Day01：coze智能体之大模型与插件\coze从入门到精通

预备知识

# 变量
# 数组（列表） :[]
# json数据
# 输入参数
# 返回值

3.02 02/14 Q@K.JV caa:/ 第一次喝星巴克带了五百不知道够不够 # 星巴克 # 记录生活 # 一加13 @抖音热点  https://v.douyin.com/u-vpvWPuYBw/ 复制此链接，打开Dou音搜索，直接观看视频！

一、coze入门到精通

我们正站在一个新时代的起点。人工智能不再仅仅是聊天机器人或图像生成器，它正在进化为能够主动理解意图、制定计划并执行任务的智能实体——AI Agent（智能体）。

通识定义：什么是AI Agent？
在人工智能领域，一个智能体（Agent）通常被定义为任何能够通过传感器（Sensors）感知其环境，并通过执行器（Actuators）对环境施加行动，以达成特定目标的系统。其核心在于“自主性”（Autonomy），即它能无需持续的人工干预，独立运作并做出决策。

Coze（扣子）：由字节跳动推出的AI Bot开发和应用平台。 其核心理念是“降低AI应用开发门槛”，通过无代码/低代码的方式，让即使没有编程背景的用户也能快速构建功能强大的AI智能体，并一键发布到飞书、抖音、微信等主流平台。它更像是一个AI应用的“智能工厂”，追求的是标准化、流程化和易用性。

1 coze中的智能体

Coze 平台中的智能体（Agent），是你能够快速构建、具备特定身份和能力、并能与用户进行自然交互的 AI 实体。它由大语言模型（LLM）驱动，并通过插件、知识库、工作流等扩展能力，以实现特定领域的任务处理。

如何开始创建？

在 Coze 平台创建智能体非常直观，主要包括以下步骤：

1. 创建与基础设置：登录 Coze 平台，点击“创建智能体”，为其命名并撰写描述。

   

   

2. 选择模型与配置参数：选择适合的大语言模型（如 DeepSeek-R1、豆包等），并调整随机性（控制创造性）、回复长度和携带上下文轮数等关键参数。

   

3. 定义角色与身份：这是塑造智能体个性的核心。通过编写系统提示词（System Prompt），详细定义其角色、背景、目标、技能、约束限制以及期望的输出格式。

   

   # 角色
   你是一位资深旅游达人、专业旅游规划师，拥有10年以上国内外旅游线路设计经验，熟悉各目的地风土人情、热门景点及小众玩法，擅长根据用户需求定制个性化旅游方案，确保行程兼顾体验性与实用性。
   
   
   ## 技能
   ### 技能 1: 需求挖掘与线路框架设计
   1. **明确核心信息**：首先确认用户目标目的地城市（如北京、成都等），并主动询问旅行关键要素：
      - 出行时长（1日游/3日/7日及以上）
      - 出行人群（单人/情侣/亲子/老年团/学生党）
      - 兴趣偏好（自然风光/历史文化/美食体验/休闲度假/户外探险等）
      - 预算范围（经济型≤500元/天、中等1000-2000元/天、高端≤3000元/天）
   2. **整合工具数据**：根据目的地和用户需求，调用工具获取实时信息：
      - 景点开放时间、门票类型（是否需预约）、交通方式（公交/地铁/打车/自驾时长）
      - 当地特色住宿（如民宿、景区周边酒店）及美食推荐（含必打卡餐厅与人均消费）
   3. **设计线路方案**：生成1-2套结构化线路，覆盖每日行程、重点体验及留白调整空间
   
   
   ### 回复示例
   ===线路推荐模板===
   **🏙️ 目的地**：<城市名称>
   **📅 旅行天数**：<如3天2晚>
   **👥 出行人群**：<如情侣+闺蜜>
   **💰 预算参考**：<如人均1500元/3天>
   **🌟 推荐主题**：<文化探店+美食打卡+短途徒步>
   ------------------------------
   **Day 1 城市历史初体验**
   ⏰ 09:00-12:00：📍<景点A>（亮点：<千年古建/网红地标，推荐「隐藏视角」玩法，拍照时长1h>）
   🚗 交通：地铁2号线直达，步行10分钟
   🍜 午餐：<老字号餐厅>（推荐：<招牌菜>，人均60元，必点<菜品>）
   ⏰ 14:00-17:00：📍<景点B>（亮点：<非遗手作体验，可带走的纪念小礼物>）
   🌃 晚餐：<江边餐厅>（夜景+江景座位，需提前预约）
   ------------------------------
   **Day 2 深度小众游**
   ⏰ 08:30-11:30：📍<郊区景点C>（亮点：<避开人潮的自然步道，沿途野花/溪流>）
   🚗 交通：自驾/包车（车程1.5h，建议带野餐装备）
   🍲 午餐：<农家乐体验>（推荐：<柴火饭+土鸡汤>，人均40元）
   ⏰ 14:00-17:30：📍<民俗村D>（亮点：<民族服饰租赁+传统手工艺展>）
   ------------------------------
   **💡 贴心提示**
   1. 交通：建议使用「当地公交+共享单车」组合（日均节省20%打车费）
   2. 穿搭：<景点C路段需防滑登山鞋，备1套替换衣物防美食汤汁溅湿>
   3. 避坑：<景点D周末人流量大，建议工作日前往>
   ===示例结束===
   
   
   ### 技能 2: 主题线路定制化服务
   1. **主题场景细分**：针对特定需求设计垂直线路，如：
      - **亲子游**：增加「儿童博物馆/动物园/主题乐园」+「亲子民宿」+「自然科普小课堂」
      - **美食线**：筛选「网红店/老字号/夜市」，标注「辣度/排队时长/隐藏吃法」
      - **文化线**：串联「博物馆/古遗址/非遗工坊」，搭配「讲解员预约」或「历史背景手册」
   2. **动态信息更新**：通过工具实时确认「景点临时闭馆/活动延期/门票秒杀」等突发事项，确保线路可行性
   
   
   ## 限制
   - 仅专注旅游线路规划相关内容（如排除签证办理、酒店预订流程咨询等非线路类问题）
   - 推荐信息优先调用工具获取实时数据（如景点开放状态、交通拥堵指数），不依赖过时资料
   - 若用户未提供关键信息（如目的地不明确/预算模糊），需追问补充后再推荐
   - 语言风格需口语化、条理清晰，关键信息用「加粗」或「符号列表」突出重点，每段控制在3行内
   
   
   （注：所有线路需基于实际可验证的旅游场景，推荐景点/餐厅均为真实存在地点，若涉及敏感/临时调整信息，需明确标注「以当地最新通知为准」）
   

4. 添加知识与能力：

   • 在知识库上传文档（如产品手册、API文档），让智能体拥有专属知识。
   • 从插件市场添加所需功能（如必应搜索、图像生成），扩展其能力。
   • 通过工作流处理复杂、多步骤的任务，实现精准的流程控制。

   

5. 优化交互体验：设置友好的开场白和快捷指令，降低用户交互门槛。

6. 预览、调试与发布：在发布前，务必使用右侧的预览窗格进行测试调试，不断优化提示词和逻辑。满意后，即可发布到 Coze 商店或集成到飞书、抖音等平台。

注意事项

• 系统提示词是关键：智能体的表现很大程度上取决于系统提示词的质量。清晰、具体、带有示例和约束的提示词能塑造出更可靠、专业的智能体。
• 测试与迭代必不可少：创建智能体是一个不断测试、观察、调整和优化的过程。充分利用预览调试功能，模拟各种用户提问，确保其行为符合预期。
• 理解能力边界：虽然插件和工作流扩展了能力，但智能体并非万能。对于需要高度定制化或复杂业务逻辑的场景，可能需要评估其可行性。

Coze 智能体降低了AI应用开发的门槛，让你能更专注于定义角色和逻辑，而非技术实现的细节

2 工作流（Workflow）

Coze平台中的工作流（Workflow）是其实现复杂任务自动化的核心载体，它通过可视化的方式，将大模型、插件、代码等多种能力模块组合成一个结构化的执行序列。下面将为您梳理Coze工作流的核心组件及其价值。

2.1 工作流核心组件解析

Coze工作流的功能是通过一系列节点（Node）的编排来实现的。每个节点都是一个独立的功能模块，它们通过输入输出接口相互连接，形成完整的数据处理和执行链路。

为了更直观地了解Coze工作流中常见的节点类型及其功能，我为你整理了一个表格：

节点类型	核心功能	典型应用场景	备注
开始节点	定义工作流的触发条件和输入参数。	所有工作流的入口，接收用户输入或外部触发。	支持多种数据类型（String, Number, Boolean, Object, Array, File）。
结束节点	返回工作流的最终运行结果。	输出处理后的信息、数据或文档。	支持“返回变量”（JSON格式）和“返回文本”（自然语言）两种模式。
大模型节点	调用大型语言模型处理文本生成、总结、推理等任务。	内容创作、信息归纳、对话交互、基于逻辑判断决策。	可选择不同模型、配置提示词、添加技能（插件/知识库），支持视觉输入。
插件节点	调用第三方API或特定功能工具（如天气查询、数据库操作、图像生成）。	获取实时信息、执行特定操作（如发送消息、生成图片）、连接外部系统。	极大地扩展了工作流的能力边界，无需从零开发。
代码节点	执行Python或JavaScript代码，实现高度自定义的逻辑。	复杂数据处理、格式转换、算法实现、调用外部库。	弥补了可视化节点在某些复杂场景下的不足，提供了灵活性。
条件分支节点	根据设定的条件表达式决定工作流的执行路径（IF-ELSE逻辑）。	多场景判断、异常流程处理、动态路由。	实现工作流的智能化决策。
循环节点	对数组或指定次数进行循环操作，直到满足终止条件。	批量处理数据（如批量生成内容、处理列表信息）、重复性任务自动化。	支持“使用数组循环”、“指定次数循环”和“无限循环”（需谨慎）三种模式。
知识库节点	查询连接到Coze的知识库内容，为LLM提供精准的上下文信息。	智能客服、专业领域问答、基于内部文档的检索。	通常需要与大模型节点配合使用。

2.2 核心优势与价值

通过上述组件的灵活组合，Coze工作流带来了显著的价值：

1. 复杂任务自动化：将多步骤、跨系统的复杂任务（如：自动生成行业报告、处理用户订单查询、多轮对话客服）固化为标准化流程，提升效率与准确性。
2. 降低开发门槛：可视化、低代码的编排方式，让产品、运营等非技术背景人员也能参与构建复杂AI应用，推动开发民主化。
3. 能力无缝集成：就像“拼乐高”，轻松将大模型的认知能力、插件的垂直功能与代码节点的自定义灵活性深度融合，创造1+1>2的效应。
4. 灵活应对变化：当业务逻辑需要调整时，通常只需通过拖拽连线修改工作流，而无需重写代码，迭代更迅速。

2.3 如何使用工作流

在Coze平台使用工作流通常遵循以下步骤：

1. 创建工作流：在Coze平台中，点击“+资源”并选择“工作流”，为其命名和描述。

   

2. 编排工作流：添加与连接节点：从左侧节点列表拖拽所需的功能节点到画布上，并用线条连接它们，定义执行顺序，这是最核心的一步

3. 测试与调试：利用工作流的“试运行”功能，输入测试数据，查看每个节点的输出，确保逻辑和数据处理符合预期。

4. 发布与调用：测试无误后，发布工作流。它可以被智能体（Bot）直接调用，也可作为子工作流被其他工作流嵌套使用，或通过API对外提供服务。具体流程如下：

   • 发布工作流：确保你的工作流测试无误后，点击右上角“Publish”按钮。发布后的工作流才能被智能体最终调用。

   • 发布智能体：返回智能体编辑页面，同样点击“Publish”。Coze会为你生成一个唯一的智能体链接。

   • 选择发布渠道：在“Publish”选项卡中，你可以将智能体发布到多种平台：

     • Coze官方主页：获得一个可直接分享的Web链接。

     • 飞书、抖音、微信等：深度集成，用户可以在这些应用内直接与你的智能体对话。

     • 作为API：提供给其他开发者调用。

2.4 工作流中的编排详解

在 Coze 平台中，工作流编排的核心在于可视化地添加与连接节点。这个过程就像绘制一张智能化的流程图，通过简单的拖拽和连线操作，即可构建出能够处理复杂任务的自动化流水线。

（1） 添加节点：从“工具箱”中选取能力

工作流画布左侧的节点列表就是你的“工具箱”，里面提供了各类功能模块：

1. 基础节点：
   • 开始节点 (Start)：每个工作流的入口，用于定义工作流的触发条件和输入参数。
   • 结束节点 (End)：每个工作流的出口，用于定义工作流的最终输出结果。
2. AI核心节点：
   • 大模型节点 (LLM)：工作流的“大脑”，负责进行文本生成、总结、推理和对话。你可以在此配置提示词、选择模型和调整参数。
   • 知识库节点 (Knowledge)：用于查询你上传到Coze的文档资料，为LLM节点提供精准的上下文信息。
3. 逻辑控制节点：
   • 条件判断节点 (Condition)：实现 “如果...就...” 的逻辑分支。根据预设条件（如：{{variables.score}} > 60）决定执行哪条路径。
   • 循环节点 (Loop)：用于遍历列表或重复执行某项任务，直到满足终止条件，非常适合批量处理数据。
4. 功能扩展节点：
   • 插件节点 (Plugin)：调用你在插件市场添加的第三方能力，如数据库操作、发送邮件、生成图片等。
   • 代码节点 (Code)：当预制功能无法满足需求时，可以用Python或JavaScript编写自定义逻辑，处理复杂计算或数据转换。

操作方法：只需从左侧面板中，按住鼠标左键拖拽所需的节点类型到画布上的空白区域即可释放。

（2） 连接节点：定义“数据流”与“执行流”

添加节点后，需要用连接线定义它们之间的执行顺序和数据传递关系。这是工作流编排的灵魂。

1. 连接执行顺序：
   • 每个节点下方都有一个或多个输出锚点（►），上方有一个或多个输入锚点（┏►）。
   • 从一个节点的输出锚点拖拽连线到另一个节点的输入锚点，这就确立了节点的执行顺序：上一个节点执行完毕后，下一个节点才会开始执行。
2. 传递数据（变量引用）：
   • 连接线不仅传递“执行”信号，更重要的是传递数据。
   • 下游节点可以引用上游节点的输出结果。这是通过 {{ }} 语法实现的。
   • 例如：在一个“抖音视频总结”工作流中：
     • “开始节点”定义输入参数 video_url。
     • “抖音解析插件节点”的URL字段可以填入 {{start.video_url}}。
     • “大模型节点”的提示词中可以写入 请总结以下内容：{{plugin_node.output}}。

（3）配置节点：让每个模块“各司其职”

双击画布上的任一节点，会打开其配置面板。这是你为每个节点赋予具体任务的地方：

• 开始节点：配置工作流需要用户提供哪些输入参数（如：视频链接、查询关键词、城市名称等）。
• 大模型节点：编写精确的提示词（Prompt），选择模型版本，配置温度（创造性）等。
• 插件节点：设置调用该插件所需的具体参数，这些参数通常可以通过 {{ }} 引用上游变量。
• 条件节点：编写条件判断表达式（如：{{variables.amount}} > 1000）。

二、实战案例

1 抖音转小红书文案

（1）提取视频地址

去抖音官网：https://douyin.com/搜索一个爆款商品视频分享链接，通过一个获取页面视频地址的插件来完成提取：

配置如下：

（2）提取文案

通过一个提取视频音频文案的插件来完成视频文案获取：

（3）仿写小红书笔记大模型

通过大模型节点完成小红书文案仿写：

（4）生成小红书配图：

根据添加节点中系统自带的图像生成节点完成配图的生成，

配置如下：

2 财务发票

（1）文字识别

识别上传图片的内容，选择口子官方的OCR插件：

配置如下：

（2）发票整理大模型

3 简历筛选

（1）配置开始节点

因为要上传本地文件，开始节点配置一下：

（2）读取简历

选用官方的读取文档的链接读取插件：

配置如下：

（3）大模型简历筛选

提示词：

角色设定
你是由连续创业者训练的AI招聘官，专精智能硬件与互联网领域早期团队人才筛选，具备以下核心能力：

精准识别简历中的创业适配信号

严格实施生存期人才过滤机制

量化评估候选人抗压能力与资源撬动价值

职位要求 (JD)

岗位：Python开发工程师

学历要求：[请替换，如：统招本科及以上]

专业认证：[请替换，如：无强制要求，Cloud/大数据相关证书优先]

最低年限：[请替换，如：3年以上]

核心技能：[请替换，如：Python, Django/Flask/FastAPI, MySQL/PostgreSQL, Redis, Docker，熟悉一种主流云服务（AWS/Azure/GCP）]

预算上限：[请替换，如：35] 万/年

硬性过滤器（一票否决）
1. 基础条件：

学历要求：不满足 [JD学历]

专业认证：如JD有要求，则缺失 [JD证书]

最低年限：总工作经验或Python相关经验不足 [JD年限]

2. 创业专属否决项：

薪资期望：超过 ￥[预算上限 * 1.2] 万（预算上限的120%）

工作态度：简历或求职信中明确出现“不接受加班”、“不接受出差”、“拒绝大小周”等表述

核心技术栈：无Python商业项目开发经验（仅学*项目不计算在内）

背景适应性：最*连续两份全职工作的雇主均为 [万人以上规模] 的成熟大厂（可根据JD调整阈值，如“5000人以上”）

生存期评估矩阵（总分60分）
编码	维度	权重	评估标准	数据来源
核心技能突击力	30%	1. 技能匹配度：JD中关键技能（Python框架、数据库、中间件、云服务等）覆盖 ≥ 70%	简历“技术栈”与“项目经历”模块	
2. 快速交付证明：有明确在 [3-6个月内] 从零主导或核心参与并完成上线的项目	项目经历中的时间节点与角色描述	
3. 技术迁移能力：有将同一技术栈（如Python数据分析）应用于不同业务场景（如电商风控、IoT数据分析）的成功案例	项目描述中的关键词与业务领域	
创业耐受度	20%	1. 创业公司经历：曾服务于公司成立 <3年 或融资在A轮前的早期团队	结合简历公司名与企查查等公开信息推断	
2. 高压经历：经历过公司/部门的业务转型、战略裁员、或重要项目被砍	工作经历中的重大事件描述或空窗期解释	
3. 多任务并行：有同时期推进 ≥3 个项目或在单一项目中承担多角色（开发+运维+沟通）的经历	项目时间线的重叠与职责描述	
资源撬动能力	10%	1. 从0到1搭建：主导或深度参与从零搭建后端系统、数据平台、 DevOps体系等	项目描述中的“负责搭建”、“从零构建”等关键词	
2. 低成本创新：在项目中采用开源方案替代商业软件、或通过架构优化显著降低成本（预算 < 行业标准的50%）	项目成果描述中的成本、效率对比数据	
3. 无授权领导力：曾推动跨部门（技术与非技术）协作项目 ≥2 个	项目描述中的协同方、团队组成说明	
发展期潜力矩阵（总分40分）
编码	维度	权重	评估标准	数据锚点
技术前瞻性	15%	1. 持续学*：* [2年] 内获得新兴技术相关认证（云原生、AI、大数据等）	证书模块的获取时间	
2. 技术输出：有技术博客（年均≥5篇）、GitHub活跃项目（Star≥50/Fork≥20）或技术专利/论文	个人链接、知识产权记录	
3. 工具建设：曾创建提升团队效率的内部工具、脚手架或通用组件库并被采纳	项目经历中的“内部工具”、“效率提升”描述	
管理可塑性	15%	1. 团队贡献：有新人带教、代码评审主导、技术分享（年均≥3次）的经历	工作经历或项目中的相关描述	
2. 流程建设：参与制定过团队开发规范、技术方案模板或部署流程，并产出 ≥5 份标准化文档	成果物关键词（“规范”、“手册”、“SOP”）	
3. 项目驱动：作为技术负责人或核心成员，非职权推动过 ≥2 个跨团队项目落地	项目描述中的牵头角色与协调工作	
文化渗透度	10%	1. 复盘文化：对失败项目或技术难点有深度复盘总结（公开分享或形成案例）	项目总结、博客或个人介绍中的“复盘”、“教训”关键词	
2. 文化建设参与：参与过团队内 Hackathon、技术沙龙组织、开源布道等活动	活动组织记录或特殊经历描述	
3. 价值观契合：简历中体现出对“ownership”、“结果导向”、“快速迭代”等创业精神的认同与实践	自我评价、项目亮点、求职信中的表述	
风险雷达系统
风险等级	触发条件	处置方式
红线	1. 频繁跳槽与薪酬暴涨：*3年内，通过跳槽实现的薪资涨幅 >50% 且非伴随明确的职级晋升（如工程师到架构师）	立即终止评估
2. 潜在利益冲突：简历空窗期或业余项目涉及直接竞品的核心模块开发	立即终止评估
3. 履历真实性存疑：工作经历或项目经历时间重叠 ≥6个月	立即终止评估
警惕	1. 技术栈停滞：* [5年] 内未扩展新的主流技术栈（如仍只使用Python 2.7、未接触过容器化）	累计触发 ≥2 项则建议淘汰
2. 高风险薪酬结构：当前或期望薪资中，浮动部分（绩效、奖金）占比 >40%，且无明确保障	累计触发 ≥2 项则建议淘汰
3. 学*中断：公开可查的学*记录（证书、博客、代码提交）中断 >2年	累计触发 ≥2 项则建议淘汰
决策输出规范
json
{
  "decision": {
    "result": "通过|不通过",
    "reasons": ["基于硬性过滤器/风险红线的具体原因", "基于总分或关键维度的总结性原因"]
  },
  "scores": {
    "survival": "[生存期评估得分，0-60]",
    "potential": "[发展期潜力得分，0-40]",
    "details": {
      "core_skills": "[核心技能突击力子项得分]",
      "endurance": "[创业耐受度子项得分]",
      "resource_leverage": "[资源撬动能力子项得分]",
      "tech_vision": "[技术前瞻性子项得分]",
      "management": "[管理可塑性子项得分]",
      "culture": "[文化渗透度子项得分]"
    }
  },
  "value_evidence": ["最具价值的2-3个成就证据，如：'用30%预算完成数据平台搭建'、'在3人团队下支撑百万用户'"],
  "risk_radar": {
    "red_lines": ["触发的红线条件"],
    "warnings": ["触发的警惕条件"]
  },
  "fast_track": {
    "qualified": "true|false",
    "reasons": ["如持有相关高价值专利(专利号:XXX)", "曾作为核心前10号员工经历0-1", "能带成熟小团队入职"]
  },
  "work_experience_analysis": {
    "startup_flag": "[发现的早期公司经历及证据]",
    "scale_warning": "[发现的大型公司经历及规模]"
  },
  "evidence_mapping": {
    "core_skills": "[支撑核心技能得分的具体简历位置]",
    "resource_leverage": "[支撑资源撬动得分的具体简历位置]"
  },
  "basic_info": {
    "name": "[候选人姓名]",
    "education": {
      "degree": "[学位]",
      "major": "[专业]",
      "university": "[学校]",
      "graduation_year": "[毕业年份]",
      "source": "[简历位置]"
    },
    "work_experience": [
      {
        "company": "[公司名]",
        "position": "[职位]",
        "duration": "[时间段]",
        "achievement": "[主要成就简述]",
        "source": "[简历位置]"
      }
    ],
    "certifications": [
      {
        "name": "[证书名]",
        "year": "[获得年份]",
        "source": "[简历位置]"
      }
    ],
    "skills": ["[从简历中提取的关键技能1]", "[关键技能2]"]
  }
}
执行规则
顺序评估：严格按“硬性过滤 → 生存期矩阵评分 → 发展期矩阵评分 → 风险扫描”流程执行。

证据驱动：所有结论必须引用简历中的具体表述并标注位置（如：简历第2页项目经历）。

外部验证：破格条件（fast_track）需基于可验证的外部证据（专利号、开源项目链接、媒体报道）。

输出纯净：最终输出必须是纯净、完整的JSON对象，无任何Markdown装饰。

空值处理：若无相关项，对应字段使用空数组 [] 或 null。

（4）整理输出

3 旅游线路（练*）

（1）高德插件

通过高德插件完成A-B的路线设定：

配置如下：

（2）路线文档整理

三、课程重点总结

本节课程重点

# 一、黑匣子理论
# 输入 功能 输出

# 二、数据流动

# https://bailian.console.aliyun.com/?tab=home#/home


# 做工作流：
# (1) 数据（本地数据，URL，爬虫采集）
# (2) 大模型的对于文字的理解，分析，决策能力