零基础也能学会！用Coze打造专属工作流，保姆级教程

工作流和多代理模式区别

那在搭建之前，我先来说一个比较常见的误区，就是这个工作流和多代理模式的区别。那因为在coze中，多代理模式和工作流都是通过这个节点形式去构建的。

那从功能上来说，工作流更像是bot下的一个指定的模块来完成相对格式化且标准化的任务，而多代理模式则更像一个可以完成复杂任务的团队。

打比方来说，工作流就比是一个掌握独立技术的人，比如说他可以根据网上获取到的信息去撰写文案。那多代理模式就更像一个由多人组成的团队，里面有专门的写手去写文案，美工去配图，审核来过稿等等。

那从理论上来说，我们将复杂的工作安排的越细致，就越对这项工作可控。因为如果输出结果出现了问题，我们可以很容易的去排查找到到底是哪个节点设置有误，从而进行优化，而不需要去重写整个的系统。那这就是在coze下使用工作流的意义。

操作台介绍

这次我们用国内版coze的来介绍，我们点击左上角这个个人空间的按钮，进来之后我们点击最上方这个工作流的链接，然后我们来点击这个右边的创建按钮。

进入这个工作流操作页面。我们可以在这个页面上去自由的添加节点来定制化创建我们的工作流。

那我们先来简单的熟悉一下这个页面以及相关的操作。首先是最左侧的这一列，就是我们可以添加不同类型的节点，分别有

• 插件
• 大语言模型
• 代码
• 知识库
• 工作流
• 条件判断
• 变量
• 数据库以及信息
• 还有最新推出的图像流

然后是右边操作台这里，他默认给到我们两个节点，一个是开始，然后一个是结束。

那我们可以把这两个节点连接起来，完成一个最简单的工作流，也可以在这两个节点之间来添加其他的左边的这些节点去构建更复杂的功能。

然后我们看到下方这里第一个小手一样的按钮，是可以拖动我们的工作台。

当然这个操作我们也可以通过按住这个空格然后配合鼠标左键来实现，也可以通过按下鼠标滚轮来实现。

后方这里是缩放大小，如果我们的工作流比较多，可以通过点击这个缩放的按钮来更方便的观看我们整体的流程。再右边这个是自适应缩放，然后后方这个是可以将我们的工作流格式化成线性的形式。

最后一个是这个连线的模式，那他默认的是这种自由的连线，也就是这个线段是曲线。

我们也可以切换成这种直线的模式，看起来更清爽一些。然后最上方这里是测试工作流以及这个发布工作流的按钮。

利用强大gpt-4o模型和谷歌Gemini1.5Pro为我们拆解分析讲解工作流

上面其实简单的工作流搭建就讲完了，但是要怎么实现更加复杂任务的工作流呢？

那么现在我们普通人可以借助这些大模型的能力，快速学习掌握这些比较有难度的东西。

接下来，我们从工作流商店中选了一个工作流，分别让chatgpt和Gemini来给我们讲解分析，顺便对比一下目前比较强大的这两个模型。

我们选这个抖音链接+文本提取+小红书改写+发布飞书文档工作流

从开始到结束我们每个节点都发给大模型分析一下

当然可以！这个节点是工作流的开始节点，主要用于启动工作流并设置所需的初始信息。

从图片中可以看出，开始节点包含了两个输入变量：

1. BOT_USER_INPUT:

• 变量类型: String（字符串）
• 描述: 用户本轮对话输入内容
• 是否必要: 是（勾选了必填项）

• X:

• 变量类型: String（字符串）
• 描述: 提供抖音视频链接
• 是否必要: 是（勾选了必填项）

解释

• 开始节点:

• 这是工作流的起始点，每次启动工作流时，都会先从这里开始。

• 输入变量:

• BOT_USER_INPUT: 这是一个字符串类型的变量，用于接收用户在本轮对话中输入的内容。它是必需的，表示用户的输入是工作流启动的必要信息。
• X: 这是另一个字符串类型的变量，用于接收抖音视频的链接。它同样是必需的，意味着启动工作流时必须提供一个有效的抖音视频链接。

应用场景

在实际应用中，当一个用户通过某种接口（例如聊天机器人或表单）启动这个工作流时，他们需要提供本轮对话的输入内容以及一个抖音视频链接。这些信息将被用于后续的处理步骤中。

希望这个解释对你有帮助！如果你还有其他问题，随时告诉我。

---

这个节点是Coze工作流的开始节点，用于定义启动整个自动化工作流所需的信息。

节点名称： 开始

节点功能：

• 作为工作流的入口，接收外部传入的数据。
• 定义后续节点需要使用的变量。

输入参数：

• BOT_USER_INPUT (String类型，必填):  用户本次对话输入内容。 这意味着用户在与机器人交互时输入的内容会被存储在这个变量中，供后续节点使用。
• X (String类型，必填): 提供材料查询链接。这个变量的具体含义需要结合实际应用场景来理解。比如，它可能是用户需要查询的某个材料的链接，也可能是工作流需要访问的某个资源的链接。

输出：

这个节点没有直接的输出。它定义的两个变量 (BOT_USER_INPUT 和 X) 会被传递给后续的节点使用。

总结：

这个“开始”节点的作用是接收用户输入和预设的链接，并将它们存储为变量，为后续节点提供必要的信息，从而启动整个自动化工作流程。

---

以上开始节点的介绍，是不是非常详细，而且讲解也是通俗易懂，对普通用户来讲很好理解，两个模型都讲的不错，不过我还是觉得GPT的会更好一些。

接下来我们继续第二个节点

当然可以！我们来看一下这个节点的配置。这是一个大语言模型调用节点，用于根据输入变量和提示词生成回答。

节点名称

• 大模型_1

模型配置

• 模型: 选择了“Function call模型”，这表示它调用的是具有特定功能的模型。

输入

• 参考名: input
• 变量值: 引用 – 开始 – X
• 这里的意思是将从开始节点 (开始) 中的 X 变量作为 input 传递给大语言模型。X 在前面的节点中表示的是用户提供的抖音视频链接。

提示词

• 提示词内容:

  识别{{input}}中的链接
  输入网址: URL
  

• 提示词是给大语言模型的一段指令，告诉模型要识别 input 中的链接，输入的网址变量名是 URL。

输出

• 变量名: output
• 变量类型: String（字符串）
• 描述: 请描述变量的用途
• 输出格式选择了 JSON，这意味着模型返回的结果将会被格式化为 JSON 格式。

总结

这个节点的作用是使用大语言模型来处理输入的抖音视频链接 (X) 并识别其中的链接。具体过程如下：

1. 接收输入: 从开始节点获取用户提供的抖音视频链接 (X) 并传递给大语言模型。
2. 执行模型: 使用提示词让模型识别 input（即抖音视频链接）中的链接。
3. 生成输出: 模型处理后将结果以字符串形式输出，并存储在 output 变量中，格式化为 JSON。

希望这个解释清楚地说明了该节点的配置和作用！如果你有任何其他问题，请随时告诉我。

这个节点是Coze工作流中的一个自定义函数节点，用于调用名为 "大模型 1" 的外部函数。

节点名称： 大模型 1

节点描述：  请求用大语言模型，使用真实数据提示词生成回复。 这说明该节点的核心功能是利用大语言模型，根据用户提供的提示词生成相应的回复。

输入参数：

• input (引用类型，值为 "开始 – X"):  这个参数指定了传递给 "大模型 1" 函数的输入值。 这里引用了 "开始" 节点中定义的变量 "X"，意味着会将 "开始 – X"  的值作为输入传递给函数。

提示词:

• 识别{{input}}中的链接:  这段提示词告诉 "大模型 1" 函数，需要识别 "input" 变量中包含的链接。
• 输入网址: URL:  这部分提示词指示函数应该返回识别的链接，并以 "URL:" 作为前缀。

输出：

• output (String类型):  这个变量存储了 "大模型 1" 函数返回的结果，即从 "input" 中识别出来的链接。

总结：

这个节点的功能是从 "开始" 节点获取材料查询链接（"开始 – X"），并将其传递给 "大模型 1" 函数。该函数会识别链接并将其返回，存储在 "output" 变量中，供后续节点使用。

还是GPT讲的要好很多，基本很详细介绍了比很多博主讲得要清楚很多。

我们继续下一个节点

当然可以！这个节点配置是一个 LinkReaderPlugin 插件，用于提取网页、PDF、抖音视频等内容的标题和内容。

节点名称

• LinkReaderPlugin

作用

• 当你需要获取网页、PDF、抖音视频内容时，使用此工具。可以获取URL链接下的标题和内容。

输入

• 参数名: prompt

• 参数值: 引用
• 引用: 请选择
• 这个字段在当前配置中还没有指定具体的值，可能需要进一步选择或者定义。

• 参数名: type

• 参数值: 输入
• 输入值: 全文
• 指定需要获取的内容类型为“全文”。

• 参数名: url

• 参数值: 引用
• 引用: 大模型_1 – output
• 这里引用了前一个节点“大模型_1”的输出 (output) 作为输入的 URL。这意味着它将使用大语言模型识别出的链接进行进一步处理。

输出

• 输出结构 data
• content: String（字符串），表示从URL中提取的内容。
• title: String（字符串），表示从URL中提取的标题。
• error_code: String（字符串），错误代码（如果有错误发生）。
• error_msg: String（字符串），错误信息（如果有错误发生）。
• pdf_content: String（字符串），表示PDF内容（如果适用）。

总结

这个节点的主要功能是使用 LinkReaderPlugin 来提取指定 URL（从大模型_1 输出的 output 获得的链接）中的标题和内容。

具体过程如下：

1. 接收输入:

• prompt: 这个字段目前没有具体值，可能需要进一步配置。
• type: 设置为“全文”，表示要提取全文内容。
• url: 引用自大模型_1 的 output，即识别出来的链接。

• LinkReaderPlugin 插件会访问指定的 URL，提取内容和标题。

• data.content: 提取到的内容。
• data.title: 提取到的标题。
• 还有可能的错误信息和 PDF 内容（如果适用）。

希望这个解释清楚地说明了该节点的配置和作用！如果你有任何其他问题，请随时告诉我。

这个节点是Coze工作流中的一个插件节点，使用了名为 "LinkReaderPlugin" 的插件，用于读取链接内容。

节点名称： LinkReaderPlugin

节点描述：  当你需要读取网页、pdf、抖音频视频内容时，使用此工具，可以获取url链接下载后的原始内容。 这说明该插件的主要功能是根据提供的URL链接，下载对应的内容并提取其中的原始内容。

输入参数：

• prompt (可选):  可自定义的提示词，暂时未被使用。
• type (枚举类型，值为 "输入"):  指定内容提取的方式，这里选择 "输入"，表示直接使用输入的链接进行内容提取。
• url (必填，引用类型，值为 "大模型 1 – output"):  需要读取内容的链接地址，这里引用了 "大模型 1" 节点输出的 "output" 变量，即上一步识别出来的链接。

输出：

• data (Object类型):  包含提取内容的JSON对象，包含以下字段:
• content (String类型): 链接内容的文本形式，例如网页正文、PDF文本内容等。
• title (String类型): 链接内容的标题，例如网页标题、PDF文档标题等。
• error_code (String类型):  错误码，用于标识读取链接内容过程中是否出现错误。
• error_msg (String类型):  错误信息，提供更详细的错误描述。
• pdf_content (String类型):  如果链接指向的是PDF文件，则该字段存储PDF文件的文本内容。

总结：

这个节点的功能是接收 "大模型 1" 节点识别出的链接地址，并利用 "LinkReaderPlugin" 插件读取该链接的内容。提取出的内容以JSON格式存储在 "data" 变量中，供后续节点使用。 可以理解为，这个节点实现了从链接地址到实际内容的获取过程，为后续处理和分析做好了准备。

这次都讲解得不错，我们继续

当然可以！让我们仔细看一下这个节点的配置。这是一个使用大语言模型（GPT）生成回答的节点。

节点名称

• 大模型2

模型配置

• 模型: Moonshoot (8K)
• 这是选择的具体大语言模型。

输入

• 参考名: input
• 变量值: 引用 – LinkReaderPlugin – title
• 这里的意思是将从 LinkReaderPlugin 插件节点中提取到的标题 (title) 作为 input 传递给这个大语言模型节点。

提示词

• 提示词是给大语言模型的一段指令，告诉模型要基于输入生成特定的内容。以下是详细的提示词内容：

1.背景+标题示例:
标题: 夏季营销策略的介绍
背景: 这是一个关于夏季营销策略的介绍文章，包括在夏季进行营销的一些小技巧。这篇文章将介绍如何在夏季利用人们对凉爽和放松的需求来进行有效的营销。

2.编辑原则和方法
背景需要简明扼要，标题清晰明了
1.背景: 长度控制在1-2句
标题: 长度控制在不超过20个字
2.标题要点清晰: 结合具体例子/应用场景，标题包括关键要素: 关键词+总结+具体策略
3.编辑语言风格: 语言简洁，明确，读起来舒服 (不是广告文案风格)， 突出具体的应用场景

3.可编辑背景用词/句的延展
背景词汇: 消费者心理, 市场趋势, 品牌策略, 市场营销活动, 夏季促销活动, 夏季产品, 季节性营销, 品牌推广, 客户吸引, 销售提升

4.小标题下的内容框架
背景说明: 简单介绍主题的背景，文章主要内容
标题: 具体策略: 提出具体可行的策略和建议

1.背景: 根据市场趋势制定夏季促销活动
2.标题: 利用凉爽商品吸引客户
背景: 夏季是销售凉爽商品的最佳时机
策略: 利用降温商品如风扇、空调等产品进行促销

3.背景: 针对夏季旅游制定营销策略
4.标题: 夏季旅游产品的营销
背景: 夏季是旅游旺季
策略: 推广夏季旅游产品如旅行社优惠、机票打折等
二、正文编写示例

1.标题示例
从消费者心理出发
背景: 夏季天气炎热，人们对凉爽和舒适的需求增加
具体策略: 提供凉爽和舒适的产品，满足人们在夏季的需求
2.标题示例
根据市场趋势调整品牌策略
背景: 夏季是销售凉爽商品的最佳时机
具体策略: 根据市场趋势推出凉爽商品，利用夏季促销活动吸引客户

3.标题示例
季节性营销的重要性
背景: 每个季节都有不同的市场需求和趋势
具体策略: 制定针对每个季节的营销策略，确保品牌的持续增长

输出

• 变量名: output
• 变量类型: String（字符串）
• 描述: 请描述变量的用途
• 输出格式选择了 JSON，这意味着模型返回的结果将会被格式化为 JSON 格式。

总结

这个节点的主要功能是使用大语言模型来生成内容，具体步骤如下：

1. 接收输入: 从 LinkReaderPlugin 节点获取标题 (title) 并传递给大语言模型。
2. 执行模型: 使用详细的提示词，让模型根据输入的标题生成对应的内容。这些提示词包括示例、编辑原则和方法、可编辑背景用词/句的延展、以及小标题下的内容框架。
3. 生成输出: 模型处理后将结果以字符串形式输出，并存储在 output 变量中，格式化为 JSON。

希望这个解释清楚地说明了该节点的配置和作用！如果你有任何其他问题，请随时告诉我。

这个节点是Coze工作流中另一个自定义函数节点，用于调用名为 “大模型” 的外部函数，目标是对前面节点提取的链接内容进行分析和处理。

节点名称：  大模型

节点描述：  调用大语言模型，使用真实数据和提示词来生成目标回复。 这说明这个节点的核心功能是利用大语言模型，并结合实际数据和具体指示，生成符合预期的回复内容。

输入参数：

• Input (引用类型，值为 “LinkReaderPlugin – title”)：  这个参数指定了传递给 “大模型” 函数的输入值。这里引用了 “LinkReaderPlugin” 节点输出的 “title” 变量，意味着会将读取到的链接内容的标题作为输入传递给函数。

提示词：

提示词部分包含了大量的文本内容，主要分为三个部分：

1. “一、短视频执行技巧”：  这部分内容详细介绍了短视频制作的技巧，包括选题方向、内容呈现方式、拍摄技巧等等。这部分内容可能是为了给 “大模型” 函数提供背景信息，使其更好地理解链接内容的主题和目标受众。
2. “二、社区创作技巧”：  这部分内容介绍了社区创作的相关技巧，包括账号定位、内容创作方向、互动方式等等。这部分内容可能也是为了给 “大模型” 函数提供背景信息，使其更好地理解如何针对特定平台进行内容创作。
3. 示例：  这部分内容提供了一个具体的示例，展示了如何根据输入的标题生成一段引导性的文案。这段示例代码的作用是指导 “大模型” 函数根据输入的 “Input” 变量，生成类似的引导性文案。

输出：

• output (String类型):  这个变量存储了 “大模型” 函数返回的结果，即根据输入的链接内容标题和提示词所生成的回复。

总结：

这个节点的功能是将上一步提取的链接内容标题传递给 “大模型” 函数，并结合预设的提示词，生成针对性的回复内容。  提示词中包含了大量的背景信息和示例，用于引导 “大模型” 函数生成更符合预期、更具针对性的回复。 可以理解为，这个节点利用大语言模型的能力，将原始的链接内容标题转化为了更易于理解、更具引导性的回复文案，完成了从数据分析到内容创作的转变。

这里GPT讲的很详细，不过提示词写错了，Gemini讲的相对简单一点，继续下一个

当然可以，下面是对这个节点的详细解释：

节点名称

• createDocument

节点功能

• 这个节点是用于根据输入的 Markdown 字符串和标题来创建文档的工具。

输入

• markdownStr
• 参考值: 引用 – 大模型 – output
• 这是从之前的大模型节点（即大模型2节点）的输出中引用的内容，即生成的文案内容。
• markdownTitle
• 输入: 改写小红书文案
• 这是手动输入的内容，作为生成文档的标题。

输出

• msg
• 类型: String（字符串）
• 描述: 用于返回消息。
• code
• 类型: Integer（整数）
• 描述: 返回的状态码。
• data
• message
• url
• log_id
• 类型: String（字符串）
• 描述: 返回的消息内容。
• 类型: String（字符串）
• 描述: 生成文档的 URL。
• 类型: String（字符串）
• 描述: 生成文档的日志 ID。
• 类型: Object（对象），包含以下字段：

总结

这个节点的主要功能是将之前生成的小红书文案内容（Markdown 格式）和标题（“改写小红书文案”）组合在一起，生成一个文档。它的详细步骤如下：

1. 输入:

• 从大模型节点获取生成的文案内容，作为 markdownStr。
• 使用手动输入的标题“改写小红书文案”作为 markdownTitle。

• 该节点将上述两个输入组合，生成一个文档。

• 生成的文档会返回一条消息、状态码、文档的 URL 以及生成文档的日志 ID。

通过这个配置，整个流程就完成了从获取输入、生成小红书文案、到最终生成文档的过程。这个节点是工作流中的最后一步，用于生成和保存最终文档。

这个节点是Coze工作流中的另一个插件节点，使用了名为 "createDocument" 的插件，其功能是根据输入的Markdown文本创建文档。

节点名称： createDocument

节点描述： 这是一个可以根据用户输入或者需要记录的 Markdown 字符串和总结的标题来创建文本档的工具。 这句话明确说明了该插件的作用：根据提供的Markdown文本和标题，生成一个新的文本文档。

输入参数：

• markdownStr (必填，引用类型，值为 "大模型 – output"):  需要写入文档的 Markdown 文本内容，这里引用了 “大模型” 节点输出的 "output" 变量，也就是前面步骤中生成的目标回复文案。
• markdownTitle (必填，输入类型，值为 “改为小红书文案”):  创建的文档标题，这里预设为 "改为小红书文案"。

输出：

• msg (String类型):  操作结果的文本信息，例如成功创建文档的提示信息。
• code (Integer类型):  操作结果的状态码，用于标识创建文档操作是否成功。
• data (Object类型):  包含创建文档信息的JSON对象，包含以下字段:
• message (String类型):  操作结果的文本信息。
• url (String类型):  创建的文档链接地址。
• log_id (String类型):  操作日志ID，用于追踪和排查问题。

总结：

这个节点的功能是接收 “大模型” 节点生成的回复文案，并将其作为内容，以 "改为小红书文案" 为标题，创建一个新的文本文档。  最终输出的 "data" 变量中包含了创建文档的链接地址，方便用户查看和使用生成的内容。 可以理解为，这个节点将前面步骤中生成的回复文案最终落地为一个可访问、可编辑的文档，完成了从文本生成到内容保存的最后一步。

都讲的很不错啊，最后结束节点

这个节点是工作流的最后一步，用于返回工作流运行后的结果信息。

节点名称

• 结束

功能

• 这个节点用于结束工作流，并返回结果信息给用户。

配置

选择回答模式

• 使用设定的内容直接回答

输出变量

• 变量名: output
• 参考值: 引用 – 大模型 – output
• 这是引用自之前的大模型节点生成的文案内容。
• 变量名: output1
• 参考值: 引用 – createDocument – url
• 这是引用自 createDocument 节点生成的文档 URL。

回答内容

• 流式输出: 已开启
• 回答内容:

  您的抖音改小红书文案如下
  {output}
  
  已经为您上传到了飞书文档
  {output1}
  

• 这里的 {output} 和 {output1} 是占位符，会被实际的变量值替换。

解释

1. 输出变量配置:

• output 引用了之前大模型节点生成的文案内容。
• output1 引用了 createDocument 节点生成的文档 URL。

• 第一部分: 您的抖音改小红书文案如下 后面跟着 {output}，这将显示大模型生成的文案内容。
• 第二部分: 已经为您上传到了飞书文档 后面跟着 {output1}，这将显示生成文档的 URL。

• 该内容包含了两个部分：

总结

这个节点负责将前面的步骤生成的结果汇总并返回给用户：

• 返回生成的小红书文案内容。
• 返回生成文档的 URL。

通过这个设置，用户将能看到生成的文案内容以及文档的链接，完成整个工作流的闭环。

这个节点是Coze工作流的结束节点，用于返回整个工作流程执行完毕后的结果信息。

节点名称： 结束

节点功能：

• 作为工作流的出口，将最终结果返回给用户或其他系统。
• 可以选择不同的输出格式，例如文本、JSON等。

输出变量：

• output (引用类型，值为 "大模型 – output”)：  这里引用了 “大模型” 节点输出的 "output" 变量，即大语言模型生成的回复文案。
• output1 (引用类型，值为 "createDocument – data.url”)：  这里引用了 “createDocument” 节点输出的 "data.url" 变量，即创建的文本文档的链接地址。

回复内容：

• 您的小红书文案如下：  这行文字作为引导语，提示用户接下来是生成的小红书文案内容。
• {{output}}:  这里会显示 “大模型” 节点生成的回复文案，即小红书文案内容。
• 已为您将上述文案写到文档  这行文字提示用户，生成的文案已经被保存到一个文档中。
• {{output1}}:  这里会显示 “createDocument” 节点输出的文档链接地址。

总结：

这个节点将前面步骤中生成的回复文案和文档链接地址整合到一起，以清晰的格式返回给用户。 用户可以直接复制使用生成的小红书文案，也可以点击链接查看和编辑保存在文档中的内容。 这标志着整个Coze工作流的结束，成功地完成了从链接内容分析到最终文案生成和保存的全部流程。

整个工作流都讲解完成，基本上讲解的都是很详细，gpt-4o确实是很强大。基本实现了是哪里不懂问哪里，哪里不会他也是会教你。

现在gpt-4o都免费使用了对普通人来讲确实很方便很实用，而且现在注册也是很方便不用验证手机号码了，还没注册的可以去注册一下。

Gemini1.5Pro确实也是很强大，目前基本是比较接近gpt-4o的，其他模型都做不到这么详细细致。

整个复杂工作流都拆解讲解完了，同样想自己来搭建一套符合自己的比较复杂的工作流也可以借助大模型的能力来实现。

最后 试运行然后发布就在bot中调用工作流

整个工作流搭建好了之后就点击一下试运行，看看各个节点是不是都能正常运行，没问题就可以点击发布，发布之后搭建bot（机器人）的时候就可以添加自己搭建的工作流了。