30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度在实际 AI 应用开发中如何将大模型的能力封装成稳定、可交互、能处理复杂逻辑的智能体是许多开发者和产品经理面临的核心挑战。Coze 作为一个低代码的 AI 应用开发平台通过“智能体”和“工作流”两大核心概念降低了构建 AI 应用的复杂度。然而从理解概念到真正搭建一个能处理多轮对话、调用工具、串联逻辑的智能体中间存在大量实践细节。本文将围绕 Coze 平台深入讲解如何从零开始构建一个具备多智能体协作能力的应用涵盖智能体设计、工作流编排、知识库集成以及外部 API 调用等关键环节旨在提供一份可落地、可复现的实战指南。1. 理解 Coze 的核心概念智能体、工作流与知识库在开始动手之前必须清晰理解 Coze 平台构建 AI 应用的几个核心抽象。这决定了你后续的设计思路和实现路径。1.1 智能体AI 应用的交互界面与决策中枢智能体是 Coze 中最核心的单元你可以将其理解为一个具备特定身份、能力和目标的 AI 助手。它直接面向最终用户负责接收用户输入、理解意图、规划行动并生成回复。一个智能体通常由以下几部分构成人设与回复逻辑定义智能体的角色、性格和对话风格。例如它可以是一个“美食推荐专家”或“技术支持工程师”。开场白用户初次进入对话时智能体主动发送的引导信息。提示词这是智能体的“大脑”决定了它如何理解问题、遵循何种规则进行思考。高质量的提示词是智能体表现优异的关键。技能智能体可以调用的工具。Coze 提供了预置技能如联网搜索、画图、代码解释器和自定义技能即工作流。知识库智能体专属的私有信息库用于存储文档、FAQ 等让智能体能基于特定知识回答问题。发布渠道智能体可以发布到 Coze 官方 Bot、飞书、微信、Web 等平台。注意不要把智能体想象成一个完整的后端服务。它更像是一个协调者其核心能力在于理解、规划和调度具体的复杂任务执行应交由“工作流”或“技能”来完成。1.2 工作流实现复杂逻辑与多步骤任务的引擎工作流是 Coze 中用于实现确定性、多步骤逻辑的模块。当智能体遇到一个需要固定流程、条件判断、数据处理或调用外部 API 的任务时就应该使用工作流。工作流的核心是可视化编排。它由一系列节点通过连线组成每个节点代表一个操作例如开始节点接收来自智能体的输入参数。LLM 节点调用大模型进行文本生成、分类或提取。代码节点执行 Python 或 JavaScript 代码进行数据处理、计算或调用第三方库。知识库节点从指定的知识库中检索相关信息。条件判断节点根据条件执行不同的分支。HTTP 请求节点调用外部 RESTful API。结束节点将处理结果返回给智能体。工作流最终会作为一个“技能”被智能体调用。这种设计实现了决策智能体与执行工作流的分离使得智能体保持灵活而复杂逻辑变得可维护、可调试。1.3 知识库为智能体注入专属记忆知识库允许你上传文档TXT、PDF、Word、Excel、PPT等或直接输入文本平台会将其切片、向量化并存储。当用户提问时智能体会优先从关联的知识库中检索最相关的片段并基于这些信息生成回答。这解决了大模型的两个核心痛点信息滞后性不知道最新或非公开信息和幻觉问题胡编乱造。通过知识库你可以让智能体成为一个特定领域的“专家”。1.4 多智能体协作分工与集成的艺术“多智能体协作”在 Coze 中有两种常见实现模式主从模式一个主智能体负责接待用户、分析意图当遇到特定领域问题时它调用另一个专精于此领域的子智能体通过其发布的 API来解决问题最后整合结果回复给用户。工作流编排模式在一个复杂的工作流中可以串联多个 LLM 节点每个节点扮演不同的角色如分析员、审核员、润色员通过前一个节点的输出作为后一个节点的输入协作完成一个任务。这本质上是在一个流程中模拟了多个智能体的协作是更常用且可控的方式。理解了这些概念我们就可以开始搭建环境并创建第一个智能体了。2. 环境准备与第一个智能体搭建我们将从注册 Coze 账号开始逐步创建一个具备基础对话能力的智能体并为其添加简单的技能。2.1 平台注册与界面熟悉首先访问 Coze 官网并注册登录。进入控制台后主要功能区包括智能体创建和管理你的智能体。工作流创建和管理可视化工作流。知识库创建和管理知识库。发布将智能体部署到各个渠道。建议先花几分钟浏览界面了解各个功能入口的位置。2.2 创建你的第一个智能体美食推荐助手我们以一个“美食推荐助手”为例演示创建过程。新建智能体点击“创建智能体”输入名称“美食推荐小助手”。配置人设与提示词在“人设与回复逻辑”区域编写提示词。这是最关键的一步。你是一个热情、专业的美食推荐助手精通中国各大菜系和街头小吃。 你的目标是帮助用户根据他们的口味偏好、预算、场合和人数推荐合适的餐厅或菜品。 请遵循以下规则 1. 首先主动询问用户的偏好包括口味辣/甜/咸等、预算区间、用餐场合朋友聚餐/家庭宴会/情侣约会等和人数。 2. 根据用户提供的信息给出3个具体的餐厅或菜品推荐并简要说明推荐理由。 3. 推荐时需考虑餐厅的地理位置如果用户提供了城市信息和人均消费是否在预算内。 4. 如果用户没有提供足够信息请友好地引导提问不要凭空猜测。 5. 回复风格应亲切、有条理使用适当的表情符号如但不要过度。这段提示词明确了角色、目标、具体步骤和风格能有效引导模型行为。设置开场白编写一句引导用户开始对话的话。你好呀我是你的美食推荐小助手。无论你想找朋友聚餐的热闹餐厅还是情侣约会的浪漫西餐我都可以帮你出主意请告诉我你的口味偏好、预算和用餐人数吧~选择模型在模型配置区可以选择不同的基座模型如 GPT-4、云雀等。对于中文场景Coze 自研的模型通常有更好的优化。初期可以选择一个响应速度较快的默认模型。保存与预览点击右上角“保存”然后点击“预览”。在右侧的对话窗口你就可以测试智能体的基础对话能力了。至此一个基于纯对话的智能体就创建完成了。但它还不会处理复杂任务比如查询实时信息或执行计算。2.3 为智能体添加预置技能联网搜索为了让智能体能推荐最新的餐厅信息我们需要赋予它“联网搜索”的能力。在智能体编辑页面找到“技能”区域点击“添加技能”。在技能商店中找到“联网搜索”并添加。添加后你可以配置该技能。通常需要开启“每次对话自动判断是否使用”或“在提示词中手动触发”。为了演示我们选择自动判断。修改提示词在末尾加上一句“如果需要查询最新的餐厅评分、营业时间或用户评价你可以使用联网搜索功能。”保存并预览。现在你可以问“北京海淀区最近新开了哪些评价不错的川菜馆” 智能体应该会尝试调用联网搜索来获取信息。注意联网搜索依赖于外部搜索引擎的结果可能受网络和搜索关键词影响结果不一定完全准确或符合格式要求。3. 构建核心工作流实现确定性业务逻辑当任务超出简单对话和搜索需要固定流程时工作流就派上用场了。我们构建一个“餐厅预订信息生成器”工作流。场景用户提供了用餐需求智能体调用此工作流生成一份结构化的预订信息摘要包含推荐餐厅、推荐理由、预估费用和注意事项。3.1 创建工作流并定义输入参数进入“工作流”页面点击“创建工作流”命名为“生成餐厅预订摘要”。点击“开始”节点在右侧面板定义输入参数。这些参数将由调用此工作流的智能体传入。user_request:string类型用户原始请求如“周末家庭聚餐6人预算500元想吃本帮菜”。city:string类型城市如“上海”。meal_time:string类型用餐时间如“周六晚餐”。3.2 编排工作流节点我们将设计一个包含 LLM 分析、条件判断和格式化输出的工作流。LLM 节点 - 分析需求从左侧拖入一个“LLM”节点连接到开始节点后。配置该节点系统提示词你是一个餐饮分析专家。请根据用户需求分析出核心的用餐要素。 要素包括菜系倾向、人均预算、人数、场合氛围如热闹/安静、特殊要求如包间、儿童椅。 请以JSON格式输出格式如下 { cuisine: 菜系, budget_per_person: 人均预算数字, party_size: 人数, occasion: 场合, special_requirements: [要求1, 要求2] } 如果某项信息不明确请用null表示。用户消息填入{{user_request}}引用输入参数。此节点的输出将是一个结构化的 JSON 字符串。代码节点 - 解析与计算拖入一个“代码”节点选择 Python。编写代码解析上一步的 JSON并计算总预算。import json # 获取上一个LLM节点的输出 analysis_result {{llm_1.output}} # 注意在实际配置中{{llm_1.output}}需要通过变量选择器绑定这里为示意。 # 解析JSON try: data json.loads(analysis_result) cuisine data.get(cuisine) budget_pp data.get(budget_per_person) size data.get(party_size) occasion data.get(occasion) # 计算总预算 total_budget budget_pp * size if budget_pp and size else None # 输出给后续节点 output { “parsed_cuisine”: cuisine, “parsed_budget_pp”: budget_pp, “parsed_party_size”: size, “parsed_occasion”: occasion, “calculated_total_budget”: total_budget } except Exception as e: output {“error”: str(e)} print(output) # print的内容会出现在工作流执行日志中此节点的输出是output字典。条件判断节点 - 检查预算是否合理拖入“条件判断”节点。设置条件{{code_1.output.calculated_total_budget}} 1000。假设我们认为人均预算过高或人数过多导致总价超过1000元时需要提醒用户。配置两个分支“是”和“否”。LLM 节点分支1- 生成高预算提醒在“是”分支后连接一个 LLM 节点。系统提示词“用户的总预算较高请生成一句友好的提醒建议用户确认预算或询问是否是有特殊庆祝场合。”用户消息用户需求{{user_request}}计算出的总预算为{{code_1.output.calculated_total_budget}}元。LLM 节点分支2及合并后- 生成最终推荐摘要在“否”分支后以及“高预算提醒”节点后共同连接到一个新的 LLM 节点这需要用到“合并”流程Coze工作流通常会自动处理并行分支的合并。配置最终生成的 LLM 节点系统提示词你是一个专业的餐厅预订助手。请根据提供的分析结果生成一份完整的预订信息摘要。 摘要需包含 1. 【推荐餐厅类型】基于菜系、场合和预算推荐。 2. 【推荐理由】1-2点简要理由。 3. 【预估费用】人均和总计。 4. 【注意事项】如是否需要提前预订、停车建议等。 如果上游有预算提醒请将提醒内容融入“注意事项”中。 格式要求清晰使用项目符号。用户消息将之前所有节点的关键输出作为上下文传入例如用户原始需求{{user_request}} 需求分析结果菜系-{{code_1.output.parsed_cuisine}}, 人数-{{code_1.output.parsed_party_size}}, 场合-{{code_1.output.parsed_occasion}} 预算分析人均{{code_1.output.parsed_budget_pp}}元总计{{code_1.output.calculated_total_budget}}元。 {{#if condition_1.output}}预算提醒{{llm_2.output}}{{/if}}结束节点将最终 LLM 节点的输出连接到“结束”节点作为整个工作流的返回结果。3.3 调试与测试工作流工作流编排完成后务必使用“测试”功能。点击右上角“测试”。在测试面板输入参数user_request: “周末家庭聚餐6人预算500元想吃本帮菜”,city: “上海”,meal_time: “周六晚餐”。点击运行观察每个节点的执行状态、输入和输出。利用这个功能可以精准定位逻辑错误或节点配置问题。3.4 将工作流发布为技能并供智能体调用工作流测试无误后点击“发布”。发布时需要设定技能的名称、描述和输入参数。系统通常会根据“开始”节点自动生成。发布成功后在“美食推荐小助手”智能体的“技能”页面点击“添加技能”现在可以在“我的技能”中找到“生成餐厅预订摘要”添加它。修改智能体的提示词在末尾增加调用规则“当用户明确表达了预订意向或提供了详细的用餐需求人数、预算、时间、菜系时请调用‘生成餐厅预订摘要’技能来为用户生成一份结构化建议。”现在你的智能体就具备了处理复杂预订请求的能力。当用户提出详细需求时智能体会自动调用这个工作流生成比简单对话更规范、更结构化的答复。4. 集成知识库与外部 API打造专业智能体4.1 创建并关联知识库假设你是某连锁餐厅的运营需要让智能体回答关于门店、菜单和促销活动的问题。创建知识库在“知识库”页面点击“新建知识库”命名为“XX餐厅内部知识库”。上传文档上传包含门店地址、联系电话、招牌菜单、最新促销活动、常见问题FAQ的文档如 Word 或 PDF。也可以直接输入文本片段例如Q: 王府井店营业到几点 A: 王府井店营业时间为周一至周日 10:00 - 22:00。 Q: 最新的会员优惠是什么 A: 本月会员专享“满200减50”优惠券可通过小程序领取。 [菜单] 招牌菜经典红烧肉 - 88元清蒸鲈鱼 - 128元。关联知识库在“美食推荐小助手”智能体编辑页面找到“知识库”区域添加刚刚创建的“XX餐厅内部知识库”。配置检索策略可以设置检索模式如同时使用向量检索和关键词检索、引用来源等。测试现在询问智能体“王府井店晚上九点还能用餐吗” 智能体会优先从知识库中检索相关信息来回答而不是依赖模型本身的知识回答更准确、更可控。4.2 通过 HTTP 节点调用外部 API工作流中的“HTTP 请求”节点可以调用任何外部服务。例如我们可以连接一个真实的餐厅预订系统 API。在工作流中添加 HTTP 请求节点在之前的工作流中可以在生成摘要后添加一个 HTTP 节点来模拟提交预订。配置节点URL填写你的预订 API 地址例如https://api.your-restaurant.com/v1/reservation。方法POST。Headers添加Content-Type: application/json和必要的认证头如Authorization: Bearer {{api_token}}api_token可作为工作流的加密参数传入。Body选择raw格式为 JSON内容可以引用之前节点的输出{ “customer_query”: “{{user_request}}”, “recommended_type”: “{{llm_final.output.推荐餐厅类型}}”, “estimated_total”: {{code_1.output.calculated_total_budget}}, “meal_time”: “{{meal_time}}” }处理响应HTTP 节点之后可以连接代码节点用于解析 API 返回的 JSON判断预订是否成功并将结果整合到最终回复中。通过这种方式Coze 工作流成为了连接大模型能力与现有业务系统的桥梁。5. 多智能体协作模式实战我们实现一个主从协作的案例一个“餐饮客服总机”智能体根据用户问题类型自动路由到“预订助手”或“投诉处理专员”智能体。5.1 创建子智能体并获取 API创建“投诉处理专员”智能体新建一个智能体其提示词专注于安抚用户情绪、收集投诉细节时间、门店、问题描述并承诺跟进。为其设置开场白“您好这里是投诉处理专员请问您遇到了什么问题”发布并获取 API在该智能体的“发布”页面选择“作为 API 接入”。Coze 会生成一个唯一的 API 端点URL和密钥Token。记录下它们。5.2 在主智能体中通过工作流调用子智能体修改“餐饮客服总机”智能体其提示词核心是进行意图识别“判断用户是想要咨询/预订还是进行投诉。如果是投诉请调用‘路由投诉’工作流。”创建“路由投诉”工作流开始节点输入参数user_complaint。HTTP 请求节点URL填写“投诉处理专员”智能体的 API 端点。方法POST。Headers:Authorization: Bearer 子智能体的API TokenContent-Type: application/json。Body:{“message”: “{{user_complaint}}”}。代码节点解析 HTTP 响应提取子智能体的回复内容。结束节点返回解析后的内容。将工作流添加为主智能体的技能。测试当用户向“餐饮客服总机”发送投诉内容时主智能体会调用工作流工作流通过 HTTP 请求将问题转发给“投诉处理专员”智能体并将其回复带回给用户。这样就完成了一次智能体间的协作。6. 常见问题排查与优化实践在开发和使用 Coze 智能体过程中你会遇到一些典型问题。6.1 智能体表现不符合预期现象智能体不遵循指令或忘记人设。排查检查提示词提示词是否清晰、具体指令是否放在前面是否用“###”等符号强调了关键规则尝试将最重要的规则放在系统提示词的开头。检查上下文长度过长的对话历史可能导致模型遗忘早期指令。可以在提示词中强调“无论对话进行多久你都必须始终记住你是XX角色”。检查技能触发条件是自动触发还是手动触发提示词中是否有引导模型使用技能的语句优化采用“角色-目标-步骤-格式-示例”的结构编写提示词。为复杂任务提供少量示例Few-shot Learning。6.2 工作流执行失败或报错现象工作流测试运行时某个节点显示红色失败状态。排查查看节点日志点击失败节点查看其输入/输出和错误信息。这是最直接的排错手段。检查变量引用确保节点间传递的变量名正确。例如{{llm_1.output}}和{{LLM_1.output}}可能因大小写不同而失败。检查数据类型HTTP 节点或代码节点可能期望特定数据类型如 JSON 对象但上游传递的是字符串。可能需要用代码节点进行格式转换。检查网络与权限对于 HTTP 节点检查 URL 是否正确、网络是否通畅、API 密钥是否有权限。优化工作流编排应遵循“小步快跑逐步测试”的原则。每添加一个复杂节点如代码、HTTP就测试一次确保其输入输出符合预期。6.3 知识库检索效果不佳现象智能体无法从知识库中找到正确答案或找到无关内容。排查检查文档质量上传的文档是否清晰、结构良好杂乱无章的文本会影响切片和检索效果。建议使用结构清晰的 QA 格式或列表。调整检索模式尝试同时开启“向量检索”和“关键词检索”或调整检索返回的“最大片段数”。检查问题表述用户的问题是否与知识库中的表述方式差异过大可以尝试在提示词中要求智能体“根据知识库内容用自己的话总结回答”。优化对知识库文档进行预处理将核心知识点提炼成简洁的问答对。对于关键信息可以在智能体提示词中直接写明“关于XX政策请严格依据知识库中《XX规定》文件第Y条作答”。6.4 发布到第三方平台后无响应现象智能体在 Coze 预览中正常但发布到飞书、微信等平台后不回复。排查检查发布配置是否在对应平台完成了 OAuth 授权、服务器地址配置等全部步骤仔细阅读官方集成文档。检查网络与防火墙企业微信、飞书等可能对回调地址有网络限制。查看平台日志在 Coze 的“运营数据”或对应平台的开发者后台查看消息接收和发送日志确认消息链路是否通畅。7. 生产环境最佳实践当智能体从 demo 走向真实用户时需要考虑更多工程化问题。提示词工程化版本管理将提示词保存在外部文档如 Git中进行版本控制记录每次修改的原因和效果。变量化将可能变化的配置如公司名称、产品列表提取为变量通过工作流或外部配置传入避免硬编码在提示词中。A/B 测试对于关键对话节点可以设计不同的提示词版本通过分流测试比较效果。工作流设计原则单一职责一个工作流只做一件事。例如“解析需求”、“调用预订API”、“发送确认通知”应拆分为三个独立的工作流由主工作流或智能体调度。这提高了可复用性和可维护性。异常处理在工作流中关键节点尤其是 HTTP 请求、代码节点后添加条件判断处理超时、网络错误、API 返回异常等情况给出友好的失败回复而不是让整个流程崩溃。日志与监控充分利用工作流的测试和运行日志。对于生产环境考虑将关键节点的输入输出脱敏后通过 HTTP 节点发送到自己的日志系统便于监控和审计。知识库维护定期更新建立知识库文档的更新流程确保信息时效性。质量审核上传前对文档进行清洗和格式化避免无关信息干扰检索。冷启动新知识库上线初期可以设计一批测试问题验证检索和回答的准确性。安全与合规输入过滤在智能体提示词或工作流起始节点加入对用户输入的简单检查过滤明显恶意、攻击性或不合规的内容。输出审查对于涉及法律、医疗、金融等领域的应用必须建立人工或自动化的输出审查机制。数据隐私避免在提示词、知识库或对话中泄露用户隐私数据或公司敏感信息。利用 Coze 的加密参数功能传递密钥等敏感数据。性能与成本缓存策略对于频繁查询且结果不变的知识库内容或耗时的 API 调用结果可以在工作流中引入简单的缓存逻辑如使用变量暂存在一定时间内直接返回缓存结果。模型选型根据任务复杂度选择合适的模型。简单的分类、提取任务可以使用更小、更快的模型复杂的创作、推理任务再使用能力更强但更贵的模型。可以在工作流的不同 LLM 节点配置不同模型。从创建一个简单的对话机器人到构建一个集成知识、调用外部服务、实现多角色协作的复杂 AI 应用Coze 通过其智能体和工作流的抽象提供了清晰的路径。成功的关键在于清晰地划分职责让智能体专注于理解和调度让工作流专注于确定性的逻辑执行让知识库专注于提供精准的信息。在实践过程中持续迭代提示词、细致调试工作流、精心维护知识库是提升应用效果的不二法门。下一步你可以尝试将智能体发布到更多的社交或办公平台观察真实用户的交互数据并以此为基础进行持续的优化和迭代。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度