你是不是也遇到过这样的场景想用AI大模型做个智能客服却发现它要么答非所问要么处理不了多轮对话想开发一个能自动写周报、查天气、订会议的多功能助手却发现单个AI模型能力有限流程串不起来最后只能放弃这正是当前AI应用开发的核心痛点单个“智能体”Agent能力单一而复杂的现实任务需要多个“智能体”像团队一样协作完成。过去实现这种协作需要深厚的编程功底和复杂的系统设计门槛极高。但现在情况正在改变。Coze国内常称“扣子”作为一款新兴的AI应用开发平台其3.0版本推出的“工作流”功能正是为了解决多Agent协作这一难题而生。它让你能够像搭积木一样通过可视化拖拽将不同的AI能力模型、逻辑判断、数据查询和外部工具连接起来构建出能够处理复杂任务的智能体。网上教程虽多但大多停留在界面介绍或简单示例真正讲透“如何从零设计一个高效、可靠的多Agent协作工作流”的实战内容却很少。本文将带你深入Coze 3.0的核心不止步于“是什么”而是聚焦“为什么”和“怎么做”。我们将通过一个完整的“智能周报助手”项目实战拆解如何利用工作流实现任务分解、模型调度、结果聚合并深入探讨Skill的扩展、Agent的边界以及那些新手极易踩坑的细节。无论你是零基础的AI爱好者还是寻求提效的开发者这篇文章都将为你提供一条清晰的实践路径。1. 为什么你需要关注Coze工作流与多Agent协作在深入代码和配置之前我们必须先理解问题的本质。传统的AI应用开发无论是调用OpenAI API还是国内的大模型接口大多是基于“单次问答”模式。你抛出一个问题模型返回一个答案。这种模式对于简单查询如“今天天气如何”是有效的但对于“帮我总结本周项目进展识别风险并生成下周计划草案”这样的复合任务就显得力不从心。多Agent协作的核心思想是“分而治之”与“专业分工”分而治之将一个复杂任务拆解为多个顺序或并行的子任务。例如“生成周报”可以拆解为“获取本周数据”、“分析进展与风险”、“撰写草案”、“润色格式”。专业分工为不同的子任务分配合适的“专家”Agent。比如用擅长数据分析的模型如GPT-4处理“分析风险”用擅长格式化和文案的模型如Claude处理“润色格式”。在没有Coze工作流这类工具之前实现上述逻辑需要你手动编写任务拆解和路由的逻辑代码。管理多个模型API的调用、错误处理和费用。设计子任务之间的数据传递和依赖关系。处理异步、超时、重试等工程问题。Coze工作流的价值就在于它将上述所有复杂性封装成了一个可视化的、可配置的流程设计器。你不需要从零编写调度代码只需关注业务逻辑本身。这极大地降低了AI应用特别是复杂AI应用的原型验证和开发门槛。对于开发者而言这意味着你可以将精力从“如何让AI协作起来”的底层工程问题转移到“设计怎样的协作流程能更好地解决业务问题”的上层设计上。这是生产力的一次重要跃迁。2. Coze 3.0 核心概念Agent、Bot、工作流与Skill开始实战前我们需要统一语言。Coze平台有几个核心概念理解它们之间的关系是成功搭建智能体的关键。2.1 Agent智能体在Coze语境下Agent通常指一个具有特定目标、能力和记忆的AI实体。它可以理解用户意图、调用工具、进行推理并给出回应。一个简单的问答机器人就是一个Agent。在复杂工作流中你可以创建多个Agent每个负责一个子任务它们共同构成一个“智能体团队”。2.2 Bot机器人Bot是Agent的具象化产物是最终用户直接交互的对象。你在Coze上创建一个智能体并发布后用户通过聊天窗口与之对话的就是Bot。一个Bot的背后可能由一个简单的Agent构成也可能由一个复杂的工作流驱动。2.3 工作流Workflow这是Coze 3.0的核心功能。工作流是一个可视化的编程环境用于定义Bot的执行逻辑。它由一系列“节点”通过“连线”组成。节点可以是LLM节点调用一个大语言模型如GPT-4、Kimi、DeepSeek。工具节点执行一个预定义或自定义的动作如调用API、查询数据库、发送邮件。逻辑节点进行条件判断IF/ELSE、循环、变量赋值等。代码节点运行Python或JavaScript代码片段实现更灵活的逻辑。输入/输出节点定义工作流的开始和结束。通过拖拽和连接这些节点你就能编排出一个复杂的多步骤任务处理流程。2.4 Skill技能Skill是Coze平台对“可复用能力模块”的封装。你可以把Skill理解为预先配置好的、功能明确的“插件”或“微服务”。例如预置Skill平台提供的如“联网搜索”、“知识库检索”、“文本转语音”。自定义Skill用户自己创建的通过编写代码支持Python来实现特定功能如“调用公司内部CRM API”、“执行一个数据分析脚本”。在工作流中Skill通常被作为“工具节点”来调用。它的强大之处在于“一次定义多处复用”并且可以独立于Bot进行版本管理和测试。概念关系总结你设计工作流来编排多个Agent或工具的协作逻辑将这个工作流赋予一个BotBot通过调用各种Skill来扩展其能力最终为用户提供服务。3. 环境准备与项目目标定义Coze是一个云平台大部分开发在浏览器中完成因此本地环境要求极低。但为了后续集成和Skill开发我们仍需做一些准备。3.1 基础环境一个Coze账号访问Coze官网注册即可。现代浏览器推荐Chrome或Edge的最新版本。可选Python环境如果你计划开发自定义的Python Skill需要在本地安装Python 3.8。本文会涉及简单的Python Skill示例。3.2 项目目标构建“智能周报助手”Bot我们将构建一个Bot用户只需说“帮我生成本周周报”它就能自动完成以下工作信息收集模拟从多个数据源如项目管理系统、代码仓库、沟通工具获取本周原始数据。数据分析分析项目进展、识别潜在风险、统计工作量。内容生成根据分析结果生成结构化的周报文本包括已完成工作、待办事项、风险与问题、下周计划。格式优化与建议对生成的周报进行润色并基于风险点提供简单的改进建议。这个任务无法由单一问答完成必须通过工作流串联多个步骤。我们将创建两个主要的LLM Agent分析Agent和撰写Agent并用逻辑节点和代码节点控制流程。4. 实战第一步在Coze中创建Bot与工作流登录Coze控制台后我们开始创建项目。4.1 创建新的Bot点击侧边栏“创建Bot”。输入Bot名称如智能周报助手。在“模型”选择中根据你的需求选择。对于中文场景DeepSeek、Kimi或GPT-4都是不错的选择。此处我们选择DeepSeek (最新版)。关键一步在“工作流”区域点击“新建工作流”。这会将此Bot的核心逻辑绑定到一个工作流上而不是简单的提示词对话。4.2 进入工作流设计器创建后你会进入一个空白的画布。左侧是节点库中间是设计区右侧是选中节点的属性面板。5. 核心工作流拆解与节点配置我们的“智能周报助手”工作流将包含以下关键节点其逻辑流程如下图所示请想象一个从左到右的流程图开始 - 接收用户输入 - 模拟数据获取(代码节点) - 数据分析(LLM节点1) - 内容生成(LLM节点2) - 格式优化(LLM节点3) - 输出结果 - 结束下面我们逐一创建并配置这些节点。5.1 开始节点与用户输入从左侧“基础”分类中拖拽一个开始节点到画布。再拖拽一个提问节点将其与开始节点连接。提问节点用于定义工作流的输入。配置提问节点问题描述请输入您的需求例如生成本周周报。变量名user_request这个变量将存储用户的输入5.2 模拟数据获取代码节点由于我们无法直接连接真实的企业系统这里用一个Python代码节点来模拟返回结构化的本周数据。从左侧“基础”分类中拖拽一个代码节点到画布连接到提问节点之后。配置代码节点语言选择Python。代码输入以下模拟数据生成的代码。# 代码节点模拟获取本周项目数据 # 输入user_request (来自提问节点) # 输出一个包含模拟数据的字典 def main(user_request): # 模拟从不同系统获取的数据 project_data { project_name: Coze智能助手开发, current_sprint: Sprint 12, start_date: 2024-05-20, end_date: 2024-05-24, completed_tasks: [ 工作流基础框架搭建, 多Agent协作逻辑设计, 用户输入解析模块开发 ], in_progress_tasks: [ Skill API集成测试, 性能优化与压力测试 ], blocked_issues: [ 第三方天气API响应不稳定, 文档自动生成格式有待统一 ], code_metrics: { commits: 45, lines_added: 3200, lines_deleted: 800, pull_requests: 6 }, communication_highlights: [ 与产品团队就需求变更达成一致, 周会中明确了下一阶段性能目标 ] } # 简单判断用户请求是否与周报相关实际应用可更复杂 if 周报 in user_request or report in user_request.lower(): # 返回模拟数据 return { status: success, message: 已成功获取模拟项目数据。, data: project_data } else: return { status: error, message: 请求未识别请尝试输入‘生成周报’。, data: None } # Coze工作流会自动调用main函数并传入上游节点的输出变量 # 本节点的输出将是main函数的返回值关键配置在节点的“输出”设置中需要定义输出变量。系统通常会根据return语句自动推断但建议显式定义。我们可以将输出变量命名为simulated_data。5.3 数据分析Agent第一个LLM节点这个Agent负责理解原始数据并提炼出关键点。从左侧“模型”分类中拖拽一个LLM节点到画布连接到代码节点之后。配置LLM节点模型选择DeepSeek (最新版)。分析任务需要较强的逻辑推理能力。系统提示词System Prompt这里定义该Agent的角色和能力。这是核心配置。你是一个资深项目经理助理擅长从杂乱的项目数据中提取关键信息、评估进展和风险。 你的任务 1. 仔细分析提供的项目数据。 2. 总结本周主要成就从completed_tasks和communication_highlights中提炼。 3. 识别当前风险和阻塞点从blocked_issues和in_progress_tasks中分析。 4. 基于code_metrics评估开发活跃度。 5. 输出一个结构化的JSON对象包含以下字段 - summary: 本周工作一句话总结。 - key_achievements: 数组列出3-5项核心成就。 - active_risks: 数组列出已识别的风险及其可能影响。 - dev_activity_level: 字符串根据commit和PR数量评估如“活跃”、“一般”、“偏低”。 - overall_status: 字符串整体项目状态如“按计划推进”、“存在风险”、“严重滞后”。 请确保输出仅为纯净的JSON不要有任何额外的解释或Markdown格式。- **用户提示词User Prompt**这里注入上游的数据。请分析以下项目数据 {{simulated_data.data}}**注意**{{simulated_data.data}} 是Coze工作流的变量插值语法它会将上一个节点输出结果中的data字段内容填充到这里。定义输出变量如analysis_result。5.4 内容生成Agent第二个LLM节点这个Agent根据分析结果撰写周报正文。再拖拽一个LLM节点到画布连接到第一个LLM节点之后。配置该节点模型可以选择同一个模型也可以换一个更擅长创作的模型如GPT-4。这里我们继续使用DeepSeek。系统提示词你是一位专业的技术文档工程师擅长撰写清晰、简洁、结构完整的项目周报。 你的任务 1. 根据提供的项目分析结论撰写一份正式的项目周报。 2. 周报需包含以下章节 - 一、本周概要 - 二、已完成工作 - 三、进行中工作 - 四、风险与问题 - 五、下周计划 - 六、建议与备注 3. 语言风格专业、客观、条理清晰。 4. 直接输出周报正文无需开头和结尾的客套话。- **用户提示词**以下是本周项目的分析结论 {{analysis_result}} 请基于以上分析并结合原始数据中的详细信息如具体任务名称、沟通要点等生成周报正文。 原始数据备份{{simulated_data.data}}定义输出变量如draft_report。5.5 格式优化与建议Agent第三个LLM节点 条件判断最后一步我们对周报草案进行润色并根据风险等级附加不同的建议。拖拽第三个LLM节点。配置节点模型DeepSeek。系统提示词你是一位文案润色专家和项目管理顾问。 你的工作有两部分 第一部分对给定的周报草案进行语言润色使其更流畅、专业。 第二部分根据项目整体状态overall_status提供一句简短、有针对性的管理建议。 请按以下格式输出 【润色后周报】 这里放置润色后的完整周报正文 【管理建议】 这里放置你的建议- **用户提示词**请处理以下周报草案和分析结果 周报草案 {{draft_report}} 项目分析结论内含整体状态 {{analysis_result}}定义输出变量如final_output。5.6 结束与输出拖拽一个回答节点到画布连接到最后一个LLM节点。配置回答节点回答内容{{final_output}}这个节点会将最终结果返回给用户。将回答节点连接到结束节点。至此一个线性的多Agent协作工作流就搭建完成了。但它是脆弱的因为如果模拟数据获取失败status为error后续分析就毫无意义。我们需要增加容错逻辑。6. 进阶为工作流增加逻辑判断与容错能力一个健壮的工作流必须处理异常情况。我们使用条件判断节点来改造流程。6.1 改造数据获取后的流程在代码节点和第一个LLM节点之间插入一个条件判断节点在“基础”分类中。配置条件判断节点条件表达式simulated_data.status success这个表达式会检查模拟数据获取是否成功。重新连线将代码节点的输出连接到条件判断节点。将条件判断节点的是分支连接到第一个LLM节点数据分析。将条件判断节点的否分支直接连接到一个新的回答节点。配置新的回答节点用于错误处理回答内容数据获取失败{{simulated_data.message}}。请检查您的请求或稍后重试。然后将这个回答节点连接到结束节点。现在你的工作流具备了基本的错误处理能力只有数据获取成功才会执行后续复杂的分析和生成步骤如果失败则直接向用户反馈友好错误信息。7. 扩展能力创建并使用自定义Skill工作流中的代码节点虽然灵活但代码逻辑复杂时难以维护和复用。这时我们可以将功能封装成自定义Skill。假设我们需要一个更真实的“获取天气信息”的Skill用于周报中补充外部环境信息。7.1 创建自定义Skill在Coze平台侧边栏进入“技能”页面点击“创建技能”。选择“代码技能”命名为获取城市天气。在代码编辑器中编写Skill逻辑。这里我们模拟调用一个天气API。# Skill: 获取城市天气 # 输入参数: city (字符串城市名) # 输出: 包含天气信息的字典 import requests import json def get_weather(city: str): 根据城市名称获取模拟天气信息。 注意此为示例实际应替换为真实的天气API调用如和风天气、OpenWeatherMap。 # 模拟数据 - 在实际应用中这里应替换为真实的API请求 # 例如response requests.get(fhttps://api.weatherapi.com/v1/current.json?keyYOUR_KEYq{city}) # weather_data response.json() # 为了示例我们返回模拟数据 mock_weather_data { city: city, temperature: 22, condition: 晴朗, humidity: 65, wind_speed: 10, forecast: 未来三天以晴好天气为主适合户外活动。 } # 模拟API可能出现的错误 if not city or len(city.strip()) 0: return { success: False, error: 城市名称不能为空。 } return { success: True, data: mock_weather_data } # Coze Skill框架要求的主函数 def main(args): city args.get(city, 北京) # 默认城市为北京 result get_weather(city) return result在“参数”设置中定义输入参数添加一个参数名称为city类型为string描述为“城市名称”。保存并发布该Skill。7.2 在工作流中调用自定义Skill回到“智能周报助手”的工作流设计器。在“数据分析”节点之后拖拽一个工具节点代表Skill到画布。在工具节点的配置中选择“我的技能”然后找到并选择刚创建的获取城市天气。配置输入参数将city参数设置为一个固定值如“上海”或一个变量例如可以从用户输入中解析城市这里我们简化设为“上海”。定义该节点的输出变量如weather_info。现在你需要修改后续的“内容生成”Agent的提示词将天气信息作为上下文注入。例如在用户提示词中增加另外本周项目所在地的天气情况如下可在周报的“备注”部分酌情提及 {{weather_info.data}}通过Skill我们将一个独立的功能模块化不仅可以在当前工作流中使用也可以被平台内任何其他Bot或工作流复用极大地提升了开发效率。8. 调试、测试与发布8.1 工作流调试Coze工作流设计器提供了强大的调试功能。点击画布右上角的“调试”按钮。在调试面板输入用户请求如“生成本周周报”。点击“运行”工作流将逐步执行。你可以点击每个节点查看其输入和输出这是排查逻辑错误和数据流问题的关键。8.2 效果测试测试多种输入验证工作流的健壮性正常输入“生成周报”、“写一下本周总结”。边界输入“周报”简短、“请帮我生成一份详细的项目本周工作报告要包括风险和计划”详细。错误输入“今天天气怎么样”触发条件判断的“否”分支。8.3 发布Bot测试无误后在工作流编辑页面点击“完成”。回到Bot配置页面你可以进一步配置Bot的问候语、图标、描述等。点击“发布”选择发布渠道。Coze支持发布到飞书、微信、Web等平台。你可以生成一个独立的Web链接分享给他人测试。9. 常见问题、排查思路与最佳实践9.1 常见问题排查表问题现象可能原因排查方式解决方案工作流运行失败报错“节点执行错误”1. 节点配置错误如提示词语法。2. 变量引用错误变量名不存在或为空。3. Skill代码存在语法或运行时错误。1. 进入调试模式查看具体报错节点。2. 检查该节点的输入数据确认变量值是否符合预期。3. 对于代码节点/Skill查看其日志输出。1. 修正提示词或配置。2. 检查上游节点输出确保变量传递正确。3. 在本地或Skill编辑器中测试、修复代码。LLM节点输出不符合预期如未按格式输出1. 系统提示词指令不清晰。2. 模型未遵循指令幻觉。3. 上下文信息不足或矛盾。1. 检查系统提示词确保指令明确、结构化如“请输出JSON”。2. 在提示词中增加示例Few-Shot。3. 检查用户提示词中注入的变量内容是否完整。1. 强化系统提示词使用更严格的指令。2. 尝试更换模型。3. 在LLM节点后添加“代码节点”进行输出格式的后处理和校验。变量值为空或未传递1. 节点未正确定义输出变量。2. 连线错误数据流中断。3. 条件判断分支错误预期节点未执行。1. 在调试模式下逐节点查看输出。2. 检查每个节点的“输出”配置。3. 检查条件判断的逻辑条件是否正确。1. 显式定义每个节点的输出变量名。2. 确保画布上的连线从上游节点的输出端口连接到下游节点的输入端口。3. 复核条件逻辑可使用简单的打印节点辅助调试。工作流执行速度慢1. 串行节点过多尤其是LLM节点。2. 单个LLM节点处理文本过长。3. 网络延迟或模型服务响应慢。1. 分析工作流看是否有节点可以并行执行。2. 检查传递给LLM的上下文是否过于冗长。1. 利用“并行分支”节点如果支持优化流程。2. 对长文本进行摘要或分块处理后再喂给LLM。3. 考虑使用响应更快的模型。自定义Skill调用失败1. Skill代码存在Bug。2. 输入参数类型或格式不匹配。3. Skill未成功发布或版本问题。1. 在Skill的“测试”界面进行单元测试。2. 检查工作流中调用Skill时传入的参数值。3. 确认工作流中使用的Skill版本。1. 在Skill编辑器中修复并重新发布。2. 确保调用时参数与Skill定义一致。3. 在工作流中重新选择最新版本的Skill。9.2 最佳实践与工程建议提示词工程是核心多Agent协作的效率很大程度上取决于每个LLM节点提示词的质量。务必为每个AgentLLM节点设计清晰、具体、带有约束性指令的系统提示词。模块化与复用将通用的功能如数据清洗、格式转换、API调用封装成自定义Skill。这不仅能保持工作流整洁更利于团队协作和后续维护。拥抱失败设计关键步骤后如数据获取、外部API调用一定要添加条件判断规划好失败分支给用户友好的反馈而不是让整个工作流崩溃。控制流程与成本LLM调用通常是主要成本来源。避免无意义的循环调用或给LLM发送过于冗长的上下文。在设计流程时思考是否真的需要多个LLM步骤有些逻辑用代码节点判断更经济、更可控。版本管理与测试Coze平台支持Bot和工作流的历史版本。在做出重大修改前先保存一个版本。充分利用调试工具进行单元测试单个节点和集成测试完整流程。关注数据安全如果工作流处理真实业务数据需注意不要在提示词中泄露敏感信息。对于自定义Skill中使用的API密钥等利用平台提供的安全配置进行管理不要硬编码在代码中。通过本文的实战演练你已经掌握了使用Coze 3.0工作流构建多Agent协作智能体的核心方法。从简单的线性流程到带条件判断的健壮流程再到通过Skill扩展能力这套可视化编排范式正在让复杂AI应用的开发变得前所未有的直观和高效。真正的价值不在于搭建出一个能运行的Demo而在于你能将这套方法论应用于自己的实际业务场景中无论是内部效率工具、智能客服还是复杂的决策支持系统。下一步尝试用工作流连接你真实的数据源和业务API探索AI Agent如何融入你的工作闭环。 
长河君 · 2026/8/25 2:43:44 · 阅读 1.2k Coze 3.0工作流实战：构建多Agent协作的智能周报助手
你是不是也遇到过这样的场景想用AI大模型做个智能客服却发现它要么答非所问要么处理不了多轮对话想开发一个能自动写周报、查天气、订会议的多功能助手却发现单个AI模型能力有限流程串不起来最后只能放弃这正是当前AI应用开发的核心痛点单个“智能体”Agent能力单一而复杂的现实任务需要多个“智能体”像团队一样协作完成。过去实现这种协作需要深厚的编程功底和复杂的系统设计门槛极高。但现在情况正在改变。Coze国内常称“扣子”作为一款新兴的AI应用开发平台其3.0版本推出的“工作流”功能正是为了解决多Agent协作这一难题而生。它让你能够像搭积木一样通过可视化拖拽将不同的AI能力模型、逻辑判断、数据查询和外部工具连接起来构建出能够处理复杂任务的智能体。网上教程虽多但大多停留在界面介绍或简单示例真正讲透“如何从零设计一个高效、可靠的多Agent协作工作流”的实战内容却很少。本文将带你深入Coze 3.0的核心不止步于“是什么”而是聚焦“为什么”和“怎么做”。我们将通过一个完整的“智能周报助手”项目实战拆解如何利用工作流实现任务分解、模型调度、结果聚合并深入探讨Skill的扩展、Agent的边界以及那些新手极易踩坑的细节。无论你是零基础的AI爱好者还是寻求提效的开发者这篇文章都将为你提供一条清晰的实践路径。1. 为什么你需要关注Coze工作流与多Agent协作在深入代码和配置之前我们必须先理解问题的本质。传统的AI应用开发无论是调用OpenAI API还是国内的大模型接口大多是基于“单次问答”模式。你抛出一个问题模型返回一个答案。这种模式对于简单查询如“今天天气如何”是有效的但对于“帮我总结本周项目进展识别风险并生成下周计划草案”这样的复合任务就显得力不从心。多Agent协作的核心思想是“分而治之”与“专业分工”分而治之将一个复杂任务拆解为多个顺序或并行的子任务。例如“生成周报”可以拆解为“获取本周数据”、“分析进展与风险”、“撰写草案”、“润色格式”。专业分工为不同的子任务分配合适的“专家”Agent。比如用擅长数据分析的模型如GPT-4处理“分析风险”用擅长格式化和文案的模型如Claude处理“润色格式”。在没有Coze工作流这类工具之前实现上述逻辑需要你手动编写任务拆解和路由的逻辑代码。管理多个模型API的调用、错误处理和费用。设计子任务之间的数据传递和依赖关系。处理异步、超时、重试等工程问题。Coze工作流的价值就在于它将上述所有复杂性封装成了一个可视化的、可配置的流程设计器。你不需要从零编写调度代码只需关注业务逻辑本身。这极大地降低了AI应用特别是复杂AI应用的原型验证和开发门槛。对于开发者而言这意味着你可以将精力从“如何让AI协作起来”的底层工程问题转移到“设计怎样的协作流程能更好地解决业务问题”的上层设计上。这是生产力的一次重要跃迁。2. Coze 3.0 核心概念Agent、Bot、工作流与Skill开始实战前我们需要统一语言。Coze平台有几个核心概念理解它们之间的关系是成功搭建智能体的关键。2.1 Agent智能体在Coze语境下Agent通常指一个具有特定目标、能力和记忆的AI实体。它可以理解用户意图、调用工具、进行推理并给出回应。一个简单的问答机器人就是一个Agent。在复杂工作流中你可以创建多个Agent每个负责一个子任务它们共同构成一个“智能体团队”。2.2 Bot机器人Bot是Agent的具象化产物是最终用户直接交互的对象。你在Coze上创建一个智能体并发布后用户通过聊天窗口与之对话的就是Bot。一个Bot的背后可能由一个简单的Agent构成也可能由一个复杂的工作流驱动。2.3 工作流Workflow这是Coze 3.0的核心功能。工作流是一个可视化的编程环境用于定义Bot的执行逻辑。它由一系列“节点”通过“连线”组成。节点可以是LLM节点调用一个大语言模型如GPT-4、Kimi、DeepSeek。工具节点执行一个预定义或自定义的动作如调用API、查询数据库、发送邮件。逻辑节点进行条件判断IF/ELSE、循环、变量赋值等。代码节点运行Python或JavaScript代码片段实现更灵活的逻辑。输入/输出节点定义工作流的开始和结束。通过拖拽和连接这些节点你就能编排出一个复杂的多步骤任务处理流程。2.4 Skill技能Skill是Coze平台对“可复用能力模块”的封装。你可以把Skill理解为预先配置好的、功能明确的“插件”或“微服务”。例如预置Skill平台提供的如“联网搜索”、“知识库检索”、“文本转语音”。自定义Skill用户自己创建的通过编写代码支持Python来实现特定功能如“调用公司内部CRM API”、“执行一个数据分析脚本”。在工作流中Skill通常被作为“工具节点”来调用。它的强大之处在于“一次定义多处复用”并且可以独立于Bot进行版本管理和测试。概念关系总结你设计工作流来编排多个Agent或工具的协作逻辑将这个工作流赋予一个BotBot通过调用各种Skill来扩展其能力最终为用户提供服务。3. 环境准备与项目目标定义Coze是一个云平台大部分开发在浏览器中完成因此本地环境要求极低。但为了后续集成和Skill开发我们仍需做一些准备。3.1 基础环境一个Coze账号访问Coze官网注册即可。现代浏览器推荐Chrome或Edge的最新版本。可选Python环境如果你计划开发自定义的Python Skill需要在本地安装Python 3.8。本文会涉及简单的Python Skill示例。3.2 项目目标构建“智能周报助手”Bot我们将构建一个Bot用户只需说“帮我生成本周周报”它就能自动完成以下工作信息收集模拟从多个数据源如项目管理系统、代码仓库、沟通工具获取本周原始数据。数据分析分析项目进展、识别潜在风险、统计工作量。内容生成根据分析结果生成结构化的周报文本包括已完成工作、待办事项、风险与问题、下周计划。格式优化与建议对生成的周报进行润色并基于风险点提供简单的改进建议。这个任务无法由单一问答完成必须通过工作流串联多个步骤。我们将创建两个主要的LLM Agent分析Agent和撰写Agent并用逻辑节点和代码节点控制流程。4. 实战第一步在Coze中创建Bot与工作流登录Coze控制台后我们开始创建项目。4.1 创建新的Bot点击侧边栏“创建Bot”。输入Bot名称如智能周报助手。在“模型”选择中根据你的需求选择。对于中文场景DeepSeek、Kimi或GPT-4都是不错的选择。此处我们选择DeepSeek (最新版)。关键一步在“工作流”区域点击“新建工作流”。这会将此Bot的核心逻辑绑定到一个工作流上而不是简单的提示词对话。4.2 进入工作流设计器创建后你会进入一个空白的画布。左侧是节点库中间是设计区右侧是选中节点的属性面板。5. 核心工作流拆解与节点配置我们的“智能周报助手”工作流将包含以下关键节点其逻辑流程如下图所示请想象一个从左到右的流程图开始 - 接收用户输入 - 模拟数据获取(代码节点) - 数据分析(LLM节点1) - 内容生成(LLM节点2) - 格式优化(LLM节点3) - 输出结果 - 结束下面我们逐一创建并配置这些节点。5.1 开始节点与用户输入从左侧“基础”分类中拖拽一个开始节点到画布。再拖拽一个提问节点将其与开始节点连接。提问节点用于定义工作流的输入。配置提问节点问题描述请输入您的需求例如生成本周周报。变量名user_request这个变量将存储用户的输入5.2 模拟数据获取代码节点由于我们无法直接连接真实的企业系统这里用一个Python代码节点来模拟返回结构化的本周数据。从左侧“基础”分类中拖拽一个代码节点到画布连接到提问节点之后。配置代码节点语言选择Python。代码输入以下模拟数据生成的代码。# 代码节点模拟获取本周项目数据 # 输入user_request (来自提问节点) # 输出一个包含模拟数据的字典 def main(user_request): # 模拟从不同系统获取的数据 project_data { project_name: Coze智能助手开发, current_sprint: Sprint 12, start_date: 2024-05-20, end_date: 2024-05-24, completed_tasks: [ 工作流基础框架搭建, 多Agent协作逻辑设计, 用户输入解析模块开发 ], in_progress_tasks: [ Skill API集成测试, 性能优化与压力测试 ], blocked_issues: [ 第三方天气API响应不稳定, 文档自动生成格式有待统一 ], code_metrics: { commits: 45, lines_added: 3200, lines_deleted: 800, pull_requests: 6 }, communication_highlights: [ 与产品团队就需求变更达成一致, 周会中明确了下一阶段性能目标 ] } # 简单判断用户请求是否与周报相关实际应用可更复杂 if 周报 in user_request or report in user_request.lower(): # 返回模拟数据 return { status: success, message: 已成功获取模拟项目数据。, data: project_data } else: return { status: error, message: 请求未识别请尝试输入‘生成周报’。, data: None } # Coze工作流会自动调用main函数并传入上游节点的输出变量 # 本节点的输出将是main函数的返回值关键配置在节点的“输出”设置中需要定义输出变量。系统通常会根据return语句自动推断但建议显式定义。我们可以将输出变量命名为simulated_data。5.3 数据分析Agent第一个LLM节点这个Agent负责理解原始数据并提炼出关键点。从左侧“模型”分类中拖拽一个LLM节点到画布连接到代码节点之后。配置LLM节点模型选择DeepSeek (最新版)。分析任务需要较强的逻辑推理能力。系统提示词System Prompt这里定义该Agent的角色和能力。这是核心配置。你是一个资深项目经理助理擅长从杂乱的项目数据中提取关键信息、评估进展和风险。 你的任务 1. 仔细分析提供的项目数据。 2. 总结本周主要成就从completed_tasks和communication_highlights中提炼。 3. 识别当前风险和阻塞点从blocked_issues和in_progress_tasks中分析。 4. 基于code_metrics评估开发活跃度。 5. 输出一个结构化的JSON对象包含以下字段 - summary: 本周工作一句话总结。 - key_achievements: 数组列出3-5项核心成就。 - active_risks: 数组列出已识别的风险及其可能影响。 - dev_activity_level: 字符串根据commit和PR数量评估如“活跃”、“一般”、“偏低”。 - overall_status: 字符串整体项目状态如“按计划推进”、“存在风险”、“严重滞后”。 请确保输出仅为纯净的JSON不要有任何额外的解释或Markdown格式。- **用户提示词User Prompt**这里注入上游的数据。请分析以下项目数据 {{simulated_data.data}}**注意**{{simulated_data.data}} 是Coze工作流的变量插值语法它会将上一个节点输出结果中的data字段内容填充到这里。定义输出变量如analysis_result。5.4 内容生成Agent第二个LLM节点这个Agent根据分析结果撰写周报正文。再拖拽一个LLM节点到画布连接到第一个LLM节点之后。配置该节点模型可以选择同一个模型也可以换一个更擅长创作的模型如GPT-4。这里我们继续使用DeepSeek。系统提示词你是一位专业的技术文档工程师擅长撰写清晰、简洁、结构完整的项目周报。 你的任务 1. 根据提供的项目分析结论撰写一份正式的项目周报。 2. 周报需包含以下章节 - 一、本周概要 - 二、已完成工作 - 三、进行中工作 - 四、风险与问题 - 五、下周计划 - 六、建议与备注 3. 语言风格专业、客观、条理清晰。 4. 直接输出周报正文无需开头和结尾的客套话。- **用户提示词**以下是本周项目的分析结论 {{analysis_result}} 请基于以上分析并结合原始数据中的详细信息如具体任务名称、沟通要点等生成周报正文。 原始数据备份{{simulated_data.data}}定义输出变量如draft_report。5.5 格式优化与建议Agent第三个LLM节点 条件判断最后一步我们对周报草案进行润色并根据风险等级附加不同的建议。拖拽第三个LLM节点。配置节点模型DeepSeek。系统提示词你是一位文案润色专家和项目管理顾问。 你的工作有两部分 第一部分对给定的周报草案进行语言润色使其更流畅、专业。 第二部分根据项目整体状态overall_status提供一句简短、有针对性的管理建议。 请按以下格式输出 【润色后周报】 这里放置润色后的完整周报正文 【管理建议】 这里放置你的建议- **用户提示词**请处理以下周报草案和分析结果 周报草案 {{draft_report}} 项目分析结论内含整体状态 {{analysis_result}}定义输出变量如final_output。5.6 结束与输出拖拽一个回答节点到画布连接到最后一个LLM节点。配置回答节点回答内容{{final_output}}这个节点会将最终结果返回给用户。将回答节点连接到结束节点。至此一个线性的多Agent协作工作流就搭建完成了。但它是脆弱的因为如果模拟数据获取失败status为error后续分析就毫无意义。我们需要增加容错逻辑。6. 进阶为工作流增加逻辑判断与容错能力一个健壮的工作流必须处理异常情况。我们使用条件判断节点来改造流程。6.1 改造数据获取后的流程在代码节点和第一个LLM节点之间插入一个条件判断节点在“基础”分类中。配置条件判断节点条件表达式simulated_data.status success这个表达式会检查模拟数据获取是否成功。重新连线将代码节点的输出连接到条件判断节点。将条件判断节点的是分支连接到第一个LLM节点数据分析。将条件判断节点的否分支直接连接到一个新的回答节点。配置新的回答节点用于错误处理回答内容数据获取失败{{simulated_data.message}}。请检查您的请求或稍后重试。然后将这个回答节点连接到结束节点。现在你的工作流具备了基本的错误处理能力只有数据获取成功才会执行后续复杂的分析和生成步骤如果失败则直接向用户反馈友好错误信息。7. 扩展能力创建并使用自定义Skill工作流中的代码节点虽然灵活但代码逻辑复杂时难以维护和复用。这时我们可以将功能封装成自定义Skill。假设我们需要一个更真实的“获取天气信息”的Skill用于周报中补充外部环境信息。7.1 创建自定义Skill在Coze平台侧边栏进入“技能”页面点击“创建技能”。选择“代码技能”命名为获取城市天气。在代码编辑器中编写Skill逻辑。这里我们模拟调用一个天气API。# Skill: 获取城市天气 # 输入参数: city (字符串城市名) # 输出: 包含天气信息的字典 import requests import json def get_weather(city: str): 根据城市名称获取模拟天气信息。 注意此为示例实际应替换为真实的天气API调用如和风天气、OpenWeatherMap。 # 模拟数据 - 在实际应用中这里应替换为真实的API请求 # 例如response requests.get(fhttps://api.weatherapi.com/v1/current.json?keyYOUR_KEYq{city}) # weather_data response.json() # 为了示例我们返回模拟数据 mock_weather_data { city: city, temperature: 22, condition: 晴朗, humidity: 65, wind_speed: 10, forecast: 未来三天以晴好天气为主适合户外活动。 } # 模拟API可能出现的错误 if not city or len(city.strip()) 0: return { success: False, error: 城市名称不能为空。 } return { success: True, data: mock_weather_data } # Coze Skill框架要求的主函数 def main(args): city args.get(city, 北京) # 默认城市为北京 result get_weather(city) return result在“参数”设置中定义输入参数添加一个参数名称为city类型为string描述为“城市名称”。保存并发布该Skill。7.2 在工作流中调用自定义Skill回到“智能周报助手”的工作流设计器。在“数据分析”节点之后拖拽一个工具节点代表Skill到画布。在工具节点的配置中选择“我的技能”然后找到并选择刚创建的获取城市天气。配置输入参数将city参数设置为一个固定值如“上海”或一个变量例如可以从用户输入中解析城市这里我们简化设为“上海”。定义该节点的输出变量如weather_info。现在你需要修改后续的“内容生成”Agent的提示词将天气信息作为上下文注入。例如在用户提示词中增加另外本周项目所在地的天气情况如下可在周报的“备注”部分酌情提及 {{weather_info.data}}通过Skill我们将一个独立的功能模块化不仅可以在当前工作流中使用也可以被平台内任何其他Bot或工作流复用极大地提升了开发效率。8. 调试、测试与发布8.1 工作流调试Coze工作流设计器提供了强大的调试功能。点击画布右上角的“调试”按钮。在调试面板输入用户请求如“生成本周周报”。点击“运行”工作流将逐步执行。你可以点击每个节点查看其输入和输出这是排查逻辑错误和数据流问题的关键。8.2 效果测试测试多种输入验证工作流的健壮性正常输入“生成周报”、“写一下本周总结”。边界输入“周报”简短、“请帮我生成一份详细的项目本周工作报告要包括风险和计划”详细。错误输入“今天天气怎么样”触发条件判断的“否”分支。8.3 发布Bot测试无误后在工作流编辑页面点击“完成”。回到Bot配置页面你可以进一步配置Bot的问候语、图标、描述等。点击“发布”选择发布渠道。Coze支持发布到飞书、微信、Web等平台。你可以生成一个独立的Web链接分享给他人测试。9. 常见问题、排查思路与最佳实践9.1 常见问题排查表问题现象可能原因排查方式解决方案工作流运行失败报错“节点执行错误”1. 节点配置错误如提示词语法。2. 变量引用错误变量名不存在或为空。3. Skill代码存在语法或运行时错误。1. 进入调试模式查看具体报错节点。2. 检查该节点的输入数据确认变量值是否符合预期。3. 对于代码节点/Skill查看其日志输出。1. 修正提示词或配置。2. 检查上游节点输出确保变量传递正确。3. 在本地或Skill编辑器中测试、修复代码。LLM节点输出不符合预期如未按格式输出1. 系统提示词指令不清晰。2. 模型未遵循指令幻觉。3. 上下文信息不足或矛盾。1. 检查系统提示词确保指令明确、结构化如“请输出JSON”。2. 在提示词中增加示例Few-Shot。3. 检查用户提示词中注入的变量内容是否完整。1. 强化系统提示词使用更严格的指令。2. 尝试更换模型。3. 在LLM节点后添加“代码节点”进行输出格式的后处理和校验。变量值为空或未传递1. 节点未正确定义输出变量。2. 连线错误数据流中断。3. 条件判断分支错误预期节点未执行。1. 在调试模式下逐节点查看输出。2. 检查每个节点的“输出”配置。3. 检查条件判断的逻辑条件是否正确。1. 显式定义每个节点的输出变量名。2. 确保画布上的连线从上游节点的输出端口连接到下游节点的输入端口。3. 复核条件逻辑可使用简单的打印节点辅助调试。工作流执行速度慢1. 串行节点过多尤其是LLM节点。2. 单个LLM节点处理文本过长。3. 网络延迟或模型服务响应慢。1. 分析工作流看是否有节点可以并行执行。2. 检查传递给LLM的上下文是否过于冗长。1. 利用“并行分支”节点如果支持优化流程。2. 对长文本进行摘要或分块处理后再喂给LLM。3. 考虑使用响应更快的模型。自定义Skill调用失败1. Skill代码存在Bug。2. 输入参数类型或格式不匹配。3. Skill未成功发布或版本问题。1. 在Skill的“测试”界面进行单元测试。2. 检查工作流中调用Skill时传入的参数值。3. 确认工作流中使用的Skill版本。1. 在Skill编辑器中修复并重新发布。2. 确保调用时参数与Skill定义一致。3. 在工作流中重新选择最新版本的Skill。9.2 最佳实践与工程建议提示词工程是核心多Agent协作的效率很大程度上取决于每个LLM节点提示词的质量。务必为每个AgentLLM节点设计清晰、具体、带有约束性指令的系统提示词。模块化与复用将通用的功能如数据清洗、格式转换、API调用封装成自定义Skill。这不仅能保持工作流整洁更利于团队协作和后续维护。拥抱失败设计关键步骤后如数据获取、外部API调用一定要添加条件判断规划好失败分支给用户友好的反馈而不是让整个工作流崩溃。控制流程与成本LLM调用通常是主要成本来源。避免无意义的循环调用或给LLM发送过于冗长的上下文。在设计流程时思考是否真的需要多个LLM步骤有些逻辑用代码节点判断更经济、更可控。版本管理与测试Coze平台支持Bot和工作流的历史版本。在做出重大修改前先保存一个版本。充分利用调试工具进行单元测试单个节点和集成测试完整流程。关注数据安全如果工作流处理真实业务数据需注意不要在提示词中泄露敏感信息。对于自定义Skill中使用的API密钥等利用平台提供的安全配置进行管理不要硬编码在代码中。通过本文的实战演练你已经掌握了使用Coze 3.0工作流构建多Agent协作智能体的核心方法。从简单的线性流程到带条件判断的健壮流程再到通过Skill扩展能力这套可视化编排范式正在让复杂AI应用的开发变得前所未有的直观和高效。真正的价值不在于搭建出一个能运行的Demo而在于你能将这套方法论应用于自己的实际业务场景中无论是内部效率工具、智能客服还是复杂的决策支持系统。下一步尝试用工作流连接你真实的数据源和业务API探索AI Agent如何融入你的工作闭环。