简介这份指南面向传统行业中小老板、创业者及销售运营人员讲解基于DeepSeekCoze从0到1构建AI获客智能体的完整流程。资源围绕短视频获客核心环节——账号定位、对标账号拆解、内容创作、剪辑发布与数据分析系统梳理了从明确智能体定位、分析业务流程痛点、设计场景工作流、规划功能需求到最终落地发布的全链路方法。文档以蛋糕店老板短视频起号等实例演示如何用DeepSeek生成痛点分析表、自动提取对标账号数据、输出结构化拆解报告让用户将80%的重复性分析工作交给AI从而降低获客成本、实现短视频高频输出。资源为1个docx文档大小约1.75MB结构紧凑、操作指引清晰可直接对照实践。目前已有627人学习适合希望借助AI突破短视频创作与获客瓶颈、提升业务效率的读者。1. AI获客智能体从一条短视频链接到一份完整拆解报告这两年短视频获客成了中小商家绕不开的话题但真正动手做的人大多卡在同一个地方不知道怎么开始。账号怎么定位对标账号该拆什么选题从哪里来如果你也面临这些问题那这套基于DeepSeekCoze的AI获客智能体搭建方案大概率能直接解决你的痛点。本项目的核心是把「短视频起号」这件事拆成七个环节再逐个环节找出AI能代替人工完成的部分最终用Coze工作流搭出一个可以对话的智能体——你只需要丢给它一条对标账号的视频链接它就能自动抓取数据、提取文案、生成拆解报告最后写入飞书文档。这套做法适合传统行业老板、个人IP和销售运营人员不需要你有编程基础但如果你懂一点Python和提示词设计能走得快很多。2. 定位与痛点分析先想清楚智能体为谁解决什么问题2.1 三个价值锚点效率提升、创意助手、分析专家构建智能体之前最忌讳的事情就是直接打开Coze开始拖节点。我在拆解这个项目时第一个关注点不是技术选型而是它的价值定位。AI获客智能体的价值被拆成了三块效率提升、创意助手、分析专家。这三块分别对应了商家在不同阶段的诉求——前期缺内容能力中期缺创意灵感后期缺数据判断。效率提升是最容易量化的把重复性、机械性的短视频创作工作交给AI让商家专注于核心业务。创意助手解决的是创作瓶颈选题建议、内容灵感、创作思路。分析专家则是用DeepSeek分析视频数据提供专业建议让决策有依据。这三个定位不是割裂的而是递进关系——先用效率解决「做不出来」再用创意解决「不知道做什么」最后用数据分析解决「做了不知道效果如何」。预期目标里值得关注的三个数字是获客成本降低80%、日更短视频、转化率倍增。这些是项目给出的目标不是我在复述概念。你在定义自己智能体的时候也应该把目标写得这么具体否则后续功能设计容易跑偏。2.2 用DeepSeek辅助业务流程梳理记录、可视化、找切入点业务流程的定义不需要讲太多理论它就是完成业务目标所需的一系列活动步骤。短视频创作的业务流程包括选题策划、文案撰写、拍摄录制、后期剪辑、发布推广每个环节还能继续细分。梳理业务流程最简单的方法是用一周时间记录日常工作中的每个操作步骤包括查阅的资料、处理的文件、使用的工具。记录完成后用思维导图或流程图可视化。如果企业已有标准操作流程SOP梳理就更快。这是一个被很多人忽略的技巧不要凭记忆梳理流程一定要记录因为记忆会美化过程把很多真实痛点掩盖掉。项目里给出了一个蛋糕店老板短视频起号的七个环节这个例子我要完整保留因为它就是后面所有工作流设计的基础账号定位确定主题方向、目标受众画像、竞品差异化卖点、内容风格策略对标账号拆解收集同行业优质账号、分析内容结构和形式、研究话术和引流方式账号基础搭建设计个人资料页、完善基础信息、制作置顶视频选题库搭建收集热门话题、收集对标账号选题、建立内容分类标签体系内容创作与拍摄编写分镜头脚本、准备拍摄道具和场景、录制多组镜头素材剪辑与发布收集素材片段、添加音乐特效字幕、设计封面标题、选择发布时间数据分析与优化收集关键数据指标、分析用户互动反馈、总结内容效果、调整优化策略拿到这个流程后项目里的做法是把这段文字直接发给DeepSeek让它输出每个环节的痛点、AI能协助的部分、人工要做的事。这一步的实际效果是把一个模糊的「我想做短视频获客」变成了结构化的任务拆解。DeepSeek给出的答案覆盖了所有环节其中对标账号拆解和数据分析两个环节的价值密度最高——前者是信息收集类工作后者是逻辑分析类工作两类都是AI擅长且能明显提效的。2.3 把痛点翻译成智能体功能从粗粒度需求到可执行方案DeepSeek的第一轮分析虽然全面但不够具体无法直接用于智能体开发。这是很多人在用AI时的通病——拿到第一版答案就直接开始干活结果发现落地时处处是坑。正确做法是继续追问让DeepSeek把粗粒度的需求逐层细化。项目里以「对标账号拆解」为例向DeepSeek发送了更具体的需求我会在抖音筛选与自身定位匹配的账号并发送给智能体智能体帮我爬取对标账号的视频列表自动提取标题、标签、文案、数据生成对标账号的定位、人设、选题方向、内容结构、变现路径的拆解报告。DeepSeek回复了一张包含「工作任务、AI智能体功能、人工需做的事」的三列表格还给出了三条注意事项数据合规性、动态更新、人机协同。这一轮对话的价值在于它把智能体的功能边界画出来了。AI负责爬取、提取、分析、生成报告人工负责初步筛选、确保合规、补充隐性人设标签、最终决策。这种边界划分直接影响后续Coze工作流的节点设计——哪些用插件完成哪些用大模型完成哪些需要人工介入。但注意DeepSeek的输出只是给了框架和素材我们这个项目还做了进一步细化把功能需求收敛到了五个模块获取对标账号基本资料、批量爬取视频列表、提取视频文案、生成结构化拆解报告、结合本地化需求做策略优化。到了这一步才能说「功能需求已经梳理清楚了」。提示判断功能需求是否梳理到位就看两点。第一每个功能是否能对应到一个具体的自动化节点第二每个节点是否有明确的输入和输出。如果你的需求描述里出现了「更好地分析」「智能地推荐」这类模糊词说明还没梳理到位需要继续追问DeepSeek。3. 智能体实现方案设计人设、工作流与节点边界3.1 实现方案的三层结构人设逻辑、自动化流程、人工介入点功能需求明确之后进入实现方案设计阶段。这个环节在项目里容易被一带而过但实际上它决定了工作流搭建时会不会返工。智能体的实现方案需要定义三层内容。第一层是人设与逻辑也就是智能体以什么身份和方式与用户对话什么时候调用工具。第二层是工作流也就是把场景流程转化为可自动化运行的步骤化模块。第三层是节点输入输出也就是每个步骤的输入参数和输出结果格式。我在看这个项目时特别注意到它有一个容易被忽视的设计原则工作流只是一个自动化脚本如果想在对话中直接使用需要封装成AI智能体。这句话划清了工作流和智能体的边界——工作流负责「干活」智能体负责「决定什么时候干、怎么跟用户交代」。很多新手喜欢把逻辑全部写在工作流里结果智能体变成了一个只会触发固定流程的壳子用户问点边界问题就崩了。3.2 对标拆解智能体的功能边界哪些归AI哪些留给人基于第2章的功能需求细化对标拆解智能体的具体功能可以归纳为下表工作任务AI智能体功能人工需做的事获取对标账号根据输入账号获取名称、简介、用户ID等基本资料初步筛选目标账号数据爬取批量获取视频列表包括标题、标签、发布时间、点赞数、评论数确认授权合规监控爬取异常文案提取基于视频链接提取文案信息无报告生成自动生成报告定位、人设、选题方向、内容结构、变现路径审核报告逻辑合理性策略优化基于历史数据推荐内容模板、预测爆款选题结合本地化需求补充创意这个表最关键的参考价值在于分工逻辑。AI承担的是信息收集、结构化分析、模板生成这类工作量占比高但逻辑相对固定的任务人工保留的是判断、审核、创意补充这类需要行业经验和个人审美的任务。两者的界线正好对应Coze上插件节点、大模型节点和人工审核环节的划分。3.3 提示词设计让DeepSeek输出可复用的报告结构对标拆解报告最终是由DeepSeek生成的所以大模型节点的系统提示词质量直接决定报告能不能用。这个项目里给出的提示词结构很典型值得拆开看根据对标账号的视频列表信息{{input}}。 自动生成结构化的报告 - 账号基本信息名称、简介 - 定位账号核心受众、差异化价值 - 人设IP形象、语言风格 - 选题方向爆款主题分类、发布时间规律 - 内容结构开场、叙事节奏、结尾引导 - 变现路径广告、带货、课程等模式分析这个提示词的关键在于明确输入来源{{input}}、固定输出结构六个维度、每个维度都有具体说明比如定位下面写了「账号核心受众、差异化价值」。这比笼统地说「帮我分析这个账号」要可靠得多。大模型最怕模糊指令你给它列清楚了它才能稳定地产出结构一致的结果。我一般还会在提示词最后追加一句「报告需要控制在XX字以内使用中文输出不要出现推测性结论」这个项目里没有写但它能进一步压缩报告里的废话。DeepSeek这类模型在长文本生成时容易啰嗦加了长度限制后报告的信息密度会有明显提升。4. Coze工作流搭建实战插件、批处理与飞书文档的完整链路4.1 工作流节点规划从空白流程到七步闭环在Coze官网的「资源库-工作流」里新建一个空白工作流命名为benchmark_analysis然后按下面的节点顺序搭建。这一步是整个项目从「方案」走向「实现」的转折点。我先给出一张节点规划表方便你对整体结构有概念节点顺序节点类型节点名称核心作用1开始video_url接收用户输入的视频链接2插件douyin_data获取对标账号的视频信息单条3插件get_user_video_all根据用户ID批量获取视频列表4批处理batch_video_detail批量获取视频详情并整合5批处理batch_extract_text批量下载视频、提取文案并整合6代码format_feishu_data整理数据为飞书表格格式7大模型deepseek_report调用DeepSeek生成拆解报告8结束doc_url输出飞书文档链接开始节点很简单只需要定义一个输入参数video_url类型为字符串。这个参数是用户和智能体对话时传进来的视频链接后续所有流程都围绕它展开。4.2 视频信息抓取两个插件工具的分工与批处理节点配置获取对标账号信息这一步项目使用了「视频搜索」插件的两个工具douyin_data和get_user_video_all。前者负责根据单条视频链接获取视频信息后者负责根据用户ID批量获取视频列表。这两个工具的分工要搞清楚douyin_data是单条粒度的信息获取返回的是详细数据get_user_video_all是账号粒度的列表获取返回的是该账号下的所有视频摘要。批量获取视频详细信息这一步用到了批处理节点。批处理体的内部执行两个节点先用douyin_data工具单个获取视频详情再用Python代码把视频详情整合进视频列表中。Python代码如下async def main(args: Args) - Output: params args.params aweme_detail params.get(aweme_detail, {}) aweme params.get(aweme, {}) aweme[aweme_detail] aweme_detail ret: Output { aweme: aweme } return ret这段代码做的事情很简单从批处理的参数里拿到aweme_detail和aweme两个对象把详情挂到视频对象上然后整体返回。aweme在这里代表单个视频的基础数据aweme_detail是douyin_data工具返回的详细数据。通过这个方式视频列表中的每个条目都被补充了完整的详情信息供后续节点使用。注意批处理节点内的变量名和上游节点的输出字段名必须严格一致。Coze的批处理节点不会做字段映射纠错一旦参数名写错节点直接拿不到数据表现出来就是下游节点报错或返回空值。4.3 视频文案提取链路链接提取、无水印下载与字幕获取批量提取视频文案这一步是整个工作流里最复杂的部分它内部由五个节点组成提取分享链接、视频无水印下载、字幕获取、文案整合、数据回填。先说提取分享链接的Python代码async def main(args: Args) - Output: params args.params aweme params.get(aweme, {}) share_info aweme.get(share_info, {}) share_url share_info.get(share_url, ) return share_url if share_url else 这段代码从视频对象中取出share_info再从share_info里取出share_url。返回的share_url会被传给「视频无水印下载」插件用来下载原视频。这里有一个隐藏的细节share_url不一定存在所以代码里加了一个空字符串兜底避免返回None导致下游节点断掉。视频下载完成后通过「字幕获取」插件提取视频中的文案信息。这一步在Coze插件生态里有多个选择项目使用的是现成的字幕获取插件。字幕提取的准确性取决于视频本身的音质和是否带字幕轨如果是纯背景音乐视频提取结果可能为空。字幕提取完成后用下面这段Python代码把文案信息整合回视频对象async def main(args: Args) - Output: # 如果 args.params 为 None则使用空字典 params args.params or {} # 从 params 提取子项如果为 None则使用空字典 aweme params.get(aweme) or {} text_data params.get(text_data) or {} # 为 aweme 添加字段 text aweme[text] text_data.get(content, ) # 构造返回值 ret: Output { aweme: aweme } return ret这里有两个防御性写法值得学习。第一params args.params or {}防止args.params为None第二aweme params.get(aweme) or {}防止字段缺失导致后续操作报错。把text_data里的content字段赋值给aweme[text]视频和它的文案就绑定在一起了。这个字段在后面格式化飞书表格数据时会被直接引用。4.4 数据写入飞书表格与DeepSeek报告生成文案整合完成之后需要把整个aweme_list整理成飞书多维表格可以识别的数据格式。下面是格式化Python代码的核心片段async def main(args: Args) - Output: # 1. 先安全地获取 params params getattr(args, params, {}) # 2. 安全地获取 aweme_list aweme_list params.get(aweme_list, []) if not isinstance(aweme_list, list): return [] result [] # 3. 遍历 aweme_list依次处理 for aweme in aweme_list: if not isinstance(aweme, dict): continue # 4. 安全获取 share_info 和 statistics share_info aweme.get(share_info, {}) if isinstance(aweme.get(share_info), dict) else {} statistics aweme.get(statistics, {}) if isinstance(aweme.get(statistics), dict) else {} text aweme.get(text, ) # 5. 提取各字段信息并在取值时加默认值 video_id statistics.get(aweme_id, ) title share_info.get(share_title, ) link share_info.get(share_url, ) digg_count statistics.get(digg_count, 0) comment_count statistics.get(comment_count, 0) collect_count statistics.get(collect_count, 0) share_count statistics.get(share_count, 0) # 6. 获取 aweme_detail 并判空 aweme_detail aweme.get(aweme_detail, {}) if isinstance(aweme.get(aweme_detail), dict) else {} # 获取作者信息 author_info aweme_detail.get(author, {}) if isinstance(aweme_detail.get(author), dict) else {} author_name author_info.get(nickname, ) signature author_info.get(signature, ) sec_uid author_info.get(sec_uid, ) # 7. 获取时间和时长这里可以进一步做类型检查防止计算时报错 raw_create_time aweme_detail.get(create_time, 0) create_time_ms raw_create_time * 1000 if isinstance(raw_create_time, int) else 0 raw_duration aweme_detail.get(duration, 0) duration_sec raw_duration / 1000 if isinstance(raw_duration, (int, float)) else 0 # 8. 组装返回数据 item_dict { fields: { 视频ID: video_id, 标题: title.strip(), 文案: text, 链接: { text: 查看视频, link: link.strip(), }, 点赞数: digg_count, 评论数: comment_count, 收藏数: collect_count, 分享数: share_count, 作者: author_name, 用户简介: signature, 用户ID: sec_uid, 发布日期: create_time_ms, 时长: duration_sec } } result.append(item_dict) return result这段代码有几个要点需要说明。首先是字段类型处理。抖音接口返回的create_time是秒级时间戳但飞书表格的日期字段通常接受毫秒级时间戳所以代码里做了raw_create_time * 1000的转换。duration原始值单位是毫秒这里除以1000转成秒方便在表格里直接读。其次是联动的三级防御结构。第一级判断params是否存在第二级判断aweme_list是否为列表且包含字典元素第三级是每个字段的默认值兜底。这套防御结构不是多余的——Coze的插件输出格式经常随平台接口变化少了这些判断工作流跑几天后突然报错的情况我遇到不止一次。最后是飞书字段的固定命名。视频ID、标题、文案、链接这些字段名必须提前在飞书多维表格里建好对应的列名称和这里的键名称要保持完全一致。飞书表格不是根据这里的字段名自动建列的字段不匹配时数据写入会静默失败。最后通过大模型节点接入DeepSeek使用前面提到过的提示词根据{{input}}生成拆解报告。结束节点输出的是飞书文档链接。到这里整个工作流的自动化链路就打通了。5. 智能体封装与发布从工作流到能对话的智能体5.1 创建智能体与编写人设逻辑工作流只是自动化脚本要在对话中直接使用需要封装成AI智能体。在Coze中进入「智能体」版块新建智能体「对标账号拆解智能体」然后编辑它的「人设与逻辑」模块。项目里给出的系统提示词模板结构上很标准我复述出来并做一个结构拆解# 角色 你是一个专业的对标账号拆解助手擅长帮助短视频小白用户深入拆解对标账号 并根据拆解结果生成详细的拆解报告和针对性强的账号优化建议。 ## 技能 ### 技能 1: 生成对标拆解报告 1. 当用户输入视频 url 时调用 benchmark_analysis 工作流来生成对标拆解报告。 2. 生成报告过程中要确保报告内容清晰、有条理涵盖账号的关键要素和重要数据。 ### 技能 2: 给出账号优化建议 1. 基于生成的对标拆解报告结合短视频运营的专业知识和经验 为用户提供切实可行的账号优化建议。 2. 优化建议要具体、可操作能够帮助用户提升账号的质量和影响力。 ## 限制: - 只回答与对标账号拆解和账号优化相关的问题拒绝回答无关话题。 - 所输出的内容需逻辑清晰、有条理拆解报告和优化建议要分开呈现。 - 确保生成的内容符合短视频行业的实际情况和规律。这个提示词设计的精髓在于「技能」和「限制」。技能1告诉大模型什么时候调用工作流技能2让它在报告基础上输出额外建议限制则防止它跑偏到无关话题。我的经验是限制部分要写得比技能部分更严格否则智能体会在对话中自由发挥产生工作流之外的输出。5.2 绑定工作流、对话测试与发布人设编写完成后把benchmark_analysis工作流绑定到智能体上。在右侧测试面板输入一个短视频链接观察智能体是否能正确完成对标拆解并成功写入飞书文档。测试通过后点击「发布」可以将智能体发布到飞书或其他渠道。整个流程到这里完成了一个完整闭环定位分析 → 需求梳理 → 方案设计 → 工作流搭建 → 智能体封装 → 发布上线。5.3 避坑指南Coze工作流搭建中的五条踩坑记录这块内容是整个项目里最有复用价值的部分整理自多次真实搭建过程中遇到的问题。坑一批量获取视频列表时频繁触发反爬机制现象get_user_video_all工具在连续处理多个账号时执行到第三四个账号就开始返回空列表或报错。原因插件底层也是调用抖音的公开接口高频率请求会触发平台的反爬策略导致接口临时封禁。解决在批量处理时人为控制节奏。常见做法是在批处理节点前加一个「等待」节点或者把账号列表拆成小批次每批之间留出时间间隔。另外尽量只处理人工筛选过的目标账号不要把整个行业的账号都拉进来跑。坑二批处理节点下游拿不到数据输出为空现象批处理节点后面的Python节点偶尔报aweme_list为空但查看批处理节点的日志里面明明有数据。原因批处理节点的输出格式和应用到下游的格式不一致。批处理节点的输出默认是一个包含多条记录的对象但如果没有正确配置「批处理结果」的聚合方式下游节点拿到的可能是空对象。解决在批处理节点配置输出时确保选择的输出项是批处理累积后的列表字段同时Python代码里使用params.get(aweme_list, [])这种方式安全取值。不要直接访问params[aweme_list]数据缺失时直接报KeyError排查起来更麻烦。坑三Python节点超时工作流执行报错现象视频数量多时格式化飞书数据的Python节点经常超时工作流中断。原因Coze的Python代码节点有执行时间限制视频数量超过50条时循环处理和字段赋值的时间会显著增加。解决精简代码逻辑不要在循环内做复杂的字符串处理或调用外部库。title.strip()这种轻量操作没问题但如果你在代码里引入了pandas或requests这类重库执行时间会直线上升。另外可以用批处理节点把大列表切分成小块并行处理减少单次循环压力。坑四飞书表格写入失败但工作流显示成功现象工作流跑完显示成功但飞书多维表格里没有新增数据。原因字段名不匹配或字段类型不对。飞书表格对列名严格区分代码里写的点赞数和表格里的列名点赞数只要有一个字符不一致比如多一个空格写入就会失败。另外把字符串写入数字字段或者把时间戳格式写错也会静默失败。解决在首次运行前手工在飞书表格里建好所有列字段名和代码里的键名逐个对照。检查字段类型点赞数这列必须是数字类型发布日期这列必须是日期类型。如果有多行数据写入失败可以在飞书表格的「运行记录」里查看具体失败原因。坑五DeepSeek生成的报告结构飘忽不定现象同一个工作流跑两次第一次报告包含六个维度第二次只有三个维度且语言风格差异很大。原因大模型节点的输出受温度参数影响温度越高输出的随机性越强。另外提示词里如果没有强制约束输出结构模型会根据输入内容的字数自动调整详细程度。解决在DeepSeek大模型节点的参数配置里把温度调到0.3以下输出更稳定。系统提示词里增加一条「必须严格遵循提示词给出的六个维度输出每个维度独立成段」把结构要求写死。如果还出现不稳定可以在提示词末尾加一句「禁止跳过任一步骤」这招对DeepSeek这类模型往往很有效。6. 进阶技巧让对标拆解智能体从「跑通」到「好用」工作流跑通只是第一步真正让它成为能稳定产出内容的工具还需要做三件事变量抽取、提示词精调、知识库沉淀。第一件事是变量抽取。当前工作流把video_url写死在开始节点里每次只能处理一条链接。如果你希望批量拆解多个账号可以在工作流开头加一个循环节点或者把输入改成支持多条链接的数组。常见做法是在开始节点配置一个video_urls数组字段再用代码节点把数组拆成单条数据流式处理。这样一次对话就能拆解一整批账号效率提升立竿见影。第二件事是报告模板的精调。把DeepSeek的输出结果保存几份对比哪些字段稳定、哪些字段经常漂移。以我的经验来看「内容结构」和「变现路径」两个维度最容易出现空话套话建议在提示词里增加更细的约束比如「内容结构需拆解前3秒、中段节奏、结尾引导三个子段落」。把上一次报告里不满意的地方反哺回提示词迭代两三轮之后输出质量会有明显提升。第三件事是知识库沉淀。在Coze的智能体配置里可以挂载知识库把自己整理过的爆款选题、优秀对标账号、历史拆解报告放进去。当用户输入视频链接时智能体除了跑工作流还能结合知识库中的历史数据给出更贴合自身业务的建议。这一步能让智能体从「通用工具」变成「懂你业务的助手」。验证方法上我习惯用回测拿一个已经发布过且数据表现良好的账号喂给智能体做拆解看报告是否能准确还原这个账号的定位和选题策略。如果拆解结果和实际情况相差很远说明插件数据源或提示词还有问题。另外每次更新工作流或提示词后我都会强制走一遍完整流程输入链接 → 观察节点日志 → 检查飞书表格数据 → 查看报告质量。从那以后我每次调完节点配置都会跑一遍这条链路确认所有节点数据流转正常再发布。这套校验习惯帮我规避了大量线上翻车的情况希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/9/24 13:49:06 · 阅读 1.2k 用DeepSeek+Coze搭建AI获客智能体：短视频对标拆解全流程
简介这份指南面向传统行业中小老板、创业者及销售运营人员讲解基于DeepSeekCoze从0到1构建AI获客智能体的完整流程。资源围绕短视频获客核心环节——账号定位、对标账号拆解、内容创作、剪辑发布与数据分析系统梳理了从明确智能体定位、分析业务流程痛点、设计场景工作流、规划功能需求到最终落地发布的全链路方法。文档以蛋糕店老板短视频起号等实例演示如何用DeepSeek生成痛点分析表、自动提取对标账号数据、输出结构化拆解报告让用户将80%的重复性分析工作交给AI从而降低获客成本、实现短视频高频输出。资源为1个docx文档大小约1.75MB结构紧凑、操作指引清晰可直接对照实践。目前已有627人学习适合希望借助AI突破短视频创作与获客瓶颈、提升业务效率的读者。1. AI获客智能体从一条短视频链接到一份完整拆解报告这两年短视频获客成了中小商家绕不开的话题但真正动手做的人大多卡在同一个地方不知道怎么开始。账号怎么定位对标账号该拆什么选题从哪里来如果你也面临这些问题那这套基于DeepSeekCoze的AI获客智能体搭建方案大概率能直接解决你的痛点。本项目的核心是把「短视频起号」这件事拆成七个环节再逐个环节找出AI能代替人工完成的部分最终用Coze工作流搭出一个可以对话的智能体——你只需要丢给它一条对标账号的视频链接它就能自动抓取数据、提取文案、生成拆解报告最后写入飞书文档。这套做法适合传统行业老板、个人IP和销售运营人员不需要你有编程基础但如果你懂一点Python和提示词设计能走得快很多。2. 定位与痛点分析先想清楚智能体为谁解决什么问题2.1 三个价值锚点效率提升、创意助手、分析专家构建智能体之前最忌讳的事情就是直接打开Coze开始拖节点。我在拆解这个项目时第一个关注点不是技术选型而是它的价值定位。AI获客智能体的价值被拆成了三块效率提升、创意助手、分析专家。这三块分别对应了商家在不同阶段的诉求——前期缺内容能力中期缺创意灵感后期缺数据判断。效率提升是最容易量化的把重复性、机械性的短视频创作工作交给AI让商家专注于核心业务。创意助手解决的是创作瓶颈选题建议、内容灵感、创作思路。分析专家则是用DeepSeek分析视频数据提供专业建议让决策有依据。这三个定位不是割裂的而是递进关系——先用效率解决「做不出来」再用创意解决「不知道做什么」最后用数据分析解决「做了不知道效果如何」。预期目标里值得关注的三个数字是获客成本降低80%、日更短视频、转化率倍增。这些是项目给出的目标不是我在复述概念。你在定义自己智能体的时候也应该把目标写得这么具体否则后续功能设计容易跑偏。2.2 用DeepSeek辅助业务流程梳理记录、可视化、找切入点业务流程的定义不需要讲太多理论它就是完成业务目标所需的一系列活动步骤。短视频创作的业务流程包括选题策划、文案撰写、拍摄录制、后期剪辑、发布推广每个环节还能继续细分。梳理业务流程最简单的方法是用一周时间记录日常工作中的每个操作步骤包括查阅的资料、处理的文件、使用的工具。记录完成后用思维导图或流程图可视化。如果企业已有标准操作流程SOP梳理就更快。这是一个被很多人忽略的技巧不要凭记忆梳理流程一定要记录因为记忆会美化过程把很多真实痛点掩盖掉。项目里给出了一个蛋糕店老板短视频起号的七个环节这个例子我要完整保留因为它就是后面所有工作流设计的基础账号定位确定主题方向、目标受众画像、竞品差异化卖点、内容风格策略对标账号拆解收集同行业优质账号、分析内容结构和形式、研究话术和引流方式账号基础搭建设计个人资料页、完善基础信息、制作置顶视频选题库搭建收集热门话题、收集对标账号选题、建立内容分类标签体系内容创作与拍摄编写分镜头脚本、准备拍摄道具和场景、录制多组镜头素材剪辑与发布收集素材片段、添加音乐特效字幕、设计封面标题、选择发布时间数据分析与优化收集关键数据指标、分析用户互动反馈、总结内容效果、调整优化策略拿到这个流程后项目里的做法是把这段文字直接发给DeepSeek让它输出每个环节的痛点、AI能协助的部分、人工要做的事。这一步的实际效果是把一个模糊的「我想做短视频获客」变成了结构化的任务拆解。DeepSeek给出的答案覆盖了所有环节其中对标账号拆解和数据分析两个环节的价值密度最高——前者是信息收集类工作后者是逻辑分析类工作两类都是AI擅长且能明显提效的。2.3 把痛点翻译成智能体功能从粗粒度需求到可执行方案DeepSeek的第一轮分析虽然全面但不够具体无法直接用于智能体开发。这是很多人在用AI时的通病——拿到第一版答案就直接开始干活结果发现落地时处处是坑。正确做法是继续追问让DeepSeek把粗粒度的需求逐层细化。项目里以「对标账号拆解」为例向DeepSeek发送了更具体的需求我会在抖音筛选与自身定位匹配的账号并发送给智能体智能体帮我爬取对标账号的视频列表自动提取标题、标签、文案、数据生成对标账号的定位、人设、选题方向、内容结构、变现路径的拆解报告。DeepSeek回复了一张包含「工作任务、AI智能体功能、人工需做的事」的三列表格还给出了三条注意事项数据合规性、动态更新、人机协同。这一轮对话的价值在于它把智能体的功能边界画出来了。AI负责爬取、提取、分析、生成报告人工负责初步筛选、确保合规、补充隐性人设标签、最终决策。这种边界划分直接影响后续Coze工作流的节点设计——哪些用插件完成哪些用大模型完成哪些需要人工介入。但注意DeepSeek的输出只是给了框架和素材我们这个项目还做了进一步细化把功能需求收敛到了五个模块获取对标账号基本资料、批量爬取视频列表、提取视频文案、生成结构化拆解报告、结合本地化需求做策略优化。到了这一步才能说「功能需求已经梳理清楚了」。提示判断功能需求是否梳理到位就看两点。第一每个功能是否能对应到一个具体的自动化节点第二每个节点是否有明确的输入和输出。如果你的需求描述里出现了「更好地分析」「智能地推荐」这类模糊词说明还没梳理到位需要继续追问DeepSeek。3. 智能体实现方案设计人设、工作流与节点边界3.1 实现方案的三层结构人设逻辑、自动化流程、人工介入点功能需求明确之后进入实现方案设计阶段。这个环节在项目里容易被一带而过但实际上它决定了工作流搭建时会不会返工。智能体的实现方案需要定义三层内容。第一层是人设与逻辑也就是智能体以什么身份和方式与用户对话什么时候调用工具。第二层是工作流也就是把场景流程转化为可自动化运行的步骤化模块。第三层是节点输入输出也就是每个步骤的输入参数和输出结果格式。我在看这个项目时特别注意到它有一个容易被忽视的设计原则工作流只是一个自动化脚本如果想在对话中直接使用需要封装成AI智能体。这句话划清了工作流和智能体的边界——工作流负责「干活」智能体负责「决定什么时候干、怎么跟用户交代」。很多新手喜欢把逻辑全部写在工作流里结果智能体变成了一个只会触发固定流程的壳子用户问点边界问题就崩了。3.2 对标拆解智能体的功能边界哪些归AI哪些留给人基于第2章的功能需求细化对标拆解智能体的具体功能可以归纳为下表工作任务AI智能体功能人工需做的事获取对标账号根据输入账号获取名称、简介、用户ID等基本资料初步筛选目标账号数据爬取批量获取视频列表包括标题、标签、发布时间、点赞数、评论数确认授权合规监控爬取异常文案提取基于视频链接提取文案信息无报告生成自动生成报告定位、人设、选题方向、内容结构、变现路径审核报告逻辑合理性策略优化基于历史数据推荐内容模板、预测爆款选题结合本地化需求补充创意这个表最关键的参考价值在于分工逻辑。AI承担的是信息收集、结构化分析、模板生成这类工作量占比高但逻辑相对固定的任务人工保留的是判断、审核、创意补充这类需要行业经验和个人审美的任务。两者的界线正好对应Coze上插件节点、大模型节点和人工审核环节的划分。3.3 提示词设计让DeepSeek输出可复用的报告结构对标拆解报告最终是由DeepSeek生成的所以大模型节点的系统提示词质量直接决定报告能不能用。这个项目里给出的提示词结构很典型值得拆开看根据对标账号的视频列表信息{{input}}。 自动生成结构化的报告 - 账号基本信息名称、简介 - 定位账号核心受众、差异化价值 - 人设IP形象、语言风格 - 选题方向爆款主题分类、发布时间规律 - 内容结构开场、叙事节奏、结尾引导 - 变现路径广告、带货、课程等模式分析这个提示词的关键在于明确输入来源{{input}}、固定输出结构六个维度、每个维度都有具体说明比如定位下面写了「账号核心受众、差异化价值」。这比笼统地说「帮我分析这个账号」要可靠得多。大模型最怕模糊指令你给它列清楚了它才能稳定地产出结构一致的结果。我一般还会在提示词最后追加一句「报告需要控制在XX字以内使用中文输出不要出现推测性结论」这个项目里没有写但它能进一步压缩报告里的废话。DeepSeek这类模型在长文本生成时容易啰嗦加了长度限制后报告的信息密度会有明显提升。4. Coze工作流搭建实战插件、批处理与飞书文档的完整链路4.1 工作流节点规划从空白流程到七步闭环在Coze官网的「资源库-工作流」里新建一个空白工作流命名为benchmark_analysis然后按下面的节点顺序搭建。这一步是整个项目从「方案」走向「实现」的转折点。我先给出一张节点规划表方便你对整体结构有概念节点顺序节点类型节点名称核心作用1开始video_url接收用户输入的视频链接2插件douyin_data获取对标账号的视频信息单条3插件get_user_video_all根据用户ID批量获取视频列表4批处理batch_video_detail批量获取视频详情并整合5批处理batch_extract_text批量下载视频、提取文案并整合6代码format_feishu_data整理数据为飞书表格格式7大模型deepseek_report调用DeepSeek生成拆解报告8结束doc_url输出飞书文档链接开始节点很简单只需要定义一个输入参数video_url类型为字符串。这个参数是用户和智能体对话时传进来的视频链接后续所有流程都围绕它展开。4.2 视频信息抓取两个插件工具的分工与批处理节点配置获取对标账号信息这一步项目使用了「视频搜索」插件的两个工具douyin_data和get_user_video_all。前者负责根据单条视频链接获取视频信息后者负责根据用户ID批量获取视频列表。这两个工具的分工要搞清楚douyin_data是单条粒度的信息获取返回的是详细数据get_user_video_all是账号粒度的列表获取返回的是该账号下的所有视频摘要。批量获取视频详细信息这一步用到了批处理节点。批处理体的内部执行两个节点先用douyin_data工具单个获取视频详情再用Python代码把视频详情整合进视频列表中。Python代码如下async def main(args: Args) - Output: params args.params aweme_detail params.get(aweme_detail, {}) aweme params.get(aweme, {}) aweme[aweme_detail] aweme_detail ret: Output { aweme: aweme } return ret这段代码做的事情很简单从批处理的参数里拿到aweme_detail和aweme两个对象把详情挂到视频对象上然后整体返回。aweme在这里代表单个视频的基础数据aweme_detail是douyin_data工具返回的详细数据。通过这个方式视频列表中的每个条目都被补充了完整的详情信息供后续节点使用。注意批处理节点内的变量名和上游节点的输出字段名必须严格一致。Coze的批处理节点不会做字段映射纠错一旦参数名写错节点直接拿不到数据表现出来就是下游节点报错或返回空值。4.3 视频文案提取链路链接提取、无水印下载与字幕获取批量提取视频文案这一步是整个工作流里最复杂的部分它内部由五个节点组成提取分享链接、视频无水印下载、字幕获取、文案整合、数据回填。先说提取分享链接的Python代码async def main(args: Args) - Output: params args.params aweme params.get(aweme, {}) share_info aweme.get(share_info, {}) share_url share_info.get(share_url, ) return share_url if share_url else 这段代码从视频对象中取出share_info再从share_info里取出share_url。返回的share_url会被传给「视频无水印下载」插件用来下载原视频。这里有一个隐藏的细节share_url不一定存在所以代码里加了一个空字符串兜底避免返回None导致下游节点断掉。视频下载完成后通过「字幕获取」插件提取视频中的文案信息。这一步在Coze插件生态里有多个选择项目使用的是现成的字幕获取插件。字幕提取的准确性取决于视频本身的音质和是否带字幕轨如果是纯背景音乐视频提取结果可能为空。字幕提取完成后用下面这段Python代码把文案信息整合回视频对象async def main(args: Args) - Output: # 如果 args.params 为 None则使用空字典 params args.params or {} # 从 params 提取子项如果为 None则使用空字典 aweme params.get(aweme) or {} text_data params.get(text_data) or {} # 为 aweme 添加字段 text aweme[text] text_data.get(content, ) # 构造返回值 ret: Output { aweme: aweme } return ret这里有两个防御性写法值得学习。第一params args.params or {}防止args.params为None第二aweme params.get(aweme) or {}防止字段缺失导致后续操作报错。把text_data里的content字段赋值给aweme[text]视频和它的文案就绑定在一起了。这个字段在后面格式化飞书表格数据时会被直接引用。4.4 数据写入飞书表格与DeepSeek报告生成文案整合完成之后需要把整个aweme_list整理成飞书多维表格可以识别的数据格式。下面是格式化Python代码的核心片段async def main(args: Args) - Output: # 1. 先安全地获取 params params getattr(args, params, {}) # 2. 安全地获取 aweme_list aweme_list params.get(aweme_list, []) if not isinstance(aweme_list, list): return [] result [] # 3. 遍历 aweme_list依次处理 for aweme in aweme_list: if not isinstance(aweme, dict): continue # 4. 安全获取 share_info 和 statistics share_info aweme.get(share_info, {}) if isinstance(aweme.get(share_info), dict) else {} statistics aweme.get(statistics, {}) if isinstance(aweme.get(statistics), dict) else {} text aweme.get(text, ) # 5. 提取各字段信息并在取值时加默认值 video_id statistics.get(aweme_id, ) title share_info.get(share_title, ) link share_info.get(share_url, ) digg_count statistics.get(digg_count, 0) comment_count statistics.get(comment_count, 0) collect_count statistics.get(collect_count, 0) share_count statistics.get(share_count, 0) # 6. 获取 aweme_detail 并判空 aweme_detail aweme.get(aweme_detail, {}) if isinstance(aweme.get(aweme_detail), dict) else {} # 获取作者信息 author_info aweme_detail.get(author, {}) if isinstance(aweme_detail.get(author), dict) else {} author_name author_info.get(nickname, ) signature author_info.get(signature, ) sec_uid author_info.get(sec_uid, ) # 7. 获取时间和时长这里可以进一步做类型检查防止计算时报错 raw_create_time aweme_detail.get(create_time, 0) create_time_ms raw_create_time * 1000 if isinstance(raw_create_time, int) else 0 raw_duration aweme_detail.get(duration, 0) duration_sec raw_duration / 1000 if isinstance(raw_duration, (int, float)) else 0 # 8. 组装返回数据 item_dict { fields: { 视频ID: video_id, 标题: title.strip(), 文案: text, 链接: { text: 查看视频, link: link.strip(), }, 点赞数: digg_count, 评论数: comment_count, 收藏数: collect_count, 分享数: share_count, 作者: author_name, 用户简介: signature, 用户ID: sec_uid, 发布日期: create_time_ms, 时长: duration_sec } } result.append(item_dict) return result这段代码有几个要点需要说明。首先是字段类型处理。抖音接口返回的create_time是秒级时间戳但飞书表格的日期字段通常接受毫秒级时间戳所以代码里做了raw_create_time * 1000的转换。duration原始值单位是毫秒这里除以1000转成秒方便在表格里直接读。其次是联动的三级防御结构。第一级判断params是否存在第二级判断aweme_list是否为列表且包含字典元素第三级是每个字段的默认值兜底。这套防御结构不是多余的——Coze的插件输出格式经常随平台接口变化少了这些判断工作流跑几天后突然报错的情况我遇到不止一次。最后是飞书字段的固定命名。视频ID、标题、文案、链接这些字段名必须提前在飞书多维表格里建好对应的列名称和这里的键名称要保持完全一致。飞书表格不是根据这里的字段名自动建列的字段不匹配时数据写入会静默失败。最后通过大模型节点接入DeepSeek使用前面提到过的提示词根据{{input}}生成拆解报告。结束节点输出的是飞书文档链接。到这里整个工作流的自动化链路就打通了。5. 智能体封装与发布从工作流到能对话的智能体5.1 创建智能体与编写人设逻辑工作流只是自动化脚本要在对话中直接使用需要封装成AI智能体。在Coze中进入「智能体」版块新建智能体「对标账号拆解智能体」然后编辑它的「人设与逻辑」模块。项目里给出的系统提示词模板结构上很标准我复述出来并做一个结构拆解# 角色 你是一个专业的对标账号拆解助手擅长帮助短视频小白用户深入拆解对标账号 并根据拆解结果生成详细的拆解报告和针对性强的账号优化建议。 ## 技能 ### 技能 1: 生成对标拆解报告 1. 当用户输入视频 url 时调用 benchmark_analysis 工作流来生成对标拆解报告。 2. 生成报告过程中要确保报告内容清晰、有条理涵盖账号的关键要素和重要数据。 ### 技能 2: 给出账号优化建议 1. 基于生成的对标拆解报告结合短视频运营的专业知识和经验 为用户提供切实可行的账号优化建议。 2. 优化建议要具体、可操作能够帮助用户提升账号的质量和影响力。 ## 限制: - 只回答与对标账号拆解和账号优化相关的问题拒绝回答无关话题。 - 所输出的内容需逻辑清晰、有条理拆解报告和优化建议要分开呈现。 - 确保生成的内容符合短视频行业的实际情况和规律。这个提示词设计的精髓在于「技能」和「限制」。技能1告诉大模型什么时候调用工作流技能2让它在报告基础上输出额外建议限制则防止它跑偏到无关话题。我的经验是限制部分要写得比技能部分更严格否则智能体会在对话中自由发挥产生工作流之外的输出。5.2 绑定工作流、对话测试与发布人设编写完成后把benchmark_analysis工作流绑定到智能体上。在右侧测试面板输入一个短视频链接观察智能体是否能正确完成对标拆解并成功写入飞书文档。测试通过后点击「发布」可以将智能体发布到飞书或其他渠道。整个流程到这里完成了一个完整闭环定位分析 → 需求梳理 → 方案设计 → 工作流搭建 → 智能体封装 → 发布上线。5.3 避坑指南Coze工作流搭建中的五条踩坑记录这块内容是整个项目里最有复用价值的部分整理自多次真实搭建过程中遇到的问题。坑一批量获取视频列表时频繁触发反爬机制现象get_user_video_all工具在连续处理多个账号时执行到第三四个账号就开始返回空列表或报错。原因插件底层也是调用抖音的公开接口高频率请求会触发平台的反爬策略导致接口临时封禁。解决在批量处理时人为控制节奏。常见做法是在批处理节点前加一个「等待」节点或者把账号列表拆成小批次每批之间留出时间间隔。另外尽量只处理人工筛选过的目标账号不要把整个行业的账号都拉进来跑。坑二批处理节点下游拿不到数据输出为空现象批处理节点后面的Python节点偶尔报aweme_list为空但查看批处理节点的日志里面明明有数据。原因批处理节点的输出格式和应用到下游的格式不一致。批处理节点的输出默认是一个包含多条记录的对象但如果没有正确配置「批处理结果」的聚合方式下游节点拿到的可能是空对象。解决在批处理节点配置输出时确保选择的输出项是批处理累积后的列表字段同时Python代码里使用params.get(aweme_list, [])这种方式安全取值。不要直接访问params[aweme_list]数据缺失时直接报KeyError排查起来更麻烦。坑三Python节点超时工作流执行报错现象视频数量多时格式化飞书数据的Python节点经常超时工作流中断。原因Coze的Python代码节点有执行时间限制视频数量超过50条时循环处理和字段赋值的时间会显著增加。解决精简代码逻辑不要在循环内做复杂的字符串处理或调用外部库。title.strip()这种轻量操作没问题但如果你在代码里引入了pandas或requests这类重库执行时间会直线上升。另外可以用批处理节点把大列表切分成小块并行处理减少单次循环压力。坑四飞书表格写入失败但工作流显示成功现象工作流跑完显示成功但飞书多维表格里没有新增数据。原因字段名不匹配或字段类型不对。飞书表格对列名严格区分代码里写的点赞数和表格里的列名点赞数只要有一个字符不一致比如多一个空格写入就会失败。另外把字符串写入数字字段或者把时间戳格式写错也会静默失败。解决在首次运行前手工在飞书表格里建好所有列字段名和代码里的键名逐个对照。检查字段类型点赞数这列必须是数字类型发布日期这列必须是日期类型。如果有多行数据写入失败可以在飞书表格的「运行记录」里查看具体失败原因。坑五DeepSeek生成的报告结构飘忽不定现象同一个工作流跑两次第一次报告包含六个维度第二次只有三个维度且语言风格差异很大。原因大模型节点的输出受温度参数影响温度越高输出的随机性越强。另外提示词里如果没有强制约束输出结构模型会根据输入内容的字数自动调整详细程度。解决在DeepSeek大模型节点的参数配置里把温度调到0.3以下输出更稳定。系统提示词里增加一条「必须严格遵循提示词给出的六个维度输出每个维度独立成段」把结构要求写死。如果还出现不稳定可以在提示词末尾加一句「禁止跳过任一步骤」这招对DeepSeek这类模型往往很有效。6. 进阶技巧让对标拆解智能体从「跑通」到「好用」工作流跑通只是第一步真正让它成为能稳定产出内容的工具还需要做三件事变量抽取、提示词精调、知识库沉淀。第一件事是变量抽取。当前工作流把video_url写死在开始节点里每次只能处理一条链接。如果你希望批量拆解多个账号可以在工作流开头加一个循环节点或者把输入改成支持多条链接的数组。常见做法是在开始节点配置一个video_urls数组字段再用代码节点把数组拆成单条数据流式处理。这样一次对话就能拆解一整批账号效率提升立竿见影。第二件事是报告模板的精调。把DeepSeek的输出结果保存几份对比哪些字段稳定、哪些字段经常漂移。以我的经验来看「内容结构」和「变现路径」两个维度最容易出现空话套话建议在提示词里增加更细的约束比如「内容结构需拆解前3秒、中段节奏、结尾引导三个子段落」。把上一次报告里不满意的地方反哺回提示词迭代两三轮之后输出质量会有明显提升。第三件事是知识库沉淀。在Coze的智能体配置里可以挂载知识库把自己整理过的爆款选题、优秀对标账号、历史拆解报告放进去。当用户输入视频链接时智能体除了跑工作流还能结合知识库中的历史数据给出更贴合自身业务的建议。这一步能让智能体从「通用工具」变成「懂你业务的助手」。验证方法上我习惯用回测拿一个已经发布过且数据表现良好的账号喂给智能体做拆解看报告是否能准确还原这个账号的定位和选题策略。如果拆解结果和实际情况相差很远说明插件数据源或提示词还有问题。另外每次更新工作流或提示词后我都会强制走一遍完整流程输入链接 → 观察节点日志 → 检查飞书表格数据 → 查看报告质量。从那以后我每次调完节点配置都会跑一遍这条链路确认所有节点数据流转正常再发布。这套校验习惯帮我规避了大量线上翻车的情况希望帮到你。本文还有配套的精品资源点击获取