PILPython Imaging Library先将文字绘制到图片上再生成视频但这会增加代码复杂度。本示例提供了基础框架。音频处理代码中注释掉了背景音乐部分。你可以准备一段无版权音乐的Base64编码通过工作流变量或知识库传入。性能视频生成是计算密集型任务在Coze的免费额度下注意视频时长和分辨率不宜过大。5秒、720p是安全的起点。节点别名再次强调input_data.get(‘llm_1’, {})和input_data.get(‘code_1’, {})中的llm_1、code_1必须替换为你画布上对应节点的实际别名。5.6 节点六结束节点与结果输出最后我们需要将生成的视频和文案信息输出。将最后一个代码节点连接到绿色的“结束”节点。点击“结束”节点在右侧面板的“输出参数”区域你可以定义最终返回给用户的数据。系统通常会根据上一个节点的输出自动生成参数。确保包含了video_base64、video_filename、theme等关键字段。你可以在“回复模板”中设计最终呈现给用户的信息例如人生副本视频生成成功 主题{{theme}} 职业{{profession}} 视频文件{{video_filename}} Base64数据已就绪可下载或进一步处理{{}}内的变量会自动从上游节点填充。6. 运行测试与效果验证工作流配置完成后必须进行测试。保存工作流点击画布右上角的“保存”按钮。运行测试点击画布右上角的“运行”按钮。在弹出的窗口中为profession_seed输入参数输入一个值例如“街头画家”。点击“运行”。查看运行过程画布上每个节点会依次亮起显示“运行中”或“成功”。点击任何一个节点可以在右侧面板查看该节点的“输入”和“输出”数据。这是调试最关键的一步重点检查LLM节点输出是否是一个合法的JSONtheme和scene_description字段内容是否优质文生图节点输出image_url或image_data字段是否存在图片是否生成成功第一个代码节点输出image_base64字段是否是一个很长的字符串第二个代码节点视频合成输出video_base64是否存在是否有错误日志获取结果运行结束后查看“结束”节点的输出。你应该能看到定义好的回复模板其中包含了主题、职业和视频文件名。video_base64这个字段包含了视频文件的Base64编码。在真实应用中你需要另一个步骤如下载到本地、上传到云存储或直接发布到平台来处理它。在Coze工作流测试界面你可以复制这个Base64字符串通过在线工具解码为MP4文件查看。如何验证成功流程成功所有节点显示绿色“成功”状态无红色报错。内容质量LLM生成的文案有吸引力文生图生成的图片符合描述。视频可播放将输出的Base64字符串以data:video/mp4;base64,开头通过在线Base64转文件工具解码后得到一个可播放的、带有文字叠加的短视频。7. 常见问题与排查思路在搭建和运行过程中你可能会遇到以下问题问题现象可能原因排查方式解决方案LLM节点输出不是JSON格式系统提示词指令不清晰或LLM未遵循指令。检查LLM节点的“输出”内容看是否是纯文本而非JSON。强化系统提示词明确要求“只输出JSON”。在用户提示词中也可再次强调。使用“代码”节点对输出进行JSON解析和校验失败则重试或返回错误。文生图节点失败提示“内容违规”生成的场景描述scene_description可能包含敏感或不被允许的内容。检查LLM生成的scene_description字段。在LLM的系统提示词中加入限制如“避免任何暴力、血腥、政治敏感或成人内容”。或在工作流中加入“条件判断”节点过滤掉可能违规的描述。代码节点报错ModuleNotFoundError: No module named ‘moviepy’Coze代码环境未安装moviepy库。查看代码节点的错误日志。尝试在代码开头添加安装命令import subprocess; subprocess.check_call([‘pip’, ‘install’, ‘moviepy’])。如果环境不允许安装考虑简化流程只输出图片和文案视频合成放在外部服务器进行。视频合成节点报错关于字体服务器环境缺少中文字体TextClip无法创建。查看错误日志通常包含“findfont”等关键字。1.降级方案使用try-except失败时生成无字幕视频。2.进阶方案使用PIL库将文字绘制到图片上先将Base64图片解码为PIL Image对象用ImageDraw绘制文字再保存为新图片然后用这张新图片生成视频。工作流运行超时流程太复杂或某个节点如文生图、视频合成耗时过长。Coze平台会有超时提示。优化流程减少文生图数量1张缩短视频时长3-5秒。将耗时最长的视频合成步骤考虑通过调用外部API如FFmpeg服务异步处理。如何自动发布到抖音/小红书Coze工作流本身不直接集成国内短视频平台发布API。平台API通常需要企业资质和复杂的OAuth认证。折中方案工作流输出视频Base64和文案后通过“Webhook”节点或“插件”节点调用一个你自己搭建的中转服务器。这个服务器负责接收数据将Base64解码成文件然后通过模拟操作需谨慎可能违反平台规则或官方开放API如有进行发布。更合规的做法是输出到云存储如阿里云OSS、腾讯云COS然后人工或通过其他合规工具进行发布。8. 进阶优化与最佳实践一个能稳定运行的生产级工作流还需要考虑以下几点加入异常处理与重试机制在关键节点如LLM、文生图后添加“条件判断”节点。例如判断LLM输出是否为合法JSON如果不是则跳转到重试分支或结束并报错。利用Coze工作流的“重试”功能对可能临时失败的API调用如图片生成设置自动重试1-2次。内容多样化与质量控制主题库不要只依赖一个种子词。可以创建一个“职业种子池”文本变量在开始时用“代码”节点随机选取一个。文案风格化在LLM系统提示词中定义多种文案风格如“励志鸡汤体”、“冷静叙事体”、“幽默反差体”并随机选择。图片风格统一在文生图节点的提示词中加入统一的风格化后缀如“cinematic lighting, photorealistic, 8k”以保证所有生成图片质感一致。实现定时自动运行在BOT的“发布”设置中可以找到“定时任务”功能。你可以设置这个工作流每天定时运行几次每次运行传入不同的随机种子。这样就能实现真正的“无人值守”内容生产。资产管理与归档生成的视频Base64数据很大不适合长期存储在工作流运行记录中。最佳实践是在视频合成后通过“代码”节点调用云存储服务如阿里云OSS、腾讯云COS的SDK将视频文件直接上传并返回文件URL。将URL和文案一起存储到数据库或Notion、Airtable等在线表格中便于管理。安全与合规底线内容审核在最终输出前可以添加一个“内容安全”节点调用内容审核API许多云服务商提供对生成的文案和图片进行过滤确保无违规内容。版权声明在视频的角落添加“AI生成”等字样避免争议。平台规则严格遵守目标发布平台抖音、小红书等的社区规定了解其对AI生成内容的标注要求。9. 总结从工作流到可持续的内容资产通过以上步骤我们不仅搭建了一个“人生副本”视频生成器更掌握了一套基于Coze的AI自动化内容生产范式。这个范式的核心是将创意策划LLM、视觉生成文生图、工程处理代码无缝衔接。你可以轻易地将此工作流改造成其他内容生产线生成AI壁纸修改提示词批量生成不同主题的高清壁纸。生成营销海报LLM生成广告语文生图生成背景代码节点叠加Logo和二维码。自动生成产品说明图连接知识库RAG让LLM根据产品手册生成卖点文案再配图。Coze工作流的强大之处在于其可视化与代码能力的结合。对于简单的逻辑拖拽节点即可完成对于复杂的定制需求如图片视频处理、调用特定API又能通过Python代码节点灵活实现。最后提醒技术的目的是增效而非完全取代人性。这个工作流产出的内容是“原料”真正能打动用户的依然是你基于这些原料进行的筛选、编排和注入的独特见解。现在就去Coze平台启动你的第一条自动化内容流水线吧。建议收藏本文在搭建过程中遇到的具体问题可随时回溯对应章节进行排查。 基于Coze工作流打造AI自动化内容生产线：从原理到实践
你是不是也刷到过那些“体验人生副本”的短视频一个普通人通过AI生成不同职业、不同人生的“平行宇宙”形象配上励志文案短短几十秒就能收获数万点赞。这类内容在抖音、小红书等平台正成为流量密码但背后的制作过程却让很多人望而却步难道要一个个手动生成图片、写文案、剪辑其实一个高效的自动化工作流就能解决所有问题。今天要介绍的就是如何利用字节跳动旗下的AI Bot开发平台——Coze扣子搭建一个全自动的“人生副本”短视频生成流水线。这个工作流不仅能帮你一键生成从文案、图片到视频封面的全套素材更能实现定时发布、多平台同步真正解放双手。本文将为你拆解这个爆款内容背后的完整技术实现。你将学到的不只是一个“玩具”项目而是一个可复用的、基于AI Agent和工作流的自动化内容创作框架。无论你是想探索AI应用落地的开发者还是希望提升内容生产效率的自媒体从业者这篇文章都将提供从核心原理到一行行代码配置的完整指南。1. 核心痛点为什么你需要一个自动化内容工作流在深入技术细节之前我们先明确要解决的三个核心问题效率瓶颈手动创作“人生副本”类内容需要反复在AI绘画工具如Midjourney、Stable Diffusion、文案生成工具如ChatGPT和视频剪辑软件之间切换。生成一个视频可能需要10-15分钟难以规模化。内容一致性手动操作容易导致风格、色调、文案格式不统一影响账号的专业度和粉丝体验。运营负担即使内容生产出来定时发布、多平台分发、数据统计依然是沉重的运营负担。Coze工作流的价值正在于此它将离散的AI能力文生图、文案生成和操作下载图片、合成视频串联成一个自动化管道。你只需要定义一个“人生主题”如“如果我是外科医生”工作流就能自动完成“生成文案 - 生成图片 - 下载素材 - 合成视频 - 准备发布”的全过程。更重要的是Coze平台本身集成了定时触发、条件判断、异常处理等能力使得这个流水线可以7x24小时无人值守运行。这才是“发布58条作品涨粉18万”背后的真正生产力引擎。2. Coze 与工作流重新定义AI应用开发在开始搭建前有必要理解两个核心概念Coze平台和工作流Workflow。Coze扣子是什么 Coze是字节跳动推出的AI Bot开发平台。你可以把它理解为一个“乐高积木”工厂。工厂本身Coze平台提供了各种基础的“积木块”这些积木块就是技能Skills和插件Plugins比如大语言模型LLM如豆包、GPT-4负责理解和生成文本。文生图模型如DALL·E 3、Stable Diffusion负责根据描述生成图片。知识库RAG让你能上传自己的文档如产品手册、行业报告让Bot基于特定知识回答问题。代码解释器可以执行Python代码进行数据处理、计算等。第三方插件连接外部API如获取天气、搜索新闻、发送邮件等。你的任务不是从零制造积木而是用这些现成的积木搭建出你想要的“作品”——也就是智能体Bot或工作流。**工作流Workflow**又是什么 如果说智能体Bot是一个能和你对话的“虚拟员工”那么工作流就是这个员工体内一套标准化的“自动化流水线”。它通过可视化的方式将多个“积木”节点按照逻辑顺序连接起来。一个工作流通常包含开始节点触发工作流的方式如手动触发、定时触发、API调用。处理节点执行具体任务的单元如调用LLM、调用文生图、执行代码、判断条件。结束节点输出最终结果。对于“人生副本”项目我们将搭建的工作流逻辑如下[开始] - [生成随机人生主题] - [LLM生成文案] - [文生图模型生成图片] - [代码节点下载图片] - [代码节点合成视频] - [结束/输出素材]这个逻辑链条就是我们在Coze画布上要实现的。3. 环境与账号准备开始搭建前你需要准备好以下环境Coze平台账号访问 Coze官网 或下载Coze App使用手机号或邮箱注册即可。国内网络可直接访问。新账号会赠送一定的免费额度足够进行本教程的实践和测试。基础概念理解工作区Coze中的项目空间你创建的工作流和Bot都在工作区内。BOT即智能体是工作流的载体。我们将在BOT里创建并运行工作流。技能/插件在创建节点时从市场添加的功能模块。可选视频素材准备本教程核心是生成图片和文案视频合成采用简单的“图片背景音乐”模式。你可以准备一段无版权的纯音乐作为背景音。更高级的玩法可以集成字幕生成、语音合成TTS但为简化流程本文先聚焦于核心的图文生成与拼接。4. 第一步创建BOT与初始化工作流我们的所有操作都将在一个BOT中完成。登录Coze进入控制台。点击“创建BOT”为其命名例如“人生副本生成器”。在BOT编辑界面找到左侧菜单栏的“工作流”选项卡点击“创建工作流”。为工作流命名如“自动生成人生副本视频”。现在你会看到一个空白的画布中间有一个绿色的“开始”节点。这就是我们自动化流水线的起点。5. 核心流程拆解与节点配置我们将把总流程分解为6个核心节点逐一配置。5.1 节点一开始节点与输入参数“开始”节点决定了工作流如何被触发。我们配置为“手动触发”并定义一个人工输入的参数。点击画布上的“开始”节点。在右侧面板触发方式选择“手动触发”。在“输入参数”区域点击“添加参数”。参数名profession_seed职业种子变量名profession_seed描述输入一个职业或人生状态的关键词用于生成主题例如“宇航员”、“流浪诗人”、“CEO”。类型字符串String是否必填是这个参数允许我们在每次运行工作流时灵活指定一个方向让AI围绕这个方向展开想象。5.2 节点二生成随机化的人生主题虽然我们可以输入一个种子但为了内容多样性我们可以让AI基于种子衍生出更具体、更吸引人的主题。这里我们使用“LLM”节点。从左侧节点库中拖拽一个“LLM”节点到画布连接到“开始”节点之后。配置LLM节点模型选择选择“豆包”或“GPT-4”等你熟悉的模型。豆包对于中文场景优化很好且成本较低。系统提示词System Prompt这里写入指令定义AI的角色和任务。你是一个短视频爆款文案策划专家。请根据用户提供的一个职业或状态关键词构思一个“体验人生副本”的短视频主题。 主题需要具体、有画面感、能引发共鸣并包含一个鲜明的对比或转折。 输出格式必须严格遵循以下JSON格式 { “theme”: “生成的具体主题名称例如凌晨三点的手术室我握住了生命的重量”, “profession”: “对应的职业例如外科医生”, “scene_description”: “用于AI绘画的详细场景描述包含环境、人物动作、光影、氛围。例如一位年轻的外科医生在无影灯下全神贯注地进行手术额头有细密的汗珠眼神坚定而疲惫背景是深夜安静的医院走廊色调偏冷但有手术灯的暖光聚焦。” } 只输出JSON不要有任何其他解释。用户提示词User Prompt请根据这个种子构思主题{{profession_seed}}注意{{profession_seed}}会自动引用上一个节点输出的变量这里即开始节点的输入参数。这个节点的作用是将我们输入的简单关键词如“医生”转化为一个富有感染力的具体主题和一张可供绘画模型使用的“需求说明书”scene_description。5.3 节点三调用文生图模型生成场景图有了详细的场景描述接下来就是生成配图。使用“文生图”节点。拖拽一个“文生图”节点到画布连接到LLM节点之后。配置文生图节点模型选择推荐使用“DALL·E 3”或“Stable Diffusion”。DALL·E 3在理解复杂提示词和生成高质量图像方面表现更稳定。提示词{{$last.llm.scene_description}}这是引用上一个LLM节点输出结果中的scene_description字段。$last指上一个节点llm是节点别名默认可能是llm_1你可以在节点设置中查看和修改别名。图片尺寸选择16:9(适用于横屏视频) 或9:16(适用于抖音/小红书竖屏视频)。根据你的发布平台决定。图片数量生成1张即可。至此核心的创意内容文案和图片已经由AI自动生成。接下来我们需要处理这些数字资产。5.4 节点四处理与下载图片数据文生图节点输出的通常是一个图片URL或Base64编码的数据。我们需要将其转换为可用的文件。这里需要用到“代码”节点。拖拽一个“代码”节点到画布连接到文生图节点之后。选择编程语言为“Python”。在代码编辑器中写入以下代码import requests import base64 import json from io import BytesIO def main(input_data): # 假设文生图节点输出的结果在 input_data[‘image_node’] 中 # 具体结构需要根据实际运行一次工作流查看输入数据来确定 # 通常图片数据可能在 ‘image_url’ 或 ‘image_data’ 字段 image_info input_data.get(‘text_to_image_1’, {}) # ‘text_to_image_1’ 是文生图节点的默认别名请根据实际情况修改 image_url image_info.get(‘image_url’) image_b64 image_info.get(‘image_data’) # 如果是base64 image_bytes None file_name “generated_scene.jpg” # 情况1从URL下载 if image_url: response requests.get(image_url) response.raise_for_status() # 检查请求是否成功 image_bytes response.content # 情况2从Base64解码 elif image_b64: # 有时返回的base64可能带有前缀如 ‘data:image/png;base64,’需要剥离 if ‘,’ in image_b64: image_b64 image_b64.split(‘,’)[1] image_bytes base64.b64decode(image_b64) else: raise ValueError(“未在输入数据中找到图片URL或Base64数据”) # 将图片字节数据转换为Base64以便在工作流中传递给下一个节点 # Coze工作流中节点间传递二进制文件通常使用Base64 image_b64_for_next base64.b64encode(image_bytes).decode(‘utf-8’) # 同时我们也可以把图片的一些元信息传递下去比如文件名 output { “image_base64”: image_b64_for_next, “image_filename”: file_name, “image_format”: “jpg” } return output关键解释这段代码的核心目的是获取图片的二进制数据并将其编码为Base64字符串。因为在工作流中直接传递二进制文件流比较复杂Base64是通用的中间格式。input_data.get(‘text_to_image_1’, {})中的‘text_to_image_1’是关键它必须与你画布上文生图节点的别名一致。请务必检查并修改。代码包含了从URL下载和从Base64解码两种常见情况的处理增强了鲁棒性。输出是一个包含Base64字符串和文件名的字典供下一个节点使用。5.5 节点五合成最终视频这是将图片、文案、背景音乐合成短视频的关键步骤。我们继续使用“代码”节点利用Python的moviepy库。再拖拽一个“代码”节点到画布连接到上一个代码节点之后。选择“Python”。在代码编辑器中写入以下视频合成代码import base64 import json from io import BytesIO from datetime import datetime # MoviePy 是Coze代码环境预装的库可以直接导入 from moviepy.editor import ImageClip, concatenate_videoclips, AudioFileClip, CompositeVideoClip, TextClip from moviepy.config import change_settings # 如果遇到字体问题可以尝试设置ImageMagick路径Coze环境可能已配置 # change_settings({“IMAGEMAGICK_BINARY”: “/usr/bin/convert”}) def main(input_data): # 接收来自上一个节点的数据 prev_code_output input_data.get(‘code_1’, {}) # ‘code_1’ 是上一个代码节点的别名请修改 image_b64 prev_code_output.get(‘image_base64’) image_filename prev_code_output.get(‘image_filename’, ‘scene.jpg’) # 接收来自更早的LLM节点的文案数据 llm_output input_data.get(‘llm_1’, {}) # ‘llm_1’ 是LLM节点的别名请修改 theme llm_output.get(‘theme’, ‘人生副本’) profession llm_output.get(‘profession’, ‘未知职业’) if not image_b64: raise ValueError(“未获取到图片数据”) # 1. 解码Base64图片创建ImageClip image_data base64.b64decode(image_b64) image_stream BytesIO(image_data) # 使用临时文件方式加载图片moviepy的ImageClip支持文件路径或numpy数组 # 这里我们先将字节流保存为临时文件在Coze环境中/tmp目录通常可写 temp_image_path f“/tmp/{image_filename}” with open(temp_image_path, ‘wb’) as f: f.write(image_data) # 创建图片剪辑设置持续时间例如5秒 image_clip ImageClip(temp_image_path, duration5) # 2. 创建文字剪辑字幕 # 合成文案 text_content f“#体验人生副本\n\n如果我是{profession}\n{theme}” # 创建TextClip。注意Coze环境可能字体有限使用简单字体 try: txt_clip TextClip(text_content, fontsize40, color‘white’, font‘Arial’, sizeimage_clip.size, method‘caption’) txt_clip txt_clip.set_position(‘center’).set_duration(5).crossfadein(0.5).crossfadeout(0.5) except Exception as e: print(f“创建文字剪辑失败使用备用方案: {e}”) # 备用方案生成一个简单的纯图片视频 txt_clip None # 3. 可选加载背景音乐 # 假设你已将一段MP3音频以Base64形式上传并存储在工作流变量或知识库中这里演示从输入获取 # bgm_b64 input_data.get(‘bgm_base64’, None) # if bgm_b64: # bgm_data base64.b64decode(bgm_b64) # temp_audio_path “/tmp/bgm.mp3” # with open(temp_audio_path, ‘wb’) as f: # f.write(bgm_data) # audio_clip AudioFileClip(temp_audio_path) # # 裁剪或循环音频以适应视频长度 # audio_clip audio_clip.subclip(0, 5) # else: # audio_clip None # 为简化本次不添加背景音乐使用静音 audio_clip None # 4. 合成最终视频 if txt_clip: # 将文字叠加到图片上 video CompositeVideoClip([image_clip, txt_clip]) else: video image_clip if audio_clip: video video.set_audio(audio_clip) # 5. 输出视频到临时文件并编码为Base64 output_video_path “/tmp/final_video.mp4” video.write_videofile(output_video_path, fps24, codec‘libx264’, audio_codec‘aac’ if audio_clip else None) with open(output_video_path, ‘rb’) as f: video_bytes f.read() video_b64 base64.b64encode(video_bytes).decode(‘utf-8’) # 6. 整理输出 output { “video_base64”: video_b64, “video_filename”: f“人生副本_{profession}_{datetime.now().strftime(‘%Y%m%d_%H%M%S’)}.mp4”, “theme”: theme, “profession”: profession, “scene_description”: llm_output.get(‘scene_description’, ‘’) } return output关键解释与注意事项依赖库moviepy是视频处理的核心库Coze的代码节点环境通常已预装。如果没有可在代码开头尝试!pip install moviepy但Coze环境可能限制安装。字体问题在无头服务器环境中TextClip可能因字体缺失而报错。代码中加入了try-except作为降级方案。更稳妥的做法是使用PILPython Imaging Library先将文字绘制到图片上再生成视频但这会增加代码复杂度。本示例提供了基础框架。音频处理代码中注释掉了背景音乐部分。你可以准备一段无版权音乐的Base64编码通过工作流变量或知识库传入。性能视频生成是计算密集型任务在Coze的免费额度下注意视频时长和分辨率不宜过大。5秒、720p是安全的起点。节点别名再次强调input_data.get(‘llm_1’, {})和input_data.get(‘code_1’, {})中的llm_1、code_1必须替换为你画布上对应节点的实际别名。5.6 节点六结束节点与结果输出最后我们需要将生成的视频和文案信息输出。将最后一个代码节点连接到绿色的“结束”节点。点击“结束”节点在右侧面板的“输出参数”区域你可以定义最终返回给用户的数据。系统通常会根据上一个节点的输出自动生成参数。确保包含了video_base64、video_filename、theme等关键字段。你可以在“回复模板”中设计最终呈现给用户的信息例如人生副本视频生成成功 主题{{theme}} 职业{{profession}} 视频文件{{video_filename}} Base64数据已就绪可下载或进一步处理{{}}内的变量会自动从上游节点填充。6. 运行测试与效果验证工作流配置完成后必须进行测试。保存工作流点击画布右上角的“保存”按钮。运行测试点击画布右上角的“运行”按钮。在弹出的窗口中为profession_seed输入参数输入一个值例如“街头画家”。点击“运行”。查看运行过程画布上每个节点会依次亮起显示“运行中”或“成功”。点击任何一个节点可以在右侧面板查看该节点的“输入”和“输出”数据。这是调试最关键的一步重点检查LLM节点输出是否是一个合法的JSONtheme和scene_description字段内容是否优质文生图节点输出image_url或image_data字段是否存在图片是否生成成功第一个代码节点输出image_base64字段是否是一个很长的字符串第二个代码节点视频合成输出video_base64是否存在是否有错误日志获取结果运行结束后查看“结束”节点的输出。你应该能看到定义好的回复模板其中包含了主题、职业和视频文件名。video_base64这个字段包含了视频文件的Base64编码。在真实应用中你需要另一个步骤如下载到本地、上传到云存储或直接发布到平台来处理它。在Coze工作流测试界面你可以复制这个Base64字符串通过在线工具解码为MP4文件查看。如何验证成功流程成功所有节点显示绿色“成功”状态无红色报错。内容质量LLM生成的文案有吸引力文生图生成的图片符合描述。视频可播放将输出的Base64字符串以data:video/mp4;base64,开头通过在线Base64转文件工具解码后得到一个可播放的、带有文字叠加的短视频。7. 常见问题与排查思路在搭建和运行过程中你可能会遇到以下问题问题现象可能原因排查方式解决方案LLM节点输出不是JSON格式系统提示词指令不清晰或LLM未遵循指令。检查LLM节点的“输出”内容看是否是纯文本而非JSON。强化系统提示词明确要求“只输出JSON”。在用户提示词中也可再次强调。使用“代码”节点对输出进行JSON解析和校验失败则重试或返回错误。文生图节点失败提示“内容违规”生成的场景描述scene_description可能包含敏感或不被允许的内容。检查LLM生成的scene_description字段。在LLM的系统提示词中加入限制如“避免任何暴力、血腥、政治敏感或成人内容”。或在工作流中加入“条件判断”节点过滤掉可能违规的描述。代码节点报错ModuleNotFoundError: No module named ‘moviepy’Coze代码环境未安装moviepy库。查看代码节点的错误日志。尝试在代码开头添加安装命令import subprocess; subprocess.check_call([‘pip’, ‘install’, ‘moviepy’])。如果环境不允许安装考虑简化流程只输出图片和文案视频合成放在外部服务器进行。视频合成节点报错关于字体服务器环境缺少中文字体TextClip无法创建。查看错误日志通常包含“findfont”等关键字。1.降级方案使用try-except失败时生成无字幕视频。2.进阶方案使用PIL库将文字绘制到图片上先将Base64图片解码为PIL Image对象用ImageDraw绘制文字再保存为新图片然后用这张新图片生成视频。工作流运行超时流程太复杂或某个节点如文生图、视频合成耗时过长。Coze平台会有超时提示。优化流程减少文生图数量1张缩短视频时长3-5秒。将耗时最长的视频合成步骤考虑通过调用外部API如FFmpeg服务异步处理。如何自动发布到抖音/小红书Coze工作流本身不直接集成国内短视频平台发布API。平台API通常需要企业资质和复杂的OAuth认证。折中方案工作流输出视频Base64和文案后通过“Webhook”节点或“插件”节点调用一个你自己搭建的中转服务器。这个服务器负责接收数据将Base64解码成文件然后通过模拟操作需谨慎可能违反平台规则或官方开放API如有进行发布。更合规的做法是输出到云存储如阿里云OSS、腾讯云COS然后人工或通过其他合规工具进行发布。8. 进阶优化与最佳实践一个能稳定运行的生产级工作流还需要考虑以下几点加入异常处理与重试机制在关键节点如LLM、文生图后添加“条件判断”节点。例如判断LLM输出是否为合法JSON如果不是则跳转到重试分支或结束并报错。利用Coze工作流的“重试”功能对可能临时失败的API调用如图片生成设置自动重试1-2次。内容多样化与质量控制主题库不要只依赖一个种子词。可以创建一个“职业种子池”文本变量在开始时用“代码”节点随机选取一个。文案风格化在LLM系统提示词中定义多种文案风格如“励志鸡汤体”、“冷静叙事体”、“幽默反差体”并随机选择。图片风格统一在文生图节点的提示词中加入统一的风格化后缀如“cinematic lighting, photorealistic, 8k”以保证所有生成图片质感一致。实现定时自动运行在BOT的“发布”设置中可以找到“定时任务”功能。你可以设置这个工作流每天定时运行几次每次运行传入不同的随机种子。这样就能实现真正的“无人值守”内容生产。资产管理与归档生成的视频Base64数据很大不适合长期存储在工作流运行记录中。最佳实践是在视频合成后通过“代码”节点调用云存储服务如阿里云OSS、腾讯云COS的SDK将视频文件直接上传并返回文件URL。将URL和文案一起存储到数据库或Notion、Airtable等在线表格中便于管理。安全与合规底线内容审核在最终输出前可以添加一个“内容安全”节点调用内容审核API许多云服务商提供对生成的文案和图片进行过滤确保无违规内容。版权声明在视频的角落添加“AI生成”等字样避免争议。平台规则严格遵守目标发布平台抖音、小红书等的社区规定了解其对AI生成内容的标注要求。9. 总结从工作流到可持续的内容资产通过以上步骤我们不仅搭建了一个“人生副本”视频生成器更掌握了一套基于Coze的AI自动化内容生产范式。这个范式的核心是将创意策划LLM、视觉生成文生图、工程处理代码无缝衔接。你可以轻易地将此工作流改造成其他内容生产线生成AI壁纸修改提示词批量生成不同主题的高清壁纸。生成营销海报LLM生成广告语文生图生成背景代码节点叠加Logo和二维码。自动生成产品说明图连接知识库RAG让LLM根据产品手册生成卖点文案再配图。Coze工作流的强大之处在于其可视化与代码能力的结合。对于简单的逻辑拖拽节点即可完成对于复杂的定制需求如图片视频处理、调用特定API又能通过Python代码节点灵活实现。最后提醒技术的目的是增效而非完全取代人性。这个工作流产出的内容是“原料”真正能打动用户的依然是你基于这些原料进行的筛选、编排和注入的独特见解。现在就去Coze平台启动你的第一条自动化内容流水线吧。建议收藏本文在搭建过程中遇到的具体问题可随时回溯对应章节进行排查。