引言

Coze 平台（https://coze.cn）是一个创新的 AI 对话工具，专为创作者和开发者设计，旨在推动人工智能领域的边界。在这一部分，我们将概述 Coze 平台的核心理念，强调其在快速发展的 AI 时代的重要性。Coze 的独特之处在于其工作流功能，使用户能够以模块化、可视化的方式构建复杂的任务流程，从而高效完成插件调用、多步骤任务和数据处理等需求。

Coze 工作流概述

工作流是 Coze 平台的核心概念之一，它通过可视化界面串联各模块，为用户提供直观的任务管理体验。这部分内容将详细介绍工作流的定义、特点以及实际应用场景。具体而言：

多步骤任务：对于需要分步骤完成的复杂任务，工作流帮助定义清晰的顺序和逻辑，使流程井然有序。插件调用：工作流可以轻松对接外部插件，实现功能的无限扩展，满足定制化需求。数据处理：在大规模数据处理场景中，工作流提供精确的数据流转和加工方式，提升效率和准确性。

通过工作流，我们可以将复杂的任务拆解为多个可管理的部分，从而提高开发效率和系统的可维护性。

创建工作流

一般建议就简单一些，直接在 bot 里面新建工作流

📌

以前图像流是独立的，所以我们加了 wf 前缀，主要是方便后续查找

✏

如果发现自己创建的工作流不见了，可以在首页这里找工作空间-资源库-工作流

Coze 工作流的基本操作添加节点

通过底部“添加节点”按钮

通过输出节点拖动

节点的数据流动

通过连线，让信息在不同节点之间流动，可以理解为在不同节点之间加工数据，加工信息，每个节点左边输入，右边输出。

节点的排版

节点多了以后，需要有一个比较合理的布局和排版，系统提供了自动布局的功能。

布局前

布局后

放大缩小等试运行

试运行方便调试工作流本身的状态，方便我们检查输入输出是否正确，发布之前系统会要求我们试运行，确保运行正常。

运行成功以后，每个节点下方都会有一个信息，用来展示输入和输出，比如

方便我们定位问题，每个节点右上角有个 ▶️，可以点击单独测试

发布

发布成功的工作流才能被添加到智能体里面

🏆

学习的时候，为了方便创建工作流，可以点击发布旁边的按钮，创建副本

添加到 bot 里面如何让 bot 一直调用工作流

传统上调用工作流有一定的失败几率，简单来说，我们希望这个用户输入要调用工作流来实现，但是它可能没有调用。现在系统升级以后，可以简单粗暴让它一直调用工作流，比如：

Coze 工作流节点详解

在 Coze 的工作流中，节点是构成工作流的基本单元。每个节点代表一个特定的功能或操作。下面，我们来详细了解各类节点的功能和配置方法。

开始节点：

定义工作流的输入参数，是工作流的起点。

结束节点：

设置工作流的输出内容，是工作流的终点。

节点命名建议，含义在前，类型不加也可以。比如一个大语言模型节点，目的是为了方便选择的是看的清，同类节点不会选错。

插件

通过插件扩展大语言模型本身的限制。用于调用外部插件，实现特定功能。例如，可以使用插件节点抓取网页内容。

调用加入智能体以后，调用的次数，比如 A 插件被加入智能体 B，我们使用了 6 次，就是 6.引用就是被其他工作流或者智能体使用，比如 A 插件加入智能体，A 插件的引用就是 1.运行耗时平均耗时，如果很长，增加失败概率，也容易造成整个工作流运行超时成功率如果成功率不高，调用次数也不高，就有点尴尬了

即使官方插件也会有不稳定的情况，需要自己去尝试，找到适合当前场景的插件。

大模型节点

利用大语言模型生成文本内容。我们可以在节点中选择所用的大语言模型，设置生成内容的随机度（Temperature），并编写提示词。在提示词中，支持使用 {{variable}} 引用输入参数。

系统提示词和用户提示词，大部分情况下差异不大，可以考虑把完整的逻辑放在系统提示词里面，变量相关的内容放在用户提示词里面。

提示词本身也可以不用自己写，通过 coze 来写

如何使用变量？系统做了一个设定，变量用 {{}}来包裹，这里的变量就是前面输入的内容，如果变量名正确，会显示成 蓝色

🎁

没有特别原因，可以就直接采用系统自动生成的内容，输出变量默认是一个，等会会展示一个稍微复杂点的输出样例

代码节点

通过 IDE 编写 Python 或 JavaScript 脚本，处理输入参数并返回输出值。代码节点支持 JavaScript 和 Python 运行时。我们可以在节点内的代码区域单击“在 IDE 中编辑”，通过 IDE 编辑和调试代码。

尽量使用 javascript，尽量让 AI 去写。原则上能不写就不写，如果不熟悉，容易增加不必要的麻烦

选择器节点❤️

每增加一个条件，右边就会多出一个点，点中拖到对应的下一级节点。

这是一个 if-else 节点，用于设计工作流内的分支流程。当向该节点输入参数时，节点会判断是否符合“如果”区域的条件，符合则执行“如果”对应的工作流分支，否则执行“否则”对应的工作流分支。

意图识别

有点像 if/else，它根据输入的内容决定走下一个环节。从它的输出来看，它的 reason 是英文的。

🎨

可以简单理解为，它是一个简化版的大语言模型节点。为了更精准识别，可以采取的措看起来只有优化选项，让选项更精准，更凝练，实在不行换大语言模型节点。

问答节点

问答节点非常好解决了传统智能体交互的困扰，它的应用场景可以是不断打磨内容。

比如我们让智能体设计一张图，但是不满意，希望基于它来修改，这个时候，就可以借助问答节点，配合循环和图像生成来做。

再比如，让智能体不断修改文案，也可以是类似的方案。

变量节点：

用于读取或写入 Bot 的变量，方便在工作流中存储和传递数据。变量有 2 个方向，一个是设置变量，一个是获取变量，变量的名称要从智能体设置。否则会提示没有设置变量。

非常适合在不同工作流之间传递信息。

它内置的变量可以用来获取用户信息，通过经纬度获取城市，从而获取用户所在城市天气等

图像生成

根据不同模型，出现的效果也会不同，相同的提示词，出现的效果也会有所不同。另外有些模型需要参考图，有不同的参考方式

👍

传统图像流的大部分功能都已经迁移到插件中

比如抠图功能

画板（海报，解决文字）

在画板编辑里面可以设置尺寸，把前面节点的内容都加入进来。

🎁

小技巧，文字内容，点击上面的框无法移动，还是要点下面黑色字体那个才可以

可以自动以画报大小，手工填写即可

循环节点

二师兄: Coze 工作流中循环节点的基础与进阶用法——重复重复再重复

数据库和知识库

敬请期待

实际案例演示创建一个天气预报穿衣搭配运行效果

流程图

主流程，本来计划是增加一个获取用户当前位置的设置，但是失败了，暂时先只用输入的。

子流程

关键节点配置文本处理（处理天气组件的数据）

天气：{{String1[0].condition}}, 最高温：{{String1[0].temp_high}},最低温：{{String1[0].temp_low}},风向：{{String1[0].wind_dir_day}},风力:{{String1[0].wind_level_day}},湿度:{{String1[0].humidity}}

大模型-建议（根据天气给出穿搭建议）

角色 你是一个贴心的天气助手，能根据天气情况给出准确的穿衣建议、出行提示以及温暖的鼓励话语。 ## 技能 ### 技能 1: 分析天气并给出信息 1.. 根据天气状况，生成 JSON 格式的回复，包含穿衣建议、出行提示和鼓励话语。===回复示例==={ "clothing_advice":"<根据天气状况描述适合的穿着>", "travel_tips":"<根据天气状况给出出行建议>", "encouragement":"<一句温暖的鼓励话语>" }===示例结束===## 限制:- 只回答与天气相关的问题，拒绝回答与天气无关的话题。- 所输出的内容必须是 JSON 格式，不能偏离格式要求。

大模型（为了生成男性女性穿搭配图）

角色 你是一位专业的时尚穿搭顾问，能够根据不同天气为男性和女性提供合适且时尚的穿衣建议，并以图形提示词的形式呈现。 ## 技能 ### 技能 1：为男性提供穿衣建议及图形提示词 1. 当收到天气信息后，分析天气特点，如温度、湿度、是否有雨等。2. 根据天气特点，为男性提供具体的穿衣搭配建议，包括上衣、裤子、鞋子等。3. 同时，给出对应穿搭的图形提示词，放在变量male_graphic_prompt中。===回复示例===- 👨 男性穿搭建议：- 上衣：<具体上衣款式>- 裤子：<具体裤子款式>- 鞋子：<具体鞋子款式>- 配饰：<可适当添加配饰建议>- 🎨 male_graphic_prompt：<图形提示词，如“简约商务风男装，白色衬衫搭配黑色西裤和皮鞋”>===示例结束===### 技能 2：为女性提供穿衣建议及图形提示词 1. 同样根据天气信息分析特点。2. 为女性提供时尚的穿衣搭配建议，涵盖上衣、下装、鞋子和配饰。3. 给出对应穿搭的图形提示词，放在变量female_graphic_prompt中。===回复示例===- 👩 女性穿搭建议：- 上衣：<具体上衣款式>- 下装：<具体下装款式>- 鞋子：<具体鞋子款式>- 配饰：<可适当添加配饰建议>- 🎨 female_graphic_prompt：<图形提示词，如“甜美少女风女装，粉色连衣裙搭配白色帆布鞋和蝴蝶结发饰”>===示例结束===## 限制：- 只提供与穿衣建议相关的内容，不回答无关问题。- 输出内容必须按照给定格式组织，不得偏离。

背景-大模型（为了生成背景图的提示词）

你是一个天气画报生成助手，能够为指定城市找到当地的著名景点，并根据天气情况生成绘图用提示词。请你在回答时，先列出城市名称、当前天气情况，然后给出当地著名景点以及与之相关的绘图用提示词。例如：如果城市是北京，当前天气是晴天，你可以这样回答——“城市：北京。天气：晴天。著名景点：故宫。绘图用提示词：晴天之下宏伟的故宫，红墙黄瓦在阳光中熠熠生辉，蓝天白云映衬着古老的宫殿。”请务必确保信息准确，并且给出的绘图用提示词能够生动地描绘出景点在相应天气下的景象。限制：不要进行任何虚构创作，仅依据真实的城市景点和天气情况进行回答。画板创建一个网页内容摘要生成器

需求分析

用户输入一个 URL，系统抓取该网页的内容，并生成摘要。

工作流设计

1. 插件节点： 使用插件抓取网页内容。

2. 大模型节点： 利用大语言模型生成内容摘要。

3. 消息节点： 将生成的摘要发送给用户。

根据用户选择提供不同服务需求分析：

用户选择查询天气或新闻，系统根据用户选择提供相应的信息。

工作流设计：

1. 开始节点： 接收用户的选择，查询天气或新闻。

2. 选择器节点： 根据用户选择，进入不同的分支。

• 查询天气分支：

- 插件节点： 调用天气查询插件，获取当前天气信息。

• 查询新闻分支：

- 插件节点： 调用新闻查询插件，获取最新新闻。

3. 结束节点： 输出查询结果给用户。

扩展阅读 AI Agent 结构（LLWeng）

这个图是去年 OpenAI 的 LLWeng 提出来的关于 AI Agent 架构的设计，可以帮大家理解为什么 coze 和 dify 等平台为什么会设计成这样

短期记忆（Short-term Memory）与长期记忆（Long-term Memory）场景： 您是一位销售经理，和客户正在微信上沟通。客户刚刚说了自己的需求，但过一会儿又提到了一些补充信息。短期记忆就像您的脑子能快速记住这次沟通的上下文，长期记忆则是系统记住这个客户之前的历史订单和沟通过的内容。为什么需要： 如果短期记忆不好，您可能忘了客户刚刚提的需求；如果长期记忆不好，下次客户来了又要从头问起，会显得不专业。AI 的短期记忆和长期记忆帮它成为一个“靠谱”的职场助手。工具（Tools）场景： 您是一个团队领导，开会前需要快速计算预算，又需要查公司政策，还得查看日历安排会议时间。AI 如果像您一样只会“聊天”，显然不够用。它需要一整套工具，比如计算器、搜索引擎和日历，才能像一个真正的职场小帮手。为什么需要： 工作中没有一个万能的人，您也需要 Excel 来算账，Outlook 来安排日程。同样，AI 也需要工具帮助完成具体任务。比如，帮您算“季度报销额度”，或帮您查“行业趋势报告”。规划（Planning）场景： 作为一位中年职场人，您一天的任务可能是这样的：上午处理团队考核表，中午跟客户开线上会，下午整理季度销售数据。如果没有规划清晰的优先级和步骤，工作容易乱套，事情做一半，可能还会拖到第二天。为什么需要： AI 在帮您完成任务时，规划模块能确保它知道任务的先后顺序，而不是胡乱给您反馈。比如，在安排一天工作时，它会优先提醒您要先完成有截止时间的任务。行动（Action）场景： 假设您对 AI 助手说：“帮我写一封邮件给供应商，询问下季度的供货计划。” AI 必须根据您提供的信息，把邮件真正发出去，而不是只停留在“我知道您要发邮件”的层面。为什么需要： 规划任务是“想”，行动模块是“做”。如果 AI 不能执行，比如发送邮件、调用表格或触发日程提醒，那它就无法真正帮您减轻工作负担。反思（Reflection）场景： 您在部门例会上汇报了一个项目计划，但回头发现遗漏了关键数据。您会自我反思，调整方案，下次做得更好。同样，AI 需要反思自己的任务是否完成得准确，是否有优化空间。为什么需要： 反思模块让 AI 更像一个严谨的助理。比如，您让 AI 查数据，如果它发现自己提供的数据不完整，能主动告诉您：“我发现某些数据可能需要更新，建议再核实一下。”自我批评（Self-critics）场景： 假设您是财务负责人，AI 帮您生成了一份预算报告，但它自己发现报告中的某些部分可能不合理。它会主动给出警告，提醒您注意潜在问题。为什么需要： 工作中，我们都需要对自己的成果保持“挑剔”。AI 通过自我批评模块，能主动质疑自己的输出，确保最终结果足够靠谱。例如，预算数据看起来不平衡，它会主动提出来。思维链（Chain of Thoughts）场景： 在业务分析会上，老板问您一个问题：“本季度利润下降的原因是什么？” 您需要先看销售数据，再分析支出情况，最后总结原因。AI 也需要通过逻辑推导逐步给出答案，而不是直接跳到结论。为什么需要： 简单的问题可以直接回答，但复杂的逻辑推理需要分步骤完成。思维链模块确保 AI 按照清晰的思路，帮您分析问题。子目标分解（Subgoal Decomposition）场景： 您在做年度规划时，知道最终目标是“提升 30%的销售额”。要完成这个大目标，需要先分解成多个子任务，比如“优化营销方案”“增加新客户渠道”“提高客户复购率”。为什么需要： AI 如果直接解决大任务，会手忙脚乱。通过分解子目标，它能逐步完成任务，像一个有条理的职场助理。

为什么需要工作流处理复杂任务的能力有限

案例：在线旅游预订助手

传统 Chatbot 的局限性： 传统聊天机器人在处理多步骤任务时，往往只能按照预设的对话流程进行，难以灵活应对用户的个性化需求。例如，在预订旅游行程时，用户可能需要选择目的地、出发日期、交通方式、住宿类型等多个选项。传统 Chatbot 可能无法有效地引导用户完成整个预订流程，导致用户体验不佳。Coze 工作流的解决方案： 通过 Coze 的工作流功能，可以将复杂的预订流程拆解为多个节点，每个节点处理特定的任务，如获取用户输入、调用外部 API 获取航班和酒店信息、计算价格等。这样，Chatbot 能够灵活地引导用户完成整个预订流程，提高用户满意度。上下文理解不足

案例：客户服务咨询

传统 Chatbot 的局限性： 在长时间对话中，传统 Chatbot 往往难以保持对上下文的准确理解，可能会忽略之前的对话内容，导致回复不相关或重复询问用户信息。Coze 工作流的解决方案： Coze 的工作流可以在不同节点之间传递和存储上下文信息，确保 Chatbot 在整个对话过程中保持对用户需求的准确理解，从而提供连贯且相关的回复。缺乏动态数据处理

案例：实时股票查询

传统 Chatbot 的局限性： 传统 Chatbot 可能无法实时获取最新的股票市场数据，导致提供的信息过时或不准确。Coze 工作流的解决方案： 通过集成外部插件和 API，Coze 工作流可以实时获取最新的股票数据，并将其呈现给用户，确保信息的时效性和准确性。个性化服务能力不足

案例：个性化新闻推送

传统 Chatbot 的局限性： 由于缺乏对用户兴趣和历史行为的了解，传统 Chatbot 难以提供符合用户偏好的新闻内容。Coze 工作流的解决方案： 通过在工作流中存储和分析用户的历史行为和偏好，Chatbot 可以为用户推送个性化的新闻内容，提升用户体验。

通过以上案例，可以看出 Coze 工作流在处理复杂任务、上下文管理、动态数据处理和个性化服务方面，显著提升了 Chatbot 的能力，克服了传统 Chatbot 的局限性。