在 AI 应用开发领域Coze扣子平台提供了一种零代码或低代码的方式让开发者、产品经理甚至业务人员都能快速构建具备复杂逻辑的 AI 智能体。传统的 AI 应用开发往往需要处理模型调用、状态管理、知识检索、条件分支等复杂编码任务而 Coze 通过工作流、提示词、知识库、代码节点等可视化组件将这些任务封装成可拖拽的模块大大降低了技术门槛。一个设计良好的 Coze 智能体不仅能理解用户意图还能按预定流程执行多步操作例如自动筛选简历、生成分析报告、解答领域知识问题等。本文将以一个“简历筛选工作流”为案例带你从零开始搭建一个具备实用价值的 AI 智能体。你将学会如何配置工作流触发器、设计提示词以引导模型输出结构化内容、上传并启用知识库以提高回答准确性以及在需要复杂逻辑时插入 Python 代码节点。整个流程无需编写传统代码但会深入讲解每个配置项背后的设计逻辑和常见陷阱确保你能举一反三应用到客服、内容生成、数据查询等实际场景中。1. 理解 Coze 平台的核心组件与工作机制在开始搭建前需要先理解 Coze 智能体的几个核心组件是如何协同工作的。Coze 智能体本质上是一个可配置的对话机器人它通过组合不同的“技能”来完成复杂任务。1.1 工作流定义智能体的执行骨架工作流是 Coze 智能体的主干它决定了用户输入后智能体应该按什么顺序执行哪些操作。你可以把工作流想象成一个流程图每个节点代表一个处理步骤节点之间的连线代表执行顺序或条件分支。常见的工作流节点类型包括开始节点接收用户输入。LLM 节点调用大语言模型如 GPT-4生成文本。知识库节点从你上传的文档中检索相关信息。代码节点执行一段 Python 或 JavaScript 代码处理复杂逻辑或计算。条件判断节点根据前一步的结果决定下一步走向。结束节点返回最终结果给用户。工作流的核心优势是可视化编排你不需要关心底层 API 调用和状态传递只需关注业务逻辑的流转。1.2 提示词控制模型输出的方向盘提示词是引导大语言模型生成期望内容的关键。在 Coze 中提示词分为系统提示词和用户提示词。系统提示词在对话开始前就传递给模型用于设定智能体的角色、任务范围和回答风格。例如“你是一个专业的招聘助手需要从简历中提取关键信息并给出匹配度评分。”用户提示词在每次用户输入时动态生成结合当前对话上下文和检索到的知识形成具体的查询指令。提示词设计的好坏直接决定模型输出质量。模糊的提示词会导致回答笼统或不相关而结构化的提示词能引导模型输出 JSON、表格或分点列表等易于后续处理的内容。1.3 知识库为智能体注入领域知识大语言模型的通用知识可能无法覆盖你的特定业务领域这时就需要知识库。Coze 允许你上传 TXT、PDF、Word 等格式的文档平台会自动进行切片、向量化并建立索引。当用户提问时知识库节点会从这些文档中检索最相关的片段并将其作为上下文插入到提示词中。这样模型就能基于你的私有知识回答问题例如公司制度、产品手册、历史案例等。知识库的效果取决于文档质量和检索设置。文档应当清晰、结构化避免过多无关内容检索范围需要根据问题类型调整太宽泛会引入噪声太狭窄可能漏掉关键信息。1.4 代码节点处理工作流中的特殊逻辑虽然 Coze 主打零代码但某些复杂操作如数据清洗、调用外部 API、数学计算仍需代码节点完成。Coze 支持 Python 和 JavaScript你可以在节点中编写函数工作流会将上游数据作为输入并将函数返回值传递给下游节点。代码节点打破了纯可视化编排的限制让工作流能集成更多外部系统和服务。需要注意的是代码节点中无法安装第三方库只能使用平台内置的标准库。2. 环境准备与 Coze 平台入门搭建第一个智能体前需要先完成平台注册和环境熟悉。2.1 注册与工作区创建访问 Coze 官网使用手机号或邮箱注册账号。首次登录后系统会引导你创建个人空间。个人空间是你管理所有智能体、知识库和工作流的地方类似于一个项目工作台。关键界面区域包括智能体列表显示你创建的所有智能体可以在这里进行编辑、测试、发布等操作。工作流画布编辑智能体逻辑的主要区域支持拖拽节点和连线。知识库管理上传、预览、搜索和管理文档的地方。测试窗用于模拟用户对话验证智能体行为。建议先花几分钟浏览各个菜单了解功能分布。2.2 创建第一个智能体点击“创建智能体”填写基本信息名称简历筛选助手描述自动分析简历内容提取关键信息并评估岗位匹配度图标可选上传增加识别度创建后进入智能体编辑界面默认包含“提示词”和“开场白”配置。我们先跳过这些直接进入工作流设计因为复杂智能体的核心逻辑都在工作流中。3. 构建简历筛选工作流从触发器到结果输出本节将一步步搭建一个完整的简历筛选工作流。该工作流接收用户上传的简历文本提取教育背景、工作经历、技能等信息然后根据预设的岗位要求计算匹配度最后生成结构化报告。3.1 设计工作流结构在动手拖拽节点前先规划好整个流程开始节点接收用户输入的简历文本。LLM 节点解析简历提取结构化信息。知识库节点检索岗位要求文档。代码节点计算匹配度分数。LLM 节点生成最终评估报告。结束节点返回报告给用户。这个结构涵盖了信息提取、知识检索、逻辑计算和报告生成四个关键环节。3.2 配置开始节点与输入参数从左侧节点库拖拽“开始”节点到画布。开始节点是工作流的入口它定义了智能体需要从用户那里获取什么信息。在开始节点的配置中添加一个输入参数参数名resume_text描述请输入简历文本内容类型字符串是否必填是这样配置后当用户与智能体对话时系统会首先提示用户输入简历文本。在实际应用中你可以通过集成方式自动传入简历内容但测试阶段手动输入更方便。3.3 设置简历解析的 LLM 节点添加一个 LLM 节点将其与开始节点连接。这个节点的任务是从简历文本中提取结构化信息。关键配置项模型选择GPT-4效果更稳定系统提示词你是一个专业的简历解析器。请从用户提供的简历文本中提取以下信息并以 JSON 格式返回 - 姓名 - 学历最高学历、学校、专业 - 工作经历公司、职位、时长、主要职责 - 技能列表编程语言、工具、证书等 - 项目经验项目名称、角色、技术栈、成果 确保提取的信息准确完整不要添加解释性文字直接返回 JSON。用户提示词请解析以下简历{{resume_text}}这里的{{resume_text}}是变量插值工作流会自动将开始节点接收到的简历文本填充到这个位置。3.4 配置岗位要求知识库在知识库管理页面上传一份名为“岗位要求.md”的文档内容如下# 后端开发工程师岗位要求 ## 基本要求 - 学历本科及以上计算机相关专业 - 经验3年以上后端开发经验 ## 技术技能 ### 必需技能 - Java 或 Go 语言 - Spring Cloud 或 Dubbo 框架 - MySQL/PostgreSQL 数据库 - Redis 等缓存技术 ### 加分技能 - 微服务架构设计经验 - 高并发系统开发经验 - 容器化部署经验 ## 软技能 - 沟通能力良好 - 团队协作意识强 - 有解决问题的能力返回工作流画布添加知识库节点选择刚上传的“岗位要求”知识库。配置检索参数检索条数5返回最相关的5个片段最大长度1000每个片段不超过1000字符知识库节点会基于上游 LLM 节点提取的简历信息自动检索相关的岗位要求片段。3.5 使用代码节点计算匹配度添加一个 Python 代码节点输入以下代码def main(parsed_resume, job_requirements): # 从上游节点获取数据 resume_data parsed_resume # LLM节点返回的简历JSON requirements job_requirements # 知识库检索结果 score 0 max_score 100 details [] # 学历匹配20分 if 本科 in resume_data.get(学历, ) or 硕士 in resume_data.get(学历, ): score 20 details.append(学历符合要求) else: details.append(学历不符合要求) # 技能匹配60分 required_skills [Java, Spring, MySQL, Redis] resume_skills resume_data.get(技能列表, []) for skill in required_skills: if any(skill.lower() in s.lower() for s in resume_skills): score 15 details.append(f具备{skill}技能) else: details.append(f缺少{skill}技能) # 经验匹配20分 if 3年 in resume_data.get(工作经历, ) or 4年 in resume_data.get(工作经历, ): score 20 details.append(经验符合要求) else: details.append(经验不足) return { match_score: score, score_details: details, is_recommended: score 60 }这个代码节点接收两个输入parsed_resume来自LLM节点和job_requirements来自知识库节点。它根据预设规则计算匹配度并返回结构化的评估结果。3.6 生成最终评估报告再添加一个 LLM 节点用于生成人类可读的评估报告。系统提示词配置你是一个专业的招聘专家。请根据简历解析结果和匹配度计算生成一份给HR的评估报告。 报告需要包含 1. 候选人基本信息 2. 与岗位要求的匹配情况 3. 优势分析 4. 潜在顾虑 5. 最终推荐意见推荐面试/储备/不匹配 请以专业、客观的语气撰写报告突出重点信息。用户提示词配置简历信息{{parsed_resume}} 岗位要求{{job_requirements}} 匹配度分析{{match_result}} 请基于以上信息生成评估报告。这里引用了三个上游变量工作流会自动传递数据。3.7 连接节点并设置输出将最后一个 LLM 节点连接到“结束”节点。在结束节点的配置中选择返回“评估报告”作为最终输出。现在完整的工作流应该是开始 → 简历解析 LLM → 知识库检索 → 匹配度计算代码 → 报告生成 LLM → 结束。点击“保存”并给工作流命名“简历筛选流程”。4. 测试与调试工作流搭建完成后必须进行充分测试才能确保智能体按预期工作。4.1 准备测试数据使用一份真实的简历文本进行测试隐去个人信息张三 电话13800138000 | 邮箱zhangsanemail.com 教育背景 - 2015-2019 北京理工大学 计算机科学与技术 本科 工作经历 - 2019-至今 某互联网公司 后端开发工程师 - 负责用户中心微服务开发使用JavaSpring Cloud - 优化数据库查询将响应时间从500ms降低到100ms - 参与设计高并发架构支持日活百万用户 技能 - Java, Spring Boot, Spring Cloud, MySQL, Redis, Docker - 熟悉微服务架构有分布式系统开发经验 项目经验 - 电商平台后端开发 - 支付系统重构4.2 运行测试并分析结果在测试窗中输入这份简历文本观察工作流执行过程。理想情况下你应该看到简历解析 LLM 节点输出结构化的 JSON 数据。知识库节点返回相关的岗位要求片段。代码节点计算出匹配度分数这份简历应该得高分。报告生成 LLM 节点输出完整的评估报告。如果某个节点执行失败检查输入数据格式上游节点输出是否符合下游节点期望。提示词设计是否足够明确能引导模型输出正确格式。变量引用{{变量名}}的拼写是否正确。知识库检索文档内容是否相关检索参数是否合适。4.3 常见测试问题与解决方案问题现象可能原因解决方案LLM 节点返回内容不符合预期提示词不够具体在系统提示词中明确要求输出格式如“必须返回JSON”知识库节点返回无关内容文档质量差或检索范围太宽优化文档结构增加关键词密度调整检索条数代码节点执行报错输入数据格式与代码预期不符添加数据验证逻辑或在上游 LLM 节点规范输出工作流执行中断节点配置错误或超时检查节点连线是否正确复杂节点适当增加超时时间5. 优化提示词与知识库效果基础工作流跑通后需要进一步优化关键组件的效果。5.1 设计更精准的提示词初始的简历解析提示词可以优化为你是一个专业的简历解析器。请严格按以下要求处理简历文本 1. 提取以下字段确保字段名完全一致 - name: 姓名 - education: 学历信息格式学位-学校-专业 - experience: 工作经历列表每个经历包含company, position, duration, description - skills: 技能列表按编程语言、框架、工具等分类 - projects: 项目经验列表每个项目包含name, role, tech_stack, achievement 2. 输出必须是纯JSON格式不要有任何额外文字。 3. 如果某些信息在简历中找不到对应字段设为空数组或空字符串。 现在开始解析简历{{resume_text}}这种提示词更结构化减少了模型自由发挥的空间提高了输出一致性。5.2 优化知识库文档结构为了提高检索准确性将岗位要求文档重构为问答形式# 后端开发工程师岗位要求 QA ## 学历要求 Q: 该岗位对学历有什么要求 A: 需要本科及以上学历计算机相关专业优先。 ## 经验要求 Q: 需要多少年工作经验 A: 至少3年后端开发经验。 ## 技术栈要求 Q: 需要掌握哪些编程语言 A: 必须掌握Java或Go熟悉Spring Cloud或Dubbo框架。 Q: 数据库要求是什么 A: 需要熟练使用MySQL或PostgreSQL了解Redis等缓存技术。 ## 加分项 Q: 有哪些加分技能 A: 微服务架构经验、高并发系统经验、容器化部署经验都是加分项。这种结构让知识库节点更容易检索到精准答案因为检索算法会匹配问题与查询的相似度。5.3 设置条件分支处理边缘情况在实际使用中可能会遇到无法解析的简历格式或内容缺失的情况。可以在代码节点后添加条件判断条件1如果匹配度低于30%直接结束并返回“不匹配”建议。条件2如果匹配度在30%-60%之间进入详细分析流程。条件3如果匹配度高于60%直接生成推荐报告。这样避免了对所有简历都执行完整的分析流程提高了响应速度和资源利用率。6. 发布智能体与集成应用测试优化完成后就可以发布智能体并提供给真实用户使用了。6.1 发布到 Coze 平台在智能体编辑页面点击“发布”按钮。发布时需要设置访问权限公开任何人可访问或私有仅指定用户可访问对话开场白智能体首次被触发时发送的欢迎消息示例问题为用户提供提问灵感如“如何分析一份Java开发简历”发布后你会获得智能体的唯一访问链接可以通过网页、API 或嵌入到其他应用中使用。6.2 通过 API 集成到现有系统对于企业应用通常需要将智能体集成到现有的HR系统或工作流中。Coze 提供 RESTful API# 调用示例 curl -X POST https://api.coze.cn/v1/agent/execute \ -H Authorization: Bearer YOUR_API_KEY \ -H Content-Type: application/json \ -d { agent_id: your_agent_id, parameters: { resume_text: 简历内容... } }API 返回格式{ status: success, data: { output: 评估报告内容..., execution_id: 请求唯一标识 } }6.3 监控与维护建议智能体上线后需要持续监控和维护日志分析定期查看执行日志发现常见错误模式。效果评估收集用户反馈评估匹配结果的准确性。知识库更新随着岗位要求变化及时更新知识库文档。提示词优化根据使用情况不断迭代提示词提高解析精度。7. 扩展方向与进阶应用掌握了基础搭建方法后可以尝试更复杂的应用场景。7.1 多轮对话智能体当前示例是单次交互但 Coze 支持多轮对话。你可以设计这样的流程用户上传简历智能体分析后询问“需要针对哪个特定岗位进行筛选”用户回答岗位名称智能体从知识库检索对应岗位要求并完成筛选这种交互更适合实际招聘场景因为一个候选人可能投递不同岗位。7.2 集成外部数据源通过代码节点调用外部 API可以丰富智能体能力调用企业HR系统验证候选人历史投递记录集成第三方验证服务验证学历、证书真实性连接日历API直接安排面试时间7.3 批量处理与自动化将智能体与自动化工具结合实现批量简历筛选每天定时从招聘网站拉取新简历调用 Coze API 进行自动分析将结果导入企业人才库对高匹配度候选人自动发送面试邀请这种自动化流程可以大幅提升招聘效率。Coze 平台的真正价值在于将复杂的 AI 能力封装成可组合的模块让非技术人员也能构建智能应用。从简单的问答机器人到复杂的企业级工作流设计思路都是相通的明确业务需求拆解处理步骤选择合适的组件不断测试优化。简历筛选只是一个起点同样的方法可以应用于客服、内容审核、数据查询、教育辅导等众多领域。