简介一份围绕DeepSeekCoze构建AI获客智能体的实战指南面向传统行业中小老板、创业者或个人IP以及销售运营人员解决短视频创作与获客效率低、缺乏系统方法的问题。资料包共1个文件docx格式压缩包大小约1.75MB内容涵盖智能体定位、业务流程梳理、痛点分析到场景工作流设计与Coze平台落地的完整讲解适合零基础或希望提效的运营者参考。目前已有627人学习下载。通过案例与DeepSeek对话表格详细拆解账号定位、对标账号、选题库、内容创作等环节的AI协助方式并列出创建工作流、绑定与发布智能体的具体步骤尤其强调将80%重复性分析交给AI可帮助读者快速复制一套AI短视频获客工作流降低内容生产成本并提升决策效率同时对数据合规与动态更新给出提醒便于后续持续迭代与复用。1. AI 获客智能体为什么说难的不是技术是把流程拆开我见过不少传统老板做短视频获客第一反应是“我不会拍”“没团队”。但真正拖垮他们的往往不是拍摄而是从选题、脚本、剪辑到发布整条链路都是散的——今天想个选题明天找人剪后天不知道发什么。这篇文章要拆的项目就是基于 DeepSeek Coze 从 0 到 1 构建一个 AI 获客智能体的完整过程先用 DeepSeek 把业务流程拆成一张带痛点的表再在 Coze 上把对标账号拆解、视频数据抓取、文案提取、报告生成串成工作流最后封装成一个对话式智能体。它能解决的核心问题是把短视频获客里 80% 的重复性分析工作交给 AI 自动完成让你把精力留给创意和决策。适合三类人没有技术团队的实体店老板、想打造个人 IP 的创业者、以及想给现有获客链路提速的销售和运营。下面直接开工。2. 定位与痛点分析先让 DeepSeek 把散装业务理成一张表2.1 定位决定后面所有设计效率、创意、分析三件事搭建智能体之前最忌讳一上来就开搞工作流。你得先回答一个问题这个智能体到底替用户省掉哪部分时间在 AI 获客这个场景里智能体的价值定位通常可以拆成三块。第一是效率提升把重复性、机械性的短视频创作工作交给 AI商家和创作者专注核心业务第二是创意助手提供选题建议、内容灵感和创作思路帮助突破创作瓶颈第三是分析专家通过 DeepSeek 分析视频数据给出专业的分析建议做决策更有底气。这三句话不是空话它们直接决定你后续工作流里放哪些节点。比如定位侧重“效率提升”工作流就要重点设计自动抓取、批量处理、自动生成报表定位侧重“创意助手”就要在大模型节点的提示词上多下功夫让输出的选题建议有差异化。我在实际搭建时发现很多翻车项目就是因为定位写得太宽最后工作流里什么都有但每个环节都不精。建议你在建智能体之前先把目标用户描一遍传统行业中小老板、创业者、销售运营这三类人的痛点完全不同前期不区分后面功能需求必然打架。2.2 记录流程拿一周时间把日常操作变成流程图有了定位接下来要梳理业务流程。这里有一个很土但很有用的方法准备一个笔记本用一周时间记录工作里的所有操作步骤包括查阅的资料、处理的文件、用的工具。记录完成后你就能看清整个工作流程的全貌再用思维导图或流程图把它画出来。如果企业已经有沉淀好的 SOP这一步会轻松很多。以短视频起号为例一条完整的业务流程通常包含七个环节账号定位、对标账号拆解、账号基础搭建、选题库搭建、内容创作与拍摄、剪辑与发布、数据分析与优化。每个环节还能细分成更具体的步骤比如“对标账号拆解”就包括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、总结可复制的成功要素。梳理到这个颗粒度你才能准确找到 AI 可以切入的位置。我一般会建议在流程图里用不同颜色标注三类环节人工必须做的、可以自动化处理的、需要 AI 分析辅助的。这样画完之后哪些节点能进工作流一目了然。2.3 把流程丢给 DeepSeek一个能直接抄的提问模板流程画好后下一步是让 DeepSeek 帮你做痛点分析。这里有个关键技巧提问时要把业务流程完整贴给它要求它按“流程环节、痛点问题、AI 能协助的、人工要做的事”四列输出。下面是我在项目里实际用过的一个提问模板你可以直接套用我是一名蛋糕店老板是一个纯纯的短视频小白我想拍摄短视频帮门店引流获客我的短视频起号业务流程大概如下账号定位对标账号拆解账号基础搭建选题库搭建内容创作与拍摄剪辑与发布数据分析与优化基于上述业务流程梳理出工作流程、痛点问题、AI能协助的、人工要做的事以表格形式输出。DeepSeek 的输出会覆盖七个环节每个环节都给出痛点、AI 可协助的事情、人工要做的事。比如在“账号定位”环节它会说 AI 可以分析平台热门蛋糕类账号数据、提供定位建议、生成用户画像关键词人工则需要结合自身资源确定最终定位比如擅长教学还是产品颜值高。在“内容创作与拍摄”环节AI 可以生成分镜头脚本模板、提供运镜建议、推荐道具摆放构图人工要实际拍摄并调整细节。这份表格的价值在于它把“短视频获客”这个模糊的大目标拆成了一个个具体的、可执行的子任务。但要注意DeepSeek 的第一次输出只能作为分析框架和基础素材它还不够具体无法直接满足智能体开发需求。接下来你需要继续追问把场景工作流细化到每个环节。3. 构建对标账号拆解工作流从一句需求落到功能清单3.1 选对场景为什么拿“对标账号拆解”先开刀七个环节里最好先拿“对标账号拆解”做试点。原因很简单这个环节数据来源明确、重复性最高、人工做起来最枯燥而且它位于业务流程的前端拆解结果直接影响后面的选题和内容创作。我在实际项目中也是先做这个环节跑通后再扩展其他环节。细化工作流的做法还是和 DeepSeek 对话但这轮提问要把约束条件给足。你可以这样写我是一名蛋糕店老板把下面的工作流做成一个智能体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视频的标题、标签、文案、数据等内容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。梳理出工作任务、AI智能体功能、人工要做的事以表格形式输出。DeepSeek 会给出一个三列的输出结构“工作任务、AI智能体功能、人工需做的事”。比如在“筛选对标账号”环节AI 智能体负责根据输入账号自动分析基础数据粉丝量、点赞量、爆款率并给出与蛋糕店定位的匹配度评分人工则要初步筛选抖音账号输入账号列表并调整匹配权重。在“数据爬取”环节AI 负责自动爬取视频列表和账号简介人工要确保爬取合规、监控反爬异常。3.2 把功能需求钉死一份可直接用于开发的需求表DeepSeek 第一次给出的表格还不够细。比如“自动爬取视频列表”这个功能具体爬哪些字段以什么形式输出报告最终写到哪里这些都要继续追问。我在项目里做了一轮补充细化最终得到下面这张功能需求表它基本是照着 Coze 工作流节点来设计的工作任务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账号基本资料名称、简介、用户ID人工初步筛选抖音账号发送给智能体数据爬取自动爬取视频列表链接、标题、标签、发布时间、点赞数、评论数确认授权或平台规则监控反爬异常文案提取基于视频链接提取视频文案信息无生成拆解报告自动生成结构化报告定位、人设、选题方向、内容结构、变现路径审核报告逻辑合理性参考并执行这张表就是后续 Coze 工作流的蓝图。表格里的每一行都会变成一个工作流节点或者节点里的一个工具调用。所以我通常建议这张表至少要做到“看见它就能画出工作流节点图”的程度。3.3 边界管理哪些事必须留给人工在做功能需求时还有一个容易忽略的点不是所有事都该自动化。DeepSeek 在回复里特别强调了三个注意事项这在实际落地时非常关键。第一是数据合规性要用抖音开放 API 或授权第三方工具避免直接爬取违规第二是动态更新智能体需要定期重新抓取对标账号数据跟踪内容迭代第三是人机协同AI 擅长结构化分析但需要人工补充情感化、创意化要素比如“治愈感”“节日氛围”。我把这三条总结成一个原则AI 做“数据分析”人工做“价值判断”。比如报告里写“账号定位是烘焙教学 产品种草”这可以由 AI 生成但最终定位是偏“治愈系烘焙”还是“3 分钟学会网红蛋糕”必须由账号主理人自己拍板。这个边界在写智能体人设提示词时也会用到——你要在提示词里明确告诉它给出分析框架但不要把决策权从用户手里拿走。4. Coze 工作流搭建实录五个节点串起抓取、文案与报告4.1 工作流整体结构先建节点地图再动手在 Coze 上搭建之前先明确整体结构。这个对标账号拆解工作流我命名为 benchmark_analysis核心链路是输入视频链接 → 获取账号信息 → 批量获取视频列表 → 批量获取视频详情 → 批量提取视频文案 → 整理为飞书表格数据并写入 → 调用 DeepSeek 生成拆解报告 → 创建飞书文档 → 输出文档链接。整体节点清单如下节点功能输入输出开始定义工作流启动参数video_urlvideo_url视频搜索插件获取账号信息和视频列表video_url账号信息、视频列表批处理节点批量获取视频详情视频列表带详情的视频列表批处理节点批量提取视频文案带详情的视频列表带文案的视频列表Python 代码整理飞书表格数据视频列表飞书表格字段结构大模型节点调用 DeepSeek 生成拆解报告视频数据结构化拆解报告飞书插件创建飞书文档报告内容文档链接结束输出文档链接文档链接文档链接这个结构里批处理节点是整个工作流的性能关键也是最容易翻车的地方。下面从开始节点逐个说。4.2 开始节点与视频搜索插件定义输入、获取账号数据开始节点通常用来定义工作流启动时需要的输入参数。在这个项目里输入参数是视频链接 video_url。你可以在开始节点的参数配置里新增一个字段类型选 String名称填 video_url描述写“对标账号的任意一条视频链接”。注意这里接收的是链接不是用户 ID原因是抖音分享链接更容易从 App 里直接复制出来用户体验最顺。接下来配置视频搜索插件。Coze 插件库里搜“视频搜索”选带 douyin_data 和 get_user_video_all 工具的那款。先用 douyin_data 工具输入 video_url它会返回账号基本信息包括昵称、签名、sec_uid。这里有个关键点sec_uid 是后续批量获取视频列表的入参必须先拿到它整个链路才能跑通。我在第一次搭建时直接把 video_url 传给了 get_user_video_all结果一直报错后来才发现要先经过 douyin_data 解析出 sec_uid。4.3 批处理节点一批量获取视频详情用 Python 串起数据拿到 sec_uid 后用 get_user_video_all 批量获取视频列表。这个工具一次最多返回几十条视频的基础信息但拿不到完整的点赞、评论、收藏数据所以需要针对列表里的每一条视频再用 douyin_data 获取单条详情。这里就要用批处理节点了它的作用是对列表里的每一项执行同一组操作。批处理节点的内部结构如下调用视频搜索插件的 douyin_data 工具传入单条视频的 ID 或链接获取 aweme_detail 详情。用一段 Python 代码把详情整合进视频列表里方便后续统一处理。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这段代码的逻辑很简单从参数里取出 aweme_detail单条视频的完整详情再把它挂到原来的 aweme 对象上。这里要注意参数名的对应关系批处理节点的上游输出字段名是 aweme下游要读取的也是 aweme别自己改名字否则后面节点会取不到值。我一般会在 Python 节点里加一个临时变量把 aweme 和 aweme_detail 都打印出来看一眼再往下走省得猜。批处理节点配置时还要注意两个参数一个是并发数。Coze 批处理支持并发执行但并发太高容易被平台反爬限制常见配置是 5-10 并发。另一个是失败重试次数建议设置 1-2 次重试网络抖动时可以自动恢复。4.4 批处理节点二提取视频文案走完“解析链接→下载→字幕提取”视频详情拿到后还要提取文案。这个环节在批处理节点里做内部包含三个核心动作提取分享链接、下载原视频、用字幕插件提取文案。第一步用 Python 代码从 aweme 里解析出 share_urlasync 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 这里取的是 share_info 对象里的 share_url 字段也是短视频 App 里“复制链接”得到的那个地址。要注意有些视频的 share_info 是空的所以返回时要做一次空判断否则下游下载插件会收到一个空字符串直接报错。拿到 share_url 后接“视频无水印下载”插件把原视频下载下来再接到“字幕获取”插件识别出视频文案。字幕插件输出的是带时间轴的字幕文本可以取其中的 content 字段作为文案主体。再用一段 Python 代码把文案挂回 aweme 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这段代码的写法上有两个好习惯一是对所有可能为空的字段加 or {} 兜底二是 text_data.get(content, ) 给默认值。Coze 的 Python 节点运行在沙箱里上游任何一个字段缺失都可能让节点崩溃多做一层判空能省很多排查时间。我在实际项目里把这段代码当模板存了下来凡是处理从第三方接口返回的数据一律先判空再取值。4.5 写入飞书多维表格字段映射别偷懒视频文案和详情都齐了接下来要把数据整理成飞书多维表格可以接收的格式再批量写入。这个环节用一段较长的 Python 代码完成字段的提取和映射async def main(args: Args) - Output: # 1. 先安全地获取 params params getattr(args, params, {}) # 如果 args 或 params 不存在就给空字典 if not isinstance(params, dict): return [] # 如果 params 不是字典直接返回空列表 # 2. 安全地获取 aweme_list aweme_list params.get(aweme_list, []) if not isinstance(aweme_list, list): return [] # 如果 aweme_list 不是列表也直接返回空列表 result [] # 3. 遍历 aweme_list依次处理 for aweme in aweme_list: # 如果当前 aweme 非字典类型直接跳过 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这段代码的核心逻辑分三层。第一层是数据安全对 params、aweme_list 做了类型检查对 aweme 里的嵌套对象用了 isinstance 判断防止上游数据格式不对导致整个节点崩溃。第二层是字段提取从 share_info 取标题和链接从 statistics 取点赞、评论、收藏、分享数从 aweme_detail 里的 author 取作者信息。第三层是单位换算create_time 是秒级时间戳飞书日期字段需要毫秒级所以乘以 1000duration 是毫秒数为了可读性除以 1000 转成秒。这里最容易踩的坑是字段名对不上。Coze 里同名插件在不同账号下返回的 JSON 结构可能略有差异比如有些版本返回的是 SecUid 而不是 sec_uid。我的习惯是第一次跑通后先用一个测试视频把中间节点的日志打印出来逐字段核对一遍再定稿这段映射代码。4.6 用 DeepSeek 生成拆解报告系统提示词决定报告质量数据入表后最后一步是调用大模型节点生成拆解报告。在 Coze 的大模型节点里模型供应商选 DeepSeek模型名称按你账号里可用的来选。系统提示词直接决定报告质量我用的版本如下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、课程等模式分析大模型节点的参数设置上建议把 Temperature 调到 0.3 左右。这个项目的任务是结构化分析不是创意写作温度太高容易跑偏输出会带上模型自己的“发挥”温度太低又容易死板。Max Tokens 按报告长度设2000-3000 比较稳妥防止报告写到一半被截断。最后把大模型输出接到“创建飞书文档”插件上文档标题可以包含账号昵称和时间方便后续回溯。到这里工作流链路就完整了。结束节点输出飞书文档链接用户拿到链接就能看到一份结构完整的对标账号拆解报告整个流程从输入视频链接到拿到报告完全自动化。5. 避坑清单爬取合规、反爬与字段丢失的五个现场5.1 视频列表只返回了几条不是插件坏了现象用 get_user_video_all 获取视频列表结果只返回 5-10 条数据跟账号实际视频数量差很多。原因这个工具本身就有限流机制尤其是视频量大的账号接口只会返回最近的热门视频不是全量数据。解决在需求设计时就要明确“我们拆解的是近期爆款内容不是全部历史内容”。如果确实需要更多数据可以把账号主页的视频按发布时间分批抓取或者叠加多个关键词搜索扩样后去重。我一般会在功能需求表里写清楚“获取近 30 条视频”这样后续报告也有明确的数据口径。5.2 批处理节点频繁失败日志显示超时现象批处理节点跑到一半失败日志里清一色的 timeout 或 rate limit。原因并发数设得过高触发了平台的反爬机制也可能是单条视频耗时太久超过了批处理节点的单次执行超时时间。解决把并发数从默认的 20 降到 8-10再观察执行时间。如果单条视频处理超过 30 秒就要检查是不是字幕获取插件拖慢了速度考虑换成更轻量的文案提取方案或者把文案提取单独拆成一个工作流错峰执行。这里有个血泪经验批处理的坑往往不是代码逻辑而是并发策略先把并发数降下来再排查其他问题。5.3 飞书表格里全是空的代码没报错现象工作流跑完了飞书多维表格也建好了但字段值全是空串或 0。原因这段代码看着没报错但最终 result 列表里的 item_dict 是空的——上游 aweme_list 传进来时就是空列表或者字段名对不上导致所有 get 都拿到了默认值。解决在 Python 节点里加一行调试输出把 aweme_list 的长度和第一个元素的 key 打印出来。我当时排查时发现上游传回来的字段不是 aweme_list 而是 video_list节点内取错 key自然什么都拿不到。记住Coze 的日志是你最好的排查工具不要相信“感觉应该传进来了”。5.4 DeepSeek 生成的报告内容不错但格式乱了现象报告内容都有但结构不是预期的那样有时少了“变现路径”这一段。原因大模型节点接的是上一段长文本提示词里的 {{input}} 会把视频列表数据全部拼进去数据量一大模型会“忘记”部分要求。解决把提示词结构再收紧明确要求“严格按照下面的格式输出不要遗漏任何一个模块”同时可以调整 Max Tokens 到 3000给足输出空间。还有一种做法是让模型先输出 JSON 结构再用代码节点把 JSON 渲染成 Markdown 文档这样格式稳定性会高很多。5.5 用户直接说“帮我拆个账号”智能体不调用工作流现象智能体已经绑定了工作流但用户问“帮我拆一下这个账号”时它就是不触发工作流反而自己编了一段分析。原因人设与逻辑里的触发条件写得太窄大模型没识别出来“拆解账号”和“benchmark_analysis 工作流”之间的关系。解决在人设提示词里明确写一个技能当用户输入抖音视频链接或者要求拆解对标账号时调用 benchmark_analysis 工作流。触发描述要覆盖各种说法包括“拆账号”“分析对标”“看看这个博主”。发布前多做几轮测试用不同的问法去试确认都能稳定触发再放出去。6. 封装成智能体人设提示词、发布与二开方向6.1 智能体人设与逻辑三层结构让触发更准工作流只是自动化脚本要变成能对话的智能体还得做一层封装。在 Coze 里新建智能体后重点是编辑“人设与逻辑”里的提示词。我采用的版本是一个三层结构角色定义、技能列表、限制条件。角色是“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”。技能一写“当用户输入视频 url 时调用 benchmark_analysis 工作流生成对标拆解报告”技能二写“基于生成的报告结合短视频运营专业知识提供账号优化建议”。限制条件写“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”。这套结构的好处是触发条件很清晰。大模型会先判断用户意图再决定是调用工作流还是直接回答。注意技能描述里要把工作流名称完整写出来我见过有人把工作流名写错了绑定时报错结果智能体只能在对话里瞎编。绑定工作流的方式很简单在智能体编辑页面的“工作流”区域把 benchmark_analysis 添加进来然后在右侧面板输入一个视频链接测试。测试通过后点发布可以发布到飞书或其他渠道。6.2 进阶思路从对标拆解扩展到整个获客链路跑通对标账号拆解之后我建议你顺势把另外六个环节也逐个做起来。账号定位可以做一个“定位诊断工作流”输出账号方向建议选题库搭建可以做一个“选题挖掘工作流”接爆款榜单插件自动生成选题库数据分析可以做一个“内容复盘工作流”定期拉取数据用 DeepSeek 输出优化建议。这几个工作流都可以复用同一个飞书表格结构只是输入输出字段不同。还有一个很实用的技巧给工作流加定时触发。Coze 支持定时任务每周自动跑一次对标账号数据刷新把最新视频数据追加到飞书表格里报告也会自动更新。这样智能体就不只是“用户点一下跑一次”而是变成持续在后台运行的分析助手。6.3 模型参数与工作流模板的复用习惯最后说一个我自己的习惯。每次改完工作流我不会直接发布而是先在草稿状态下跑一遍完整链路用同一个测试视频链接做回归——确认开始节点的参数没变、批处理节点能跑通、飞书写入字段对得上、大模型报告格式没乱全部走完一遍才发布。从那以后我每次改完工作流都强制走一遍完整回归测试哪怕只是改了一个字段名。这个习惯帮我避开了好几次“刚发布就翻车”的尴尬。另外工作流的名称、节点说明、Python 代码注释也要顺手写好Coze 的控制台不会帮你记录设计思路两周后回来看大概率认不出当时为什么这么写。希望这份从定位到打包的流程能帮到你动手搭一个属于自己的 AI 获客智能体。本文还有配套的精品资源点击获取 
长河君 · 2026/10/5 2:35:27 · 阅读 1.2k AI获客智能体拆解：DeepSeek+Coze短视频对标分析工作流
简介一份围绕DeepSeekCoze构建AI获客智能体的实战指南面向传统行业中小老板、创业者或个人IP以及销售运营人员解决短视频创作与获客效率低、缺乏系统方法的问题。资料包共1个文件docx格式压缩包大小约1.75MB内容涵盖智能体定位、业务流程梳理、痛点分析到场景工作流设计与Coze平台落地的完整讲解适合零基础或希望提效的运营者参考。目前已有627人学习下载。通过案例与DeepSeek对话表格详细拆解账号定位、对标账号、选题库、内容创作等环节的AI协助方式并列出创建工作流、绑定与发布智能体的具体步骤尤其强调将80%重复性分析交给AI可帮助读者快速复制一套AI短视频获客工作流降低内容生产成本并提升决策效率同时对数据合规与动态更新给出提醒便于后续持续迭代与复用。1. AI 获客智能体为什么说难的不是技术是把流程拆开我见过不少传统老板做短视频获客第一反应是“我不会拍”“没团队”。但真正拖垮他们的往往不是拍摄而是从选题、脚本、剪辑到发布整条链路都是散的——今天想个选题明天找人剪后天不知道发什么。这篇文章要拆的项目就是基于 DeepSeek Coze 从 0 到 1 构建一个 AI 获客智能体的完整过程先用 DeepSeek 把业务流程拆成一张带痛点的表再在 Coze 上把对标账号拆解、视频数据抓取、文案提取、报告生成串成工作流最后封装成一个对话式智能体。它能解决的核心问题是把短视频获客里 80% 的重复性分析工作交给 AI 自动完成让你把精力留给创意和决策。适合三类人没有技术团队的实体店老板、想打造个人 IP 的创业者、以及想给现有获客链路提速的销售和运营。下面直接开工。2. 定位与痛点分析先让 DeepSeek 把散装业务理成一张表2.1 定位决定后面所有设计效率、创意、分析三件事搭建智能体之前最忌讳一上来就开搞工作流。你得先回答一个问题这个智能体到底替用户省掉哪部分时间在 AI 获客这个场景里智能体的价值定位通常可以拆成三块。第一是效率提升把重复性、机械性的短视频创作工作交给 AI商家和创作者专注核心业务第二是创意助手提供选题建议、内容灵感和创作思路帮助突破创作瓶颈第三是分析专家通过 DeepSeek 分析视频数据给出专业的分析建议做决策更有底气。这三句话不是空话它们直接决定你后续工作流里放哪些节点。比如定位侧重“效率提升”工作流就要重点设计自动抓取、批量处理、自动生成报表定位侧重“创意助手”就要在大模型节点的提示词上多下功夫让输出的选题建议有差异化。我在实际搭建时发现很多翻车项目就是因为定位写得太宽最后工作流里什么都有但每个环节都不精。建议你在建智能体之前先把目标用户描一遍传统行业中小老板、创业者、销售运营这三类人的痛点完全不同前期不区分后面功能需求必然打架。2.2 记录流程拿一周时间把日常操作变成流程图有了定位接下来要梳理业务流程。这里有一个很土但很有用的方法准备一个笔记本用一周时间记录工作里的所有操作步骤包括查阅的资料、处理的文件、用的工具。记录完成后你就能看清整个工作流程的全貌再用思维导图或流程图把它画出来。如果企业已经有沉淀好的 SOP这一步会轻松很多。以短视频起号为例一条完整的业务流程通常包含七个环节账号定位、对标账号拆解、账号基础搭建、选题库搭建、内容创作与拍摄、剪辑与发布、数据分析与优化。每个环节还能细分成更具体的步骤比如“对标账号拆解”就包括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、总结可复制的成功要素。梳理到这个颗粒度你才能准确找到 AI 可以切入的位置。我一般会建议在流程图里用不同颜色标注三类环节人工必须做的、可以自动化处理的、需要 AI 分析辅助的。这样画完之后哪些节点能进工作流一目了然。2.3 把流程丢给 DeepSeek一个能直接抄的提问模板流程画好后下一步是让 DeepSeek 帮你做痛点分析。这里有个关键技巧提问时要把业务流程完整贴给它要求它按“流程环节、痛点问题、AI 能协助的、人工要做的事”四列输出。下面是我在项目里实际用过的一个提问模板你可以直接套用我是一名蛋糕店老板是一个纯纯的短视频小白我想拍摄短视频帮门店引流获客我的短视频起号业务流程大概如下账号定位对标账号拆解账号基础搭建选题库搭建内容创作与拍摄剪辑与发布数据分析与优化基于上述业务流程梳理出工作流程、痛点问题、AI能协助的、人工要做的事以表格形式输出。DeepSeek 的输出会覆盖七个环节每个环节都给出痛点、AI 可协助的事情、人工要做的事。比如在“账号定位”环节它会说 AI 可以分析平台热门蛋糕类账号数据、提供定位建议、生成用户画像关键词人工则需要结合自身资源确定最终定位比如擅长教学还是产品颜值高。在“内容创作与拍摄”环节AI 可以生成分镜头脚本模板、提供运镜建议、推荐道具摆放构图人工要实际拍摄并调整细节。这份表格的价值在于它把“短视频获客”这个模糊的大目标拆成了一个个具体的、可执行的子任务。但要注意DeepSeek 的第一次输出只能作为分析框架和基础素材它还不够具体无法直接满足智能体开发需求。接下来你需要继续追问把场景工作流细化到每个环节。3. 构建对标账号拆解工作流从一句需求落到功能清单3.1 选对场景为什么拿“对标账号拆解”先开刀七个环节里最好先拿“对标账号拆解”做试点。原因很简单这个环节数据来源明确、重复性最高、人工做起来最枯燥而且它位于业务流程的前端拆解结果直接影响后面的选题和内容创作。我在实际项目中也是先做这个环节跑通后再扩展其他环节。细化工作流的做法还是和 DeepSeek 对话但这轮提问要把约束条件给足。你可以这样写我是一名蛋糕店老板把下面的工作流做成一个智能体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视频的标题、标签、文案、数据等内容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。梳理出工作任务、AI智能体功能、人工要做的事以表格形式输出。DeepSeek 会给出一个三列的输出结构“工作任务、AI智能体功能、人工需做的事”。比如在“筛选对标账号”环节AI 智能体负责根据输入账号自动分析基础数据粉丝量、点赞量、爆款率并给出与蛋糕店定位的匹配度评分人工则要初步筛选抖音账号输入账号列表并调整匹配权重。在“数据爬取”环节AI 负责自动爬取视频列表和账号简介人工要确保爬取合规、监控反爬异常。3.2 把功能需求钉死一份可直接用于开发的需求表DeepSeek 第一次给出的表格还不够细。比如“自动爬取视频列表”这个功能具体爬哪些字段以什么形式输出报告最终写到哪里这些都要继续追问。我在项目里做了一轮补充细化最终得到下面这张功能需求表它基本是照着 Coze 工作流节点来设计的工作任务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账号基本资料名称、简介、用户ID人工初步筛选抖音账号发送给智能体数据爬取自动爬取视频列表链接、标题、标签、发布时间、点赞数、评论数确认授权或平台规则监控反爬异常文案提取基于视频链接提取视频文案信息无生成拆解报告自动生成结构化报告定位、人设、选题方向、内容结构、变现路径审核报告逻辑合理性参考并执行这张表就是后续 Coze 工作流的蓝图。表格里的每一行都会变成一个工作流节点或者节点里的一个工具调用。所以我通常建议这张表至少要做到“看见它就能画出工作流节点图”的程度。3.3 边界管理哪些事必须留给人工在做功能需求时还有一个容易忽略的点不是所有事都该自动化。DeepSeek 在回复里特别强调了三个注意事项这在实际落地时非常关键。第一是数据合规性要用抖音开放 API 或授权第三方工具避免直接爬取违规第二是动态更新智能体需要定期重新抓取对标账号数据跟踪内容迭代第三是人机协同AI 擅长结构化分析但需要人工补充情感化、创意化要素比如“治愈感”“节日氛围”。我把这三条总结成一个原则AI 做“数据分析”人工做“价值判断”。比如报告里写“账号定位是烘焙教学 产品种草”这可以由 AI 生成但最终定位是偏“治愈系烘焙”还是“3 分钟学会网红蛋糕”必须由账号主理人自己拍板。这个边界在写智能体人设提示词时也会用到——你要在提示词里明确告诉它给出分析框架但不要把决策权从用户手里拿走。4. Coze 工作流搭建实录五个节点串起抓取、文案与报告4.1 工作流整体结构先建节点地图再动手在 Coze 上搭建之前先明确整体结构。这个对标账号拆解工作流我命名为 benchmark_analysis核心链路是输入视频链接 → 获取账号信息 → 批量获取视频列表 → 批量获取视频详情 → 批量提取视频文案 → 整理为飞书表格数据并写入 → 调用 DeepSeek 生成拆解报告 → 创建飞书文档 → 输出文档链接。整体节点清单如下节点功能输入输出开始定义工作流启动参数video_urlvideo_url视频搜索插件获取账号信息和视频列表video_url账号信息、视频列表批处理节点批量获取视频详情视频列表带详情的视频列表批处理节点批量提取视频文案带详情的视频列表带文案的视频列表Python 代码整理飞书表格数据视频列表飞书表格字段结构大模型节点调用 DeepSeek 生成拆解报告视频数据结构化拆解报告飞书插件创建飞书文档报告内容文档链接结束输出文档链接文档链接文档链接这个结构里批处理节点是整个工作流的性能关键也是最容易翻车的地方。下面从开始节点逐个说。4.2 开始节点与视频搜索插件定义输入、获取账号数据开始节点通常用来定义工作流启动时需要的输入参数。在这个项目里输入参数是视频链接 video_url。你可以在开始节点的参数配置里新增一个字段类型选 String名称填 video_url描述写“对标账号的任意一条视频链接”。注意这里接收的是链接不是用户 ID原因是抖音分享链接更容易从 App 里直接复制出来用户体验最顺。接下来配置视频搜索插件。Coze 插件库里搜“视频搜索”选带 douyin_data 和 get_user_video_all 工具的那款。先用 douyin_data 工具输入 video_url它会返回账号基本信息包括昵称、签名、sec_uid。这里有个关键点sec_uid 是后续批量获取视频列表的入参必须先拿到它整个链路才能跑通。我在第一次搭建时直接把 video_url 传给了 get_user_video_all结果一直报错后来才发现要先经过 douyin_data 解析出 sec_uid。4.3 批处理节点一批量获取视频详情用 Python 串起数据拿到 sec_uid 后用 get_user_video_all 批量获取视频列表。这个工具一次最多返回几十条视频的基础信息但拿不到完整的点赞、评论、收藏数据所以需要针对列表里的每一条视频再用 douyin_data 获取单条详情。这里就要用批处理节点了它的作用是对列表里的每一项执行同一组操作。批处理节点的内部结构如下调用视频搜索插件的 douyin_data 工具传入单条视频的 ID 或链接获取 aweme_detail 详情。用一段 Python 代码把详情整合进视频列表里方便后续统一处理。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这段代码的逻辑很简单从参数里取出 aweme_detail单条视频的完整详情再把它挂到原来的 aweme 对象上。这里要注意参数名的对应关系批处理节点的上游输出字段名是 aweme下游要读取的也是 aweme别自己改名字否则后面节点会取不到值。我一般会在 Python 节点里加一个临时变量把 aweme 和 aweme_detail 都打印出来看一眼再往下走省得猜。批处理节点配置时还要注意两个参数一个是并发数。Coze 批处理支持并发执行但并发太高容易被平台反爬限制常见配置是 5-10 并发。另一个是失败重试次数建议设置 1-2 次重试网络抖动时可以自动恢复。4.4 批处理节点二提取视频文案走完“解析链接→下载→字幕提取”视频详情拿到后还要提取文案。这个环节在批处理节点里做内部包含三个核心动作提取分享链接、下载原视频、用字幕插件提取文案。第一步用 Python 代码从 aweme 里解析出 share_urlasync 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 这里取的是 share_info 对象里的 share_url 字段也是短视频 App 里“复制链接”得到的那个地址。要注意有些视频的 share_info 是空的所以返回时要做一次空判断否则下游下载插件会收到一个空字符串直接报错。拿到 share_url 后接“视频无水印下载”插件把原视频下载下来再接到“字幕获取”插件识别出视频文案。字幕插件输出的是带时间轴的字幕文本可以取其中的 content 字段作为文案主体。再用一段 Python 代码把文案挂回 aweme 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这段代码的写法上有两个好习惯一是对所有可能为空的字段加 or {} 兜底二是 text_data.get(content, ) 给默认值。Coze 的 Python 节点运行在沙箱里上游任何一个字段缺失都可能让节点崩溃多做一层判空能省很多排查时间。我在实际项目里把这段代码当模板存了下来凡是处理从第三方接口返回的数据一律先判空再取值。4.5 写入飞书多维表格字段映射别偷懒视频文案和详情都齐了接下来要把数据整理成飞书多维表格可以接收的格式再批量写入。这个环节用一段较长的 Python 代码完成字段的提取和映射async def main(args: Args) - Output: # 1. 先安全地获取 params params getattr(args, params, {}) # 如果 args 或 params 不存在就给空字典 if not isinstance(params, dict): return [] # 如果 params 不是字典直接返回空列表 # 2. 安全地获取 aweme_list aweme_list params.get(aweme_list, []) if not isinstance(aweme_list, list): return [] # 如果 aweme_list 不是列表也直接返回空列表 result [] # 3. 遍历 aweme_list依次处理 for aweme in aweme_list: # 如果当前 aweme 非字典类型直接跳过 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这段代码的核心逻辑分三层。第一层是数据安全对 params、aweme_list 做了类型检查对 aweme 里的嵌套对象用了 isinstance 判断防止上游数据格式不对导致整个节点崩溃。第二层是字段提取从 share_info 取标题和链接从 statistics 取点赞、评论、收藏、分享数从 aweme_detail 里的 author 取作者信息。第三层是单位换算create_time 是秒级时间戳飞书日期字段需要毫秒级所以乘以 1000duration 是毫秒数为了可读性除以 1000 转成秒。这里最容易踩的坑是字段名对不上。Coze 里同名插件在不同账号下返回的 JSON 结构可能略有差异比如有些版本返回的是 SecUid 而不是 sec_uid。我的习惯是第一次跑通后先用一个测试视频把中间节点的日志打印出来逐字段核对一遍再定稿这段映射代码。4.6 用 DeepSeek 生成拆解报告系统提示词决定报告质量数据入表后最后一步是调用大模型节点生成拆解报告。在 Coze 的大模型节点里模型供应商选 DeepSeek模型名称按你账号里可用的来选。系统提示词直接决定报告质量我用的版本如下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、课程等模式分析大模型节点的参数设置上建议把 Temperature 调到 0.3 左右。这个项目的任务是结构化分析不是创意写作温度太高容易跑偏输出会带上模型自己的“发挥”温度太低又容易死板。Max Tokens 按报告长度设2000-3000 比较稳妥防止报告写到一半被截断。最后把大模型输出接到“创建飞书文档”插件上文档标题可以包含账号昵称和时间方便后续回溯。到这里工作流链路就完整了。结束节点输出飞书文档链接用户拿到链接就能看到一份结构完整的对标账号拆解报告整个流程从输入视频链接到拿到报告完全自动化。5. 避坑清单爬取合规、反爬与字段丢失的五个现场5.1 视频列表只返回了几条不是插件坏了现象用 get_user_video_all 获取视频列表结果只返回 5-10 条数据跟账号实际视频数量差很多。原因这个工具本身就有限流机制尤其是视频量大的账号接口只会返回最近的热门视频不是全量数据。解决在需求设计时就要明确“我们拆解的是近期爆款内容不是全部历史内容”。如果确实需要更多数据可以把账号主页的视频按发布时间分批抓取或者叠加多个关键词搜索扩样后去重。我一般会在功能需求表里写清楚“获取近 30 条视频”这样后续报告也有明确的数据口径。5.2 批处理节点频繁失败日志显示超时现象批处理节点跑到一半失败日志里清一色的 timeout 或 rate limit。原因并发数设得过高触发了平台的反爬机制也可能是单条视频耗时太久超过了批处理节点的单次执行超时时间。解决把并发数从默认的 20 降到 8-10再观察执行时间。如果单条视频处理超过 30 秒就要检查是不是字幕获取插件拖慢了速度考虑换成更轻量的文案提取方案或者把文案提取单独拆成一个工作流错峰执行。这里有个血泪经验批处理的坑往往不是代码逻辑而是并发策略先把并发数降下来再排查其他问题。5.3 飞书表格里全是空的代码没报错现象工作流跑完了飞书多维表格也建好了但字段值全是空串或 0。原因这段代码看着没报错但最终 result 列表里的 item_dict 是空的——上游 aweme_list 传进来时就是空列表或者字段名对不上导致所有 get 都拿到了默认值。解决在 Python 节点里加一行调试输出把 aweme_list 的长度和第一个元素的 key 打印出来。我当时排查时发现上游传回来的字段不是 aweme_list 而是 video_list节点内取错 key自然什么都拿不到。记住Coze 的日志是你最好的排查工具不要相信“感觉应该传进来了”。5.4 DeepSeek 生成的报告内容不错但格式乱了现象报告内容都有但结构不是预期的那样有时少了“变现路径”这一段。原因大模型节点接的是上一段长文本提示词里的 {{input}} 会把视频列表数据全部拼进去数据量一大模型会“忘记”部分要求。解决把提示词结构再收紧明确要求“严格按照下面的格式输出不要遗漏任何一个模块”同时可以调整 Max Tokens 到 3000给足输出空间。还有一种做法是让模型先输出 JSON 结构再用代码节点把 JSON 渲染成 Markdown 文档这样格式稳定性会高很多。5.5 用户直接说“帮我拆个账号”智能体不调用工作流现象智能体已经绑定了工作流但用户问“帮我拆一下这个账号”时它就是不触发工作流反而自己编了一段分析。原因人设与逻辑里的触发条件写得太窄大模型没识别出来“拆解账号”和“benchmark_analysis 工作流”之间的关系。解决在人设提示词里明确写一个技能当用户输入抖音视频链接或者要求拆解对标账号时调用 benchmark_analysis 工作流。触发描述要覆盖各种说法包括“拆账号”“分析对标”“看看这个博主”。发布前多做几轮测试用不同的问法去试确认都能稳定触发再放出去。6. 封装成智能体人设提示词、发布与二开方向6.1 智能体人设与逻辑三层结构让触发更准工作流只是自动化脚本要变成能对话的智能体还得做一层封装。在 Coze 里新建智能体后重点是编辑“人设与逻辑”里的提示词。我采用的版本是一个三层结构角色定义、技能列表、限制条件。角色是“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”。技能一写“当用户输入视频 url 时调用 benchmark_analysis 工作流生成对标拆解报告”技能二写“基于生成的报告结合短视频运营专业知识提供账号优化建议”。限制条件写“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”。这套结构的好处是触发条件很清晰。大模型会先判断用户意图再决定是调用工作流还是直接回答。注意技能描述里要把工作流名称完整写出来我见过有人把工作流名写错了绑定时报错结果智能体只能在对话里瞎编。绑定工作流的方式很简单在智能体编辑页面的“工作流”区域把 benchmark_analysis 添加进来然后在右侧面板输入一个视频链接测试。测试通过后点发布可以发布到飞书或其他渠道。6.2 进阶思路从对标拆解扩展到整个获客链路跑通对标账号拆解之后我建议你顺势把另外六个环节也逐个做起来。账号定位可以做一个“定位诊断工作流”输出账号方向建议选题库搭建可以做一个“选题挖掘工作流”接爆款榜单插件自动生成选题库数据分析可以做一个“内容复盘工作流”定期拉取数据用 DeepSeek 输出优化建议。这几个工作流都可以复用同一个飞书表格结构只是输入输出字段不同。还有一个很实用的技巧给工作流加定时触发。Coze 支持定时任务每周自动跑一次对标账号数据刷新把最新视频数据追加到飞书表格里报告也会自动更新。这样智能体就不只是“用户点一下跑一次”而是变成持续在后台运行的分析助手。6.3 模型参数与工作流模板的复用习惯最后说一个我自己的习惯。每次改完工作流我不会直接发布而是先在草稿状态下跑一遍完整链路用同一个测试视频链接做回归——确认开始节点的参数没变、批处理节点能跑通、飞书写入字段对得上、大模型报告格式没乱全部走完一遍才发布。从那以后我每次改完工作流都强制走一遍完整回归测试哪怕只是改了一个字段名。这个习惯帮我避开了好几次“刚发布就翻车”的尴尬。另外工作流的名称、节点说明、Python 代码注释也要顺手写好Coze 的控制台不会帮你记录设计思路两周后回来看大概率认不出当时为什么这么写。希望这份从定位到打包的流程能帮到你动手搭一个属于自己的 AI 获客智能体。本文还有配套的精品资源点击获取