【干貨分享】AI 開發者必學！掌握 Coze 工作流核心技能的全攻略！——慢慢學AI145

引言

Coze 平臺（https://）是一個創新的 AI 對話工具，專為創作者和開發者設計，旨在推動人工智能領域的邊界。在這一部分，我們將概述 Coze 平臺的核心理念，強調其在快速發展的 AI 時代的重要性。Coze 的獨特之處在于其工作流功能，使用戶能夠以模塊化、可視化的方式構建復雜的任務流程，從而高效完成插件調用、多步驟任務和數據處理等需求。　

Coze 工作流概述

工作流是 Coze 平臺的核心概念之一，它通過可視化界面串聯各模塊，為用戶提供直觀的任務管理體驗。這部分內容將詳細介紹工作流的定義、特點以及實際應用場景。具體而言：

1. 多步驟任務：對于需要分步驟完成的復雜任務，工作流幫助定義清晰的順序和邏輯，使流程井然有序。
2. 插件調用：工作流可以輕松對接外部插件，實現功能的無限擴展，滿足定制化需求。
3. 數據處理：在大規模數據處理場景中，工作流提供精確的數據流轉和加工方式，提升效率和準確性。

通過工作流，我們可以將復雜的任務拆解為多個可管理的部分，從而提高開發效率和系統的可維護性。　

創建工作流

一般建議就簡單一些，直接在bot里面新建工作流　

Coze工作流的基本操作

添加節點

通過底部“添加節點”按鈕　

通過輸出節點拖動　

節點的數據流動

通過連線，讓信息在不同節點之間流動，可以理解為在不同節點之間加工數據，加工信息，每個節點左邊輸入，右邊輸出。　

節點的排版

節點多了以后，需要有一個比較合理的布局和排版，系統提供了自動布局的功能。　

布局前　

布局后　

放大縮小等

試運行

試運行方便調試工作流本身的狀態，方便我們檢查輸入輸出是否正確，發布之前系統會要求我們試運行，確保運行正常。　

運行成功以后，每個節點下方都會有一個信息，用來展示輸入和輸出，比如　

方便我們定位問題，每個節點右上角有個 ??，可以點擊單獨測試　

發布

發布成功的工作流才能被添加到智能體里面　

添加到bot里面

如何讓bot一直調用工作流

傳統上調用工作流有一定的失敗幾率，簡單來說，我們希望這個用戶輸入要調用工作流來實現，但是它可能沒有調用。現在系統升級以后，可以簡單粗暴讓它一直調用工作流，比如：　

Coze 工作流節點詳解

在 Coze 的工作流中，節點是構成工作流的基本單元。每個節點代表一個特定的功能或操作。下面，我們來詳細了解各類節點的功能和配置方法。　

開始節點：

定義工作流的輸入參數，是工作流的起點。　

結束節點：

設置工作流的輸出內容，是工作流的終點。　

插件

通過插件擴展大語言模型本身的限制。用于調用外部插件，實現特定功能。例如，可以使用插件節點抓取網頁內容。　

• 調用
• 加入智能體以后，調用的次數，比如A插件被加入智能體B，我們使用了6次，就是 6.
• 引用
• 就是被其他工作流或者智能體使用，比如A 插件加入智能體，A插件的引用就是 1.
• 運行耗時
• 平均耗時，如果很長，增加失敗概率，也容易造成整個工作流運行超時
• 成功率
• 如果成功率不高，調用次數也不高，就有點尷尬了

大模型節點

利用大語言模型生成文本內容。我們可以在節點中選擇所用的大語言模型，設置生成內容的隨機度（Temperature），并編寫提示詞。在提示詞中，支持使用 {{variable}} 引用輸入參數。　

系統提示詞和用戶提示詞，大部分情況下差異不大，可以考慮把完整的邏輯放在系統提示詞里面，變量相關的內容放在用戶提示詞里面。　

提示詞本身也可以不用自己寫，通過coze來寫　

如何使用變量？系統做了一個設定，變量用 {{}}來包裹，這里的變量就是前面輸入的內容，如果變量名正確，會顯示成 藍色　

代碼節點

通過 IDE 編寫 Python 或 JavaScript 腳本，處理輸入參數并返回輸出值。代碼節點支持 JavaScript 和 Python 運行時。我們可以在節點內的代碼區域單擊“在 IDE 中編輯”，通過 IDE 編輯和調試代碼。　

選擇器節點

這是一個 if-else 節點，用于設計工作流內的分支流程。當向該節點輸入參數時，節點會判斷是否符合“如果”區域的條件，符合則執行“如果”對應的工作流分支，否則執行“否則”對應的工作流分支。　

意圖識別

有點像if/else，它根據輸入的內容決定走下一個環節。從它的輸出來看，它的reason是英文的。　

問答節點

問答節點非常好解決了傳統智能體交互的困擾，它的應用場景可以是不斷打磨內容。　

比如我們讓智能體設計一張圖，但是不滿意，希望基于它來修改，這個時候，就可以借助問答節點，配合循環和圖像生成來做。　

再比如，讓智能體不斷修改文案，也可以是類似的方案。　

變量節點：

用于讀取或寫入 Bot 的變量，方便在工作流中存儲和傳遞數據。變量有2個方向，一個是設置變量，一個是獲取變量，變量的名稱要從智能體設置。否則會提示沒有設置變量。　

圖像生成

根據不同模型，出現的效果也會不同，相同的提示詞，出現的效果也會有所不同。另外有些模型需要參考圖，有不同的參考方式　

比如摳圖功能　

畫板（海報，解決文字）

在畫板編輯里面可以設置尺寸，把前面節點的內容都加入進來。　

可以自動以畫報大小，手工填寫即可　

循環節點

二師兄: Coze工作流中循環節點的基礎與進階用法——重復重復再重復　

數據庫和知識庫

敬請期待　

實際案例演示

創建一個天氣預報穿衣搭配

運行效果

流程圖

主流程，本來計劃是增加一個獲取用戶當前位置的設置，但是失敗了，暫時先只用輸入的。　

子流程　

關鍵節點配置

文本處理（處理天氣組件的數據）

天氣：{{String1[0].condition}}, 最高溫：{{String1[0].temp_high}},最低溫：{{String1[0].temp_low}},風向：{{String1[0].wind_dir_day}},風力:{{String1[0].wind_level_day}},濕度:{{String1[0].humidity}}

大模型-建議（根據天氣給出穿搭建議）

# 角色 你是一個貼心的天氣助手，能根據天氣情況給出準確的穿衣建議、出行提示以及溫暖的鼓勵話語。 ## 技能 ### 技能1: 分析天氣并給出信息1.. 根據天氣狀況，生成 JSON 格式的回復，包含穿衣建議、出行提示和鼓勵話語。===回復示例==={ 'clothing_advice':'<根據天氣狀況描述適合的穿著>', 'travel_tips':'<根據天氣狀況給出出行建議>', 'encouragement':'<一句溫暖的鼓勵話語>' }===示例結束===## 限制:- 只回答與天氣相關的問題，拒絕回答與天氣無關的話題。- 所輸出的內容必須是 JSON 格式，不能偏離格式要求。

大模型（為了生成男性女性穿搭配圖）

# 角色 你是一位專業的時尚穿搭顧問，能夠根據不同天氣為男性和女性提供合適且時尚的穿衣建議，并以圖形提示詞的形式呈現。 ## 技能 ### 技能1：為男性提供穿衣建議及圖形提示詞1. 當收到天氣信息后，分析天氣特點，如溫度、濕度、是否有雨等。2. 根據天氣特點，為男性提供具體的穿衣搭配建議，包括上衣、褲子、鞋子等。3. 同時，給出對應穿搭的圖形提示詞，放在變量`male_graphic_prompt`中。===回復示例===- ?? 男性穿搭建議：- 上衣：<具體上衣款式>- 褲子：<具體褲子款式>- 鞋子：<具體鞋子款式>- 配飾：<可適當添加配飾建議>- ?? male_graphic_prompt：<圖形提示詞，如“簡約商務風男裝，白色襯衫搭配黑色西褲和皮鞋”>===示例結束===### 技能2：為女性提供穿衣建議及圖形提示詞1. 同樣根據天氣信息分析特點。2. 為女性提供時尚的穿衣搭配建議，涵蓋上衣、下裝、鞋子和配飾。3. 給出對應穿搭的圖形提示詞，放在變量`female_graphic_prompt`中。===回復示例===- ?? 女性穿搭建議：- 上衣：<具體上衣款式>- 下裝：<具體下裝款式>- 鞋子：<具體鞋子款式>- 配飾：<可適當添加配飾建議>- ?? female_graphic_prompt：<圖形提示詞，如“甜美少女風女裝，粉色連衣裙搭配白色帆布鞋和蝴蝶結發飾”>===示例結束===## 限制：- 只提供與穿衣建議相關的內容，不回答無關問題。- 輸出內容必須按照給定格式組織，不得偏離。

背景-大模型（為了生成背景圖的提示詞）

你是一個天氣畫報生成助手，能夠為指定城市找到當地的著名景點，并根據天氣情況生成繪圖用提示詞。請你在回答時，先列出城市名稱、當前天氣情況，然后給出當地著名景點以及與之相關的繪圖用提示詞。例如：如果城市是北京，當前天氣是晴天，你可以這樣回答——“城市：北京。天氣：晴天。著名景點：故宮。繪圖用提示詞：晴天之下宏偉的故宮，紅墻黃瓦在陽光中熠熠生輝，藍天白云映襯著古老的宮殿。”請務必確保信息準確，并且給出的繪圖用提示詞能夠生動地描繪出景點在相應天氣下的景象。限制：不要進行任何虛構創作，僅依據真實的城市景點和天氣情況進行回答。

畫板

創建一個網頁內容摘要生成器

需求分析

用戶輸入一個 URL，系統抓取該網頁的內容，并生成摘要。　

工作流設計

1. 插件節點： 使用插件抓取網頁內容。 　

2. 大模型節點： 利用大語言模型生成內容摘要。 　

3. 消息節點： 將生成的摘要發送給用戶。　

根據用戶選擇提供不同服務

需求分析：

用戶選擇查詢天氣或新聞，系統根據用戶選擇提供相應的信息。　

工作流設計：

1. 開始節點： 接收用戶的選擇，查詢天氣或新聞。 　

2. 選擇器節點： 根據用戶選擇，進入不同的分支。 　

- **查詢天氣分支：** 　

3. 結束節點： 輸出查詢結果給用戶。　

擴展閱讀

AI Agent結構（LLWeng）

這個圖是去年OpenAI的LLWeng提出來的關于AI Agent架構的設計，可以幫大家理解為什么coze和dify等平臺為什么會設計成這樣　

短期記憶（Short-term Memory）與長期記憶（Long-term Memory）

• 場景： 您是一位銷售經理，和客戶正在微信上溝通。客戶剛剛說了自己的需求，但過一會兒又提到了一些補充信息。短期記憶就像您的腦子能快速記住這次溝通的上下文，長期記憶則是系統記住這個客戶之前的歷史訂單和溝通過的內容。
• 為什么需要： 如果短期記憶不好，您可能忘了客戶剛剛提的需求；如果長期記憶不好，下次客戶來了又要從頭問起，會顯得不專業。AI 的短期記憶和長期記憶幫它成為一個“靠譜”的職場助手。

工具（Tools）

• 場景： 您是一個團隊領導，開會前需要快速計算預算，又需要查公司政策，還得查看日歷安排會議時間。AI 如果像您一樣只會“聊天”，顯然不夠用。它需要一整套工具，比如計算器、搜索引擎和日歷，才能像一個真正的職場小幫手。
• 為什么需要： 工作中沒有一個萬能的人，您也需要 Excel 來算賬，Outlook 來安排日程。同樣，AI 也需要工具幫助完成具體任務。比如，幫您算“季度報銷額度”，或幫您查“行業趨勢報告”。

規劃（Planning）

• 場景： 作為一位中年職場人，您一天的任務可能是這樣的：上午處理團隊考核表，中午跟客戶開線上會，下午整理季度銷售數據。如果沒有規劃清晰的優先級和步驟，工作容易亂套，事情做一半，可能還會拖到第二天。
• 為什么需要： AI 在幫您完成任務時，規劃模塊能確保它知道任務的先后順序，而不是胡亂給您反饋。比如，在安排一天工作時，它會優先提醒您要先完成有截止時間的任務。

行動（Action）

• 場景： 假設您對 AI 助手說：“幫我寫一封郵件給供應商，詢問下季度的供貨計劃。” AI 必須根據您提供的信息，把郵件真正發出去，而不是只停留在“我知道您要發郵件”的層面。
• 為什么需要： 規劃任務是“想”，行動模塊是“做”。如果 AI 不能執行，比如發送郵件、調用表格或觸發日程提醒，那它就無法真正幫您減輕工作負擔。

反思（Reflection）

• 場景： 您在部門例會上匯報了一個項目計劃，但回頭發現遺漏了關鍵數據。您會自我反思，調整方案，下次做得更好。同樣，AI 需要反思自己的任務是否完成得準確，是否有優化空間。
• 為什么需要： 反思模塊讓 AI 更像一個嚴謹的助理。比如，您讓 AI 查數據，如果它發現自己提供的數據不完整，能主動告訴您：“我發現某些數據可能需要更新，建議再核實一下。”

自我批評（Self-critics）

• 場景： 假設您是財務負責人，AI 幫您生成了一份預算報告，但它自己發現報告中的某些部分可能不合理。它會主動給出警告，提醒您注意潛在問題。
• 為什么需要： 工作中，我們都需要對自己的成果保持“挑剔”。AI 通過自我批評模塊，能主動質疑自己的輸出，確保最終結果足夠靠譜。例如，預算數據看起來不平衡，它會主動提出來。

思維鏈（Chain of Thoughts）

• 場景： 在業務分析會上，老板問您一個問題：“本季度利潤下降的原因是什么？” 您需要先看銷售數據，再分析支出情況，最后總結原因。AI 也需要通過邏輯推導逐步給出答案，而不是直接跳到結論。
• 為什么需要： 簡單的問題可以直接回答，但復雜的邏輯推理需要分步驟完成。思維鏈模塊確保 AI 按照清晰的思路，幫您分析問題。

子目標分解（Subgoal Decomposition）

• 場景： 您在做年度規劃時，知道最終目標是“提升30%的銷售額”。要完成這個大目標，需要先分解成多個子任務，比如“優化營銷方案”“增加新客戶渠道”“提高客戶復購率”。
• 為什么需要： AI 如果直接解決大任務，會手忙腳亂。通過分解子目標，它能逐步完成任務，像一個有條理的職場助理。

為什么需要工作流

1. 處理復雜任務的能力有限

案例：在線旅游預訂助手　

• 傳統 Chatbot 的局限性： 傳統聊天機器人在處理多步驟任務時，往往只能按照預設的對話流程進行，難以靈活應對用戶的個性化需求。例如，在預訂旅游行程時，用戶可能需要選擇目的地、出發日期、交通方式、住宿類型等多個選項。傳統 Chatbot 可能無法有效地引導用戶完成整個預訂流程，導致用戶體驗不佳。
• Coze 工作流的解決方案： 通過 Coze 的工作流功能，可以將復雜的預訂流程拆解為多個節點，每個節點處理特定的任務，如獲取用戶輸入、調用外部 API 獲取航班和酒店信息、計算價格等。這樣，Chatbot 能夠靈活地引導用戶完成整個預訂流程，提高用戶滿意度。

1. 上下文理解不足

案例：客戶服務咨詢　

• 傳統 Chatbot 的局限性： 在長時間對話中，傳統 Chatbot 往往難以保持對上下文的準確理解，可能會忽略之前的對話內容，導致回復不相關或重復詢問用戶信息。
• Coze 工作流的解決方案： Coze 的工作流可以在不同節點之間傳遞和存儲上下文信息，確保 Chatbot 在整個對話過程中保持對用戶需求的準確理解，從而提供連貫且相關的回復。

1. 缺乏動態數據處理

案例：實時股票查詢　

• 傳統 Chatbot 的局限性： 傳統 Chatbot 可能無法實時獲取最新的股票市場數據，導致提供的信息過時或不準確。
• Coze 工作流的解決方案： 通過集成外部插件和 API，Coze 工作流可以實時獲取最新的股票數據，并將其呈現給用戶，確保信息的時效性和準確性。

1. 個性化服務能力不足

案例：個性化新聞推送　

• 傳統 Chatbot 的局限性： 由于缺乏對用戶興趣和歷史行為的了解，傳統 Chatbot 難以提供符合用戶偏好的新聞內容。
• Coze 工作流的解決方案： 通過在工作流中存儲和分析用戶的歷史行為和偏好，Chatbot 可以為用戶推送個性化的新聞內容，提升用戶體驗。

通過以上案例，可以看出 Coze 工作流在處理復雜任務、上下文管理、動態數據處理和個性化服務方面，顯著提升了 Chatbot 的能力，克服了傳統 Chatbot 的局限性。