在实际的 AI 应用开发中我们常常会遇到这样的困境一个智能体Agent虽然能理解指令并调用工具但其处理复杂、多步骤任务的能力却显得僵化。例如一个简单的“查询天气并生成出行建议”任务如果涉及先定位、再查天气、最后结合用户偏好生成建议用传统的单步对话或简单工具链就很难优雅地处理分支判断、循环和状态传递。这正是工作流Workflow要解决的问题。Coze 作为一款集成了大语言模型能力的平台其工作流功能允许开发者以可视化或编码的方式将多个步骤节点串联起来构建出具备复杂逻辑和数据处理能力的自动化流程。本文将以一个具体的“龙虾价格查询与烹饪建议生成”场景为例带你从零开始在 Coze 平台搭建一个完整的工作流。你将理解工作流的核心概念掌握从创建、配置节点、调试到发布的完整流程并学会如何处理常见的依赖缺失、逻辑错误等问题。最终你将能独立设计并实现一个可处理用户输入、调用外部 API、进行条件判断并格式化输出的实用工作流。1. 理解 Coze 工作流从智能体到自动化流水线在深入动手之前我们需要厘清几个核心概念以及工作流为何能成为提升智能体能力的关键。1.1 智能体与工作流的关系你可以将 Coze 中的智能体理解为一个具备特定身份和能力的虚拟助手。它拥有知识库、预设对话开场白、工具集等。然而智能体对工具的使用通常是“触发-响应”式的用户问“北京天气”它就去调用天气查询工具并返回结果。这个过程是线性的、一次性的。工作流则像是一条可编程的自动化流水线。它由多个节点Node组成每个节点负责一项具体任务如“接收用户输入”、“调用 API”、“条件判断”、“格式化文本”。节点之间通过连线定义执行顺序和数据流向。工作流可以被智能体作为一个“超级工具”来调用从而将复杂的多步任务封装起来对外提供统一的接口。1.2 工作流的核心组件一个典型的 Coze 工作流包含以下关键部分开始节点工作流的唯一入口定义了工作流被触发时接收的输入参数。处理节点这是工作流的“大脑”主要包括LLM 节点调用大语言模型进行文本生成、分析或判断。代码节点支持 Python 和 JavaScript用于执行更复杂的逻辑计算、数据处理或调用第三方库。判断节点根据条件Condition决定流程的分支走向。知识库搜索节点从关联的知识库中检索相关信息。工具节点用于调用外部能力例如 HTTP 请求调用 REST API、数据库查询等。结束节点工作流的出口定义了返回给调用者如智能体的输出结果。数据以变量的形式在节点间流动。上一个节点的输出可以作为下一个节点的输入变量。1.3 为何选择工作流以“龙虾调”为例假设我们要构建一个“龙虾顾问”智能体。用户可能提出“我想知道今天波士顿龙虾的市场价并且根据我的烹饪水平新手推荐一个做法。” 这个需求可以拆解为理解意图提取“龙虾品种”和“用户烹饪水平”两个关键信息。获取数据调用一个模拟或真实的生鲜价格 API查询“波士顿龙虾”的当日价格。逻辑判断根据“新手”这个水平从知识库或 LLM 中匹配一个简单的菜谱而不是复杂的法式料理。合成输出将价格信息和菜谱整合成一段友好的回复。如果只用智能体的基础对话你可能需要编写非常复杂的提示词并且难以稳定地完成“查询-判断-生成”的串联。而工作流能清晰地用节点图来表征这个过程使得逻辑一目了然也便于调试和维护。2. 环境准备与工作流创建在开始构建“龙虾调”工作流前你需要准备好 Coze 平台环境并创建一个空白的工作流作为画布。2.1 访问 Coze 平台并创建 Bot首先你需要拥有一个 Coze 平台账号。访问 Coze 官网并登录。通常平台会提供一个主控台或工作空间。创建智能体Bot虽然工作流可以独立存在但最终通常由智能体调用。因此我们先创建一个名为“龙虾价格与烹饪顾问”的智能体。进入工作流创建页面在智能体的编辑界面找到“工作流”或“Workflow”选项卡点击“创建工作流”。Coze 会为你打开一个可视化编辑器中间是绘图区右侧是节点属性面板左侧是节点组件库。2.2 规划“龙虾调”工作流蓝图在动手拖拽节点之前在纸上或脑中规划出流程能极大提升效率。我们的“龙虾调”工作流可以这样设计开始 ↓ (输入用户消息) ↓ LLM 节点提取用户查询中的“龙虾品种”和“烹饪水平” ↓ 判断节点检查“龙虾品种”是否为空 ├─ 若为空 → 结束返回错误提示 └─ 若不为空 → 继续 ↓ HTTP 请求节点调用价格查询API传入“龙虾品种” ↓ 代码节点处理API返回的JSON提取价格数据 ↓ LLM 节点根据“烹饪水平”生成烹饪建议 ↓ 代码节点将价格数据与烹饪建议整合成最终回复文本 ↓ 结束输出最终回复这个蓝图涵盖了信息提取、条件判断、外部调用、数据处理和结果生成等关键环节。3. 构建“龙虾调”工作流分步实现现在我们按照规划在 Coze 工作流编辑器中逐步实现。3.1 设置开始节点与输入参数工作流的开始节点定义了触发条件。对于被智能体调用的工作流通常由“用户消息”触发。从左侧组件库拖拽一个“开始”节点到画布。在右侧属性面板配置输入参数。我们需要接收用户的原始提问。点击“添加参数”。参数名user_query类型选择“字符串”String描述“用户关于龙虾价格和烹饪的原始问题”这个user_query变量将在后续所有节点中可用。3.2 添加 LLM 节点进行意图解析我们需要从user_query中结构化地提取出“品种”和“水平”。从组件库拖拽一个“LLM”节点到画布并将其与“开始”节点连接。配置 LLM 节点模型选择根据你的 Coze 版本选择一个可用的模型例如 GPT-4 或平台自研模型。系统提示词这是关键它指导 LLM 完成特定的解析任务。你是一个信息提取助手。请从用户的提问中提取以下关键信息 1. 龙虾品种例如波士顿龙虾、澳洲龙虾、小龙虾等。如果未明确提及则留空。 2. 用户的烹饪经验水平例如新手、家常、高手、厨师。如果未明确提及则默认为“家常”。 请严格按照以下 JSON 格式输出不要有任何额外的解释或标记 { lobster_type: 提取到的龙虾品种, cooking_level: 提取到的烹饪水平 }用户消息这里填入我们从上一个节点传来的变量。通常使用双花括号语法{{user_query}}。输出变量名设置为parsed_info这样后续节点可以引用这个 LLM 的生成结果。3.3 使用代码节点处理 LLM 输出并分支判断LLM 节点的输出parsed_info是一个 JSON 字符串。我们需要先将其解析为对象然后判断品种是否为空。添加 Python 代码节点拖拽一个“代码”节点语言选择 Python连接到 LLM 节点之后。编写解析与判断代码# 输入从上游 LLM 节点获取的 parsed_info (JSON字符串) import json # 解析 JSON try: info json.loads(parsed_info) lobster_type info.get(lobster_type, ).strip() cooking_level info.get(cooking_level, 家常).strip() except Exception as e: lobster_type cooking_level 家常 # 可以在这里记录错误日志 print(f解析LLM输出失败: {e}) # 输出变量供下游节点使用 output { lobster_type: lobster_type, cooking_level: cooking_level, has_valid_type: bool(lobster_type) # 用于判断的关键字段 }配置输出变量在代码节点的“输出变量”设置中将上面代码中的output字典映射出去。Coze 会自动识别output中的键作为输出变量。现在下游节点可以使用lobster_type,cooking_level,has_valid_type这三个变量了。添加判断节点拖拽一个“判断”节点连接到代码节点之后。配置判断条件条件设置选择变量has_valid_type。运算符选择“等于”。值输入True。这样判断节点会形成两个分支True分支品种有效和False分支品种无效。3.4 实现 HTTP 请求节点调用外部 API在True分支上我们需要查询价格。这里假设有一个模拟的海鲜价格 API。拖拽一个“HTTP 请求”节点到True分支后。配置 HTTP 请求URLhttps://api.example-seafood.com/v1/price(这是一个示例URL实际需要替换为可用的接口)方法GET查询参数点击添加参数。参数名type值{{lobster_type}}(使用上游解析出的品种变量)头部如果需要 API Key可以在这里添加Authorization等 Header。输出变量名设置为api_response。注意在实际项目中你可能会遇到跨域或 HTTPS 问题。Coze 工作流中的 HTTP 节点通常运行在云端可以正常访问公网 API。如果调用内网 API可能需要配置网络打通或使用反向代理。3.5 使用代码节点处理 API 响应API 返回的通常是 JSON 数据我们需要从中提取价格。在 HTTP 请求节点后添加一个新的 Python 代码节点。编写数据处理代码# 输入api_response (包含 status_code, headers, body 等) import json price_info 暂未获取到价格 # 检查响应状态码 if api_response.get(status_code) 200: try: body api_response.get(body, {}) data json.loads(body) # 假设 API 返回格式为 {price: 128, unit: 元/500g, market: 北京新发地} price data.get(price) unit data.get(unit, ) market data.get(market, ) if price is not None: price_info f根据{market}市场数据{lobster_type}当前价格约为 {price} {unit}。 else: price_info f未找到{lobster_type}的明确价格信息。 except Exception as e: price_info 解析价格数据时出错。 print(f解析API响应失败: {e}) else: price_info 查询价格服务暂时不可用请稍后再试。 output { price_info: price_info }配置输出变量price_info。3.6 添加 LLM 节点生成烹饪建议接下来在同一个分支上价格查询节点之后或并行添加另一个 LLM 节点来生成烹饪建议。拖拽一个新的“LLM”节点。配置系统提示词你是一位资深海鲜厨师。请根据用户指定的烹饪经验水平为其推荐合适的龙虾烹饪方法。 要求 1. 方法必须简单明了步骤清晰适合用户所说的水平。 2. 推荐一种最经典的烹饪方式即可。 3. 输出内容亲切、鼓励并包含1-2个关键小贴士。 不要输出与烹饪方法无关的内容。配置用户消息用户烹饪水平{{cooking_level}} 龙虾品种{{lobster_type}} 请为以上用户生成烹饪建议。设置输出变量名为cooking_tips。3.7 合成最终回复并结束流程现在我们有price_info和cooking_tips两个信息需要将它们合成一段完整的回复。添加一个 Python 代码节点连接上游的“价格处理”节点和“烹饪建议” LLM 节点Coze 支持多输入节点汇聚到一个节点。编写合成代码# 输入price_info, cooking_tips final_reply f 龙虾情报速递 【价格查询】 {price_info} 【烹饪建议】 {cooking_tips} 祝您用餐愉快 # 可以做一些简单的格式化比如去除多余空行 final_reply \n.join([line.strip() for line in final_reply.split(\n) if line.strip()]) output { final_reply: final_reply }拖拽一个“结束”节点连接到合成代码节点。配置结束节点将输出参数设置为{{final_reply}}。这意味着工作流将把final_reply变量的内容返回给调用它的智能体。3.8 处理无效输入分支回到之前的判断节点我们需要处理False分支即用户未提供有效龙虾品种。在判断节点的False分支后直接添加一个“结束”节点。配置此结束节点可以设置一个固定的错误提示作为输出。输出参数值抱歉我没有从您的问题中识别出具体的龙虾品种。请告诉我您想查询哪种龙虾例如波士顿龙虾的价格和做法。至此一个完整的“龙虾调”工作流就构建完成了。画布上的节点图应清晰地展示出从开始到结束的两条可能路径。4. 调试、测试与发布构建完成后必须经过充分测试才能投入使用。4.1 使用调试功能Coze 工作流编辑器通常提供“调试”或“测试运行”功能。设置输入点击调试按钮在弹出窗口中为user_query输入测试用例例如“今天澳洲龙虾什么价我是新手该怎么煮”运行并观察点击运行编辑器会逐步执行工作流并高亮当前活动节点。你可以在每个节点的右侧属性面板查看其输入和输出数据。检查关键点LLM解析节点查看parsed_info输出是否为正确的 JSON如{lobster_type: 澳洲龙虾, cooking_level: 新手}。判断节点确认流程是否走向了True分支。HTTP请求节点查看api_response的状态码和 body确认 API 调用成功。代码节点检查各个output变量是否符合预期。结束节点查看最终的final_reply是否包含了价格和建议。4.2 处理常见错误与依赖问题在调试过程中你可能会遇到以下典型问题问题现象可能原因检查与解决方案工作流启动失败提示“请安装缺失的包以使用此工作流”在 Python 代码节点中使用了未预装的第三方库如requests,pandas。1. 检查代码节点中import了哪些包。2. 在代码节点的属性面板或工作流设置中找到“依赖管理”或“环境配置”选项。3. 在依赖列表中添加缺失的包及其版本例如requests2.31.0。平台通常会在后台自动安装。HTTP 请求节点返回 4xx/5xx 错误URL 错误、API Key 缺失或无效、参数格式不对、网络问题。1. 检查 URL 和请求方法GET/POST。2. 确认 Headers 中的认证信息正确。3. 检查查询参数或 Body 参数的值是否正确引用变量如{{lobster_type}}。4. 尝试在浏览器或 Postman 中直接测试该 API。LLM 节点输出格式不符合预期系统提示词不够精确或 LLM 未严格遵守指令。1. 强化系统提示词使用“必须”、“严格按以下格式”、“不要有任何额外输出”等词。2. 在提示词中提供更清晰的示例Few-shot。3. 在后续代码节点中增加对 LLM 输出格式的容错处理如 try-catch。变量未定义或引用错误节点执行顺序有误或变量名拼写错误。1. 检查节点之间的连线确保数据流向正确。2. 检查在引用变量时如{{price_info}}该变量是否已在其上游节点正确输出。3. 使用调试模式逐步运行查看每个节点的输出变量列表。判断节点逻辑错误判断条件设置不正确或用于判断的变量类型不对。1. 检查判断条件中引用的变量如has_valid_type是否为布尔型。2. 确认运算符等于、大于、包含等符合业务逻辑。3. 在判断节点前添加一个代码节点打印一下判断变量的值进行确认。4.3 发布并与智能体关联测试无误后即可发布工作流。保存并发布点击编辑器上的“发布”或“保存”按钮。首次发布可能需要为工作流命名例如“龙虾价格与烹饪查询工作流”。关联到智能体回到之前创建的“龙虾价格与烹饪顾问”智能体编辑页面。在“工具”或“技能”配置区域点击“添加工具”。选择“工作流”然后从列表中找到你刚刚发布的“龙虾价格与烹饪查询工作流”。配置工具的描述和调用方式。例如可以设置当用户提问中包含“价格”、“多少钱”、“怎么做”等关键词时自动触发此工作流。在 Bot 中测试进入智能体的预览或对话窗口输入“波士顿龙虾现在什么价我是烹饪新手”查看智能体是否能成功调用工作流并返回结构化的答案。5. 生产环境最佳实践与扩展思路将工作流从调试环境应用到生产环境还需要考虑更多因素。5.1 稳定性与容错设计输入验证前置化在流程最开始的代码节点就对user_query进行基础清洗和安全性检查如长度限制、敏感词过滤。关键步骤加兜底HTTP 请求节点必须设置超时并在代码节点中处理网络异常和 API 返回的非预期数据格式。对于 LLM 节点可以设计重试逻辑或降级方案例如当无法生成烹饪建议时返回一个默认的通用菜谱。完善日志记录在关键的代码节点中使用print()或平台提供的日志接口输出关键变量的值和异常信息。这对于线上问题排查至关重要。Coze 通常提供工作流执行历史记录可以查看每次运行的详细日志。5.2 性能与成本优化避免不必要的 LLM 调用LLM 节点是工作流中最耗资源和时间的部分。如果可以通过规则如正则表达式直接提取信息就优先使用代码节点。只有在需要复杂理解、推理或生成时才调用 LLM。并行执行在我们的例子中“查询价格”和“生成烹饪建议”理论上可以并行执行因为它们依赖相同的输入品种、水平但彼此独立。检查 Coze 工作流是否支持并行节点如果可以将这两个节点同时连接到判断节点后的True分支上能减少整体响应时间。缓存策略对于价格这种变化不频繁的数据可以考虑在工作流中引入简单的缓存机制例如将品种-价格对缓存在一个全局字典或外部缓存服务中在一定时间内避免重复调用外部 API。5.3 扩展工作流能力“龙虾调”只是一个起点你可以在此基础上扩展出更强大的工作流集成知识库在生成烹饪建议前先通过“知识库搜索节点”查询你预先上传的、经过验证的独家龙虾菜谱文档让 LLM 基于更准确的知识生成建议减少幻觉。多轮对话与记忆当前工作流是无状态的。你可以利用 Coze 提供的“变量”或“会话记忆”功能在工作流中记录用户的历史选择例如偏好的口味在后续交互中提供个性化推荐。复杂业务逻辑加入更多的判断节点实现更精细的分支。例如根据价格区间昂贵、适中、便宜推荐不同的购买渠道或替代食材。连接更多外部服务除了价格 API还可以连接库存查询 API、物流时效 API、甚至电商平台接口实现从查询到比价的一站式服务。工作流的价值在于将复杂、固定的业务逻辑可视化、模块化。通过将“龙虾调”这个案例跑通你掌握的不是一个孤立的技能而是一种用节点和连线来构建智能应用的新范式。接下来你可以尝试用同样的方法去自动化处理客服工单、内容审核、数据分析报告生成等任何具有清晰步骤的任务。