Coze工作流实战：从“零代码”到“全自动”的AI智能体搭建指南

工作流本质上是一张可视化流程图。它允许你将复杂的任务拆解成一个个“节点”（Node），并定义它们之间的执行顺序和逻辑关系。纯聊天模式（无工作流）：用户问“推荐一家鲁菜馆”，AI直接调用知识库或大模型生成一段话。缺点：信息可能过时、无法联网、无法执行具体操作（如发邮件）。工作流模式（有工作流）：用户触发后，AI会严格按照“搜索最新点评 → 筛选高分店铺 → 生成图文攻略 → 私信发送给用户”的流程执

泉城IT圈子

936人浏览 · 2026-02-28 14:03:02

泉城IT圈子 · 2026-02-28 14:03:02 发布

Coze工作流实战：从“零代码”到“全自动”的AI智能体搭建指南

别再让AI只做“单轮问答”了，工作流才是AI智能体的“大脑”。

在AI智能体（Bot）的世界里，工作流（Workflow） 是区分“玩具”和“工具”的分水岭。一个只会聊天的Bot，就像一台只会加减法的计算器；而一个搭载了工作流的Bot，则是一台能自动执行复杂任务的全自动流水线。

今天，我们就以“济南鲁菜探店助手”为例，手把手教你如何用Coze工作流，打造一个能自动搜索、筛选、生成攻略的“本地生活专家”。

一、什么是工作流？为什么它比“纯聊天”强10倍？

1. 核心概念：AI的“流程图”

工作流本质上是一张可视化流程图。它允许你将复杂的任务拆解成一个个“节点”（Node），并定义它们之间的执行顺序和逻辑关系。

纯聊天模式（无工作流）：用户问“推荐一家鲁菜馆”，AI直接调用知识库或大模型生成一段话。缺点：信息可能过时、无法联网、无法执行具体操作（如发邮件）。
工作流模式（有工作流）：用户触发后，AI会严格按照“搜索最新点评 → 筛选高分店铺 → 生成图文攻略 → 私信发送给用户”的流程执行。优点：精准、可控、可执行外部API操作。

2. 适用场景（什么时候必须用工作流？）

需要联网获取实时数据（如天气、股价、新闻）。
需要调用外部工具（如发送邮件、调用数据库、生成二维码）。
任务步骤超过3步（如“先查资料，再写文案，最后配图”）。
需要严格的逻辑判断（如“如果评分>4.5，则推荐；否则，换一家”）。

二、实战案例：搭建“济南鲁菜探店助手”工作流

业务需求：用户输入“我想吃鲁菜”，Bot自动从大众点评抓取济南排名前3的鲁菜馆，并生成一份包含地址、人均、招牌菜的Markdown攻略。

第一步：创建与触发（Start Node）

进入Coze平台，点击“工作流” -> “新建”。工作流的入口是开始节点（Start）。

配置用户输入（User Input）：这里定义Bot向用户索要的信息。我们只需要用户输入“想吃鲁菜”的意图，所以只需一个变量 user_query（用户查询）。
💡 技巧：如果流程复杂，可以在这里设置多个输入框（如“预算范围”、“就餐人数”），让用户一次性填完。

https://via.placeholder.com/800x400/4A90E2/FFFFFF?text=配置开始节点：定义用户输入变量

(图1：在开始节点中，我们定义了一个名为user_query的字符串变量，用于接收用户的查询指令。)

第二步：联网搜索（Web Search Node）

这是工作流的“眼睛”。我们添加一个网页搜索（Web Search）节点。

搜索关键词（Query）：这里不能写死，要动态引用上一步的变量。我们输入 {user_query} site:dianping.com jinan。
- {user_query}：引用用户输入（如“鲁菜”）。
- site:dianping.com：限定只搜索大众点评网站。
- jinan：限定济南地区。
搜索结果数量（Count）：设为5（取前5条结果进行分析）。

https://via.placeholder.com/800x400/50BE87/FFFFFF?text=配置网页搜索：动态拼接搜索词+限定站点

(图2：搜索节点配置了动态查询词，确保每次搜索的内容都与用户当前需求相关。)

第三步：数据清洗与逻辑判断（Code Node / LLM Node）

搜索到的原始HTML很乱，我们需要用代码节点（Code）或大模型节点（LLM）来提取结构化信息。

方法A（推荐新手-LLM节点）：添加一个LLM节点，编写Prompt：
你是一个美食数据提取专家。请分析以下搜索结果，提取济南地区的鲁菜馆信息，并严格按照JSON格式输出：
```
[{"name": "店名", "rating": "评分", "address": "地址", "signature_dish": "招牌菜", "reason": "推荐理由"}]
```
只输出JSON，不要废话。
方法B（高级-代码节点）：如果你会Python，可以用代码写正则表达式或BeautifulSoup来解析，速度更快且免费（不消耗Token）。

https://via.placeholder.com/800x400/F5A623/FFFFFF?text=LLM节点：用Prompt指令将杂乱文本转为规整JSON

(图3：LLM节点接收搜索结果的文本，通过严格的Prompt指令，输出干净的JSON数组。)

第四步：生成最终答案（LLM Node）

现在我们有数据了（JSON数组），最后一步是让AI“说人话”。

添加第二个LLM节点：接收上一步解析好的JSON数据。
编写生成Prompt：
你是一个热情的济南本地导游。请根据以下餐厅列表，为用户生成一份探店攻略。

数据：{parse_result} （这是上一步的输出变量）

要求：
1. 用Markdown格式输出，包含表格。
2. 对每家店进行一句话犀利点评。
3. 最后给出总体建议（如“周一哪家不排队”）。

第五步：连线与测试

用鼠标从Start拖到Web Search，再拖到Parse Data，最后拖到Generate Answer。点击右上角“测试”，输入“推荐一家正宗的九转大肠”，查看流水线是否顺畅。

https://via.placeholder.com/800x400/9013FE/FFFFFF?text=工作流全景：Start->Search->Parse->Generate

(图4：完整的流程图展示了数据从输入到最终输出的流转路径，每个节点各司其职。)

三、避坑指南：Coze工作流常见“雷区”

问题现象	原因分析	解决方案
报错：变量未定义	节点A试图引用节点B的变量，但连线顺序错了（B在A之后执行）。	检查连线箭头方向，必须是从左到右的时间流。使用“测试”功能逐步调试。
LLM输出格式混乱	Prompt指令不清晰，AI“自由发挥”了。	在Prompt最后加上“只输出JSON，不要任何其他文字”或使用“格式化输出”功能。
搜索结果为空	搜索词太宽泛或加了错误的站点限制（如site:dianping.com拼错）。	在“网页搜索”节点中，先不用site限制，搜到结果后再逐步缩小范围。
工作流不触发	插件（Bot）中设置了“开场白”或“知识库”优先。	在Bot的“人设与回复”中，取消勾选“优先使用知识库”，或确保用户输入匹配了工作流的触发条件。