🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度

在实际 AI 应用开发中，如何将大模型的能力封装成稳定、可交互、能处理复杂逻辑的智能体，是许多开发者和产品经理面临的核心挑战。Coze 作为一个低代码的 AI 应用开发平台，通过“智能体”和“工作流”两大核心概念，降低了构建 AI 应用的复杂度。然而，从理解概念到真正搭建一个能处理多轮对话、调用工具、串联逻辑的智能体，中间存在大量实践细节。本文将围绕 Coze 平台，深入讲解如何从零开始构建一个具备多智能体协作能力的应用，涵盖智能体设计、工作流编排、知识库集成以及外部 API 调用等关键环节，旨在提供一份可落地、可复现的实战指南。

1. 理解 Coze 的核心概念：智能体、工作流与知识库

在开始动手之前，必须清晰理解 Coze 平台构建 AI 应用的几个核心抽象。这决定了你后续的设计思路和实现路径。

1.1 智能体：AI 应用的交互界面与决策中枢

智能体是 Coze 中最核心的单元，你可以将其理解为一个具备特定身份、能力和目标的 AI 助手。它直接面向最终用户，负责接收用户输入、理解意图、规划行动并生成回复。

一个智能体通常由以下几部分构成：

• 人设与回复逻辑：定义智能体的角色、性格和对话风格。例如，它可以是一个“美食推荐专家”或“技术支持工程师”。
• 开场白：用户初次进入对话时，智能体主动发送的引导信息。
• 提示词：这是智能体的“大脑”，决定了它如何理解问题、遵循何种规则进行思考。高质量的提示词是智能体表现优异的关键。
• 技能：智能体可以调用的工具。Coze 提供了预置技能（如联网搜索、画图、代码解释器）和自定义技能（即工作流）。
• 知识库：智能体专属的私有信息库，用于存储文档、FAQ 等，让智能体能基于特定知识回答问题。
• 发布渠道：智能体可以发布到 Coze 官方 Bot、飞书、微信、Web 等平台。

注意：不要把智能体想象成一个完整的后端服务。它更像是一个协调者，其核心能力在于理解、规划和调度，具体的复杂任务执行应交由“工作流”或“技能”来完成。

1.2 工作流：实现复杂逻辑与多步骤任务的引擎

工作流是 Coze 中用于实现确定性、多步骤逻辑的模块。当智能体遇到一个需要固定流程、条件判断、数据处理或调用外部 API 的任务时，就应该使用工作流。

工作流的核心是可视化编排。它由一系列节点通过连线组成，每个节点代表一个操作，例如：

• 开始节点：接收来自智能体的输入参数。
• LLM 节点：调用大模型进行文本生成、分类或提取。
• 代码节点：执行 Python 或 JavaScript 代码，进行数据处理、计算或调用第三方库。
• 知识库节点：从指定的知识库中检索相关信息。
• 条件判断节点：根据条件执行不同的分支。
• HTTP 请求节点：调用外部 RESTful API。
• 结束节点：将处理结果返回给智能体。

工作流最终会作为一个“技能”被智能体调用。这种设计实现了决策（智能体）与执行（工作流）的分离，使得智能体保持灵活，而复杂逻辑变得可维护、可调试。

1.3 知识库：为智能体注入专属记忆

知识库允许你上传文档（TXT、PDF、Word、Excel、PPT等）或直接输入文本，平台会将其切片、向量化并存储。当用户提问时，智能体会优先从关联的知识库中检索最相关的片段，并基于这些信息生成回答。

这解决了大模型的两个核心痛点：信息滞后性（不知道最新或非公开信息）和幻觉问题（胡编乱造）。通过知识库，你可以让智能体成为一个特定领域的“专家”。

1.4 多智能体协作：分工与集成的艺术

“多智能体协作”在 Coze 中有两种常见实现模式：

1. 主从模式：一个主智能体负责接待用户、分析意图，当遇到特定领域问题时，它调用另一个专精于此领域的子智能体（通过其发布的 API）来解决问题，最后整合结果回复给用户。
2. 工作流编排模式：在一个复杂的工作流中，可以串联多个 LLM 节点，每个节点扮演不同的角色（如分析员、审核员、润色员），通过前一个节点的输出作为后一个节点的输入，协作完成一个任务。这本质上是在一个流程中模拟了多个智能体的协作，是更常用且可控的方式。

理解了这些概念，我们就可以开始搭建环境并创建第一个智能体了。

2. 环境准备与第一个智能体搭建

我们将从注册 Coze 账号开始，逐步创建一个具备基础对话能力的智能体，并为其添加简单的技能。

2.1 平台注册与界面熟悉

首先访问 Coze 官网并注册登录。进入控制台后，主要功能区包括：

• 智能体：创建和管理你的智能体。
• 工作流：创建和管理可视化工作流。
• 知识库：创建和管理知识库。
• 发布：将智能体部署到各个渠道。

建议先花几分钟浏览界面，了解各个功能入口的位置。

2.2 创建你的第一个智能体：美食推荐助手

我们以一个“美食推荐助手”为例，演示创建过程。

1. 新建智能体：点击“创建智能体”，输入名称“美食推荐小助手”。
2. 配置人设与提示词：在“人设与回复逻辑”区域，编写提示词。这是最关键的一步。

   你是一个热情、专业的美食推荐助手，精通中国各大菜系和街头小吃。 你的目标是帮助用户根据他们的口味偏好、预算、场合和人数，推荐合适的餐厅或菜品。 请遵循以下规则： 1. 首先，主动询问用户的偏好，包括口味（辣/甜/咸等）、预算区间、用餐场合（朋友聚餐/家庭宴会/情侣约会等）和人数。 2. 根据用户提供的信息，给出3个具体的餐厅或菜品推荐，并简要说明推荐理由。 3. 推荐时，需考虑餐厅的地理位置（如果用户提供了城市信息）和人均消费是否在预算内。 4. 如果用户没有提供足够信息，请友好地引导提问，不要凭空猜测。 5. 回复风格应亲切、有条理，使用适当的表情符号（如😊）但不要过度。

   这段提示词明确了角色、目标、具体步骤和风格，能有效引导模型行为。
3. 设置开场白：编写一句引导用户开始对话的话。

   你好呀！我是你的美食推荐小助手😊。无论你想找朋友聚餐的热闹餐厅，还是情侣约会的浪漫西餐，我都可以帮你出主意！请告诉我你的口味偏好、预算和用餐人数吧~

4. 选择模型：在模型配置区，可以选择不同的基座模型（如 GPT-4、云雀等）。对于中文场景，Coze 自研的模型通常有更好的优化。初期可以选择一个响应速度较快的默认模型。
5. 保存与预览：点击右上角“保存”，然后点击“预览”。在右侧的对话窗口，你就可以测试智能体的基础对话能力了。

至此，一个基于纯对话的智能体就创建完成了。但它还不会处理复杂任务，比如查询实时信息或执行计算。

2.3 为智能体添加预置技能：联网搜索

为了让智能体能推荐最新的餐厅信息，我们需要赋予它“联网搜索”的能力。

1. 在智能体编辑页面，找到“技能”区域，点击“添加技能”。
2. 在技能商店中，找到“联网搜索”并添加。
3. 添加后，你可以配置该技能。通常需要开启“每次对话自动判断是否使用”或“在提示词中手动触发”。为了演示，我们选择自动判断。
4. 修改提示词，在末尾加上一句：“如果需要查询最新的餐厅评分、营业时间或用户评价，你可以使用联网搜索功能。”
5. 保存并预览。现在你可以问：“北京海淀区最近新开了哪些评价不错的川菜馆？” 智能体应该会尝试调用联网搜索来获取信息。

注意：联网搜索依赖于外部搜索引擎的结果，可能受网络和搜索关键词影响，结果不一定完全准确或符合格式要求。

3. 构建核心工作流：实现确定性业务逻辑

当任务超出简单对话和搜索，需要固定流程时，工作流就派上用场了。我们构建一个“餐厅预订信息生成器”工作流。

场景：用户提供了用餐需求，智能体调用此工作流，生成一份结构化的预订信息摘要，包含推荐餐厅、推荐理由、预估费用和注意事项。

3.1 创建工作流并定义输入参数

1. 进入“工作流”页面，点击“创建工作流”，命名为“生成餐厅预订摘要”。
2. 点击“开始”节点，在右侧面板定义输入参数。这些参数将由调用此工作流的智能体传入。
   • user_request:string类型，用户原始请求，如“周末家庭聚餐，6人，预算500元，想吃本帮菜”。
   • city:string类型，城市，如“上海”。
   • meal_time:string类型，用餐时间，如“周六晚餐”。

3.2 编排工作流节点

我们将设计一个包含 LLM 分析、条件判断和格式化输出的工作流。

1. LLM 节点 - 分析需求：

   • 从左侧拖入一个“LLM”节点，连接到开始节点后。
   • 配置该节点：
     • 系统提示词：

       你是一个餐饮分析专家。请根据用户需求，分析出核心的用餐要素。 要素包括：菜系倾向、人均预算、人数、场合氛围（如热闹/安静）、特殊要求（如包间、儿童椅）。 请以JSON格式输出，格式如下： { "cuisine": "菜系", "budget_per_person": 人均预算数字, "party_size": 人数, "occasion": "场合", "special_requirements": ["要求1", "要求2"] } 如果某项信息不明确，请用null表示。

     • 用户消息：填入{{user_request}}（引用输入参数）。
   • 此节点的输出将是一个结构化的 JSON 字符串。

2. 代码节点 - 解析与计算：

   • 拖入一个“代码”节点，选择 Python。
   • 编写代码，解析上一步的 JSON，并计算总预算。

     import json # 获取上一个LLM节点的输出 analysis_result = {{llm_1.output}} # 注意：在实际配置中，{{llm_1.output}}需要通过变量选择器绑定，这里为示意。 # 解析JSON try: data = json.loads(analysis_result) cuisine = data.get('cuisine') budget_pp = data.get('budget_per_person') size = data.get('party_size') occasion = data.get('occasion') # 计算总预算 total_budget = budget_pp * size if budget_pp and size else None # 输出给后续节点 output = { “parsed_cuisine”: cuisine, “parsed_budget_pp”: budget_pp, “parsed_party_size”: size, “parsed_occasion”: occasion, “calculated_total_budget”: total_budget } except Exception as e: output = {“error”: str(e)} print(output) # print的内容会出现在工作流执行日志中

   • 此节点的输出是output字典。

3. 条件判断节点 - 检查预算是否合理：

   • 拖入“条件判断”节点。
   • 设置条件：{{code_1.output.calculated_total_budget}} > 1000。假设我们认为人均预算过高或人数过多导致总价超过1000元时需要提醒用户。
   • 配置两个分支：“是”和“否”。

4. LLM 节点（分支1）- 生成高预算提醒：

   • 在“是”分支后连接一个 LLM 节点。
   • 系统提示词：“用户的总预算较高，请生成一句友好的提醒，建议用户确认预算，或询问是否是有特殊庆祝场合。”
   • 用户消息：用户需求：{{user_request}}，计算出的总预算为：{{code_1.output.calculated_total_budget}}元。

5. LLM 节点（分支2及合并后）- 生成最终推荐摘要：

   • 在“否”分支后，以及“高预算提醒”节点后，共同连接到一个新的 LLM 节点（这需要用到“合并”流程，Coze工作流通常会自动处理并行分支的合并）。
   • 配置最终生成的 LLM 节点：
     • 系统提示词：

       你是一个专业的餐厅预订助手。请根据提供的分析结果，生成一份完整的预订信息摘要。 摘要需包含： 1. 【推荐餐厅类型】：基于菜系、场合和预算推荐。 2. 【推荐理由】：1-2点简要理由。 3. 【预估费用】：人均和总计。 4. 【注意事项】：如是否需要提前预订、停车建议等。 如果上游有预算提醒，请将提醒内容融入“注意事项”中。 格式要求清晰，使用项目符号。

     • 用户消息：将之前所有节点的关键输出作为上下文传入，例如：

       用户原始需求：{{user_request}} 需求分析结果：菜系-{{code_1.output.parsed_cuisine}}, 人数-{{code_1.output.parsed_party_size}}, 场合-{{code_1.output.parsed_occasion}} 预算分析：人均{{code_1.output.parsed_budget_pp}}元，总计{{code_1.output.calculated_total_budget}}元。 {{#if condition_1.output}}预算提醒：{{llm_2.output}}{{/if}}

6. 结束节点：

   • 将最终 LLM 节点的输出，连接到“结束”节点，作为整个工作流的返回结果。

3.3 调试与测试工作流

工作流编排完成后，务必使用“测试”功能。

1. 点击右上角“测试”。
2. 在测试面板输入参数：user_request: “周末家庭聚餐，6人，预算500元，想吃本帮菜”,city: “上海”,meal_time: “周六晚餐”。
3. 点击运行，观察每个节点的执行状态、输入和输出。利用这个功能可以精准定位逻辑错误或节点配置问题。

3.4 将工作流发布为技能并供智能体调用

1. 工作流测试无误后，点击“发布”。
2. 发布时，需要设定技能的名称、描述和输入参数。系统通常会根据“开始”节点自动生成。
3. 发布成功后，在“美食推荐小助手”智能体的“技能”页面，点击“添加技能”，现在可以在“我的技能”中找到“生成餐厅预订摘要”，添加它。
4. 修改智能体的提示词，在末尾增加调用规则：“当用户明确表达了预订意向或提供了详细的用餐需求（人数、预算、时间、菜系）时，请调用‘生成餐厅预订摘要’技能来为用户生成一份结构化建议。”

现在，你的智能体就具备了处理复杂预订请求的能力。当用户提出详细需求时，智能体会自动调用这个工作流，生成比简单对话更规范、更结构化的答复。

4. 集成知识库与外部 API：打造专业智能体

4.1 创建并关联知识库

假设你是某连锁餐厅的运营，需要让智能体回答关于门店、菜单和促销活动的问题。

1. 创建知识库：在“知识库”页面，点击“新建知识库”，命名为“XX餐厅内部知识库”。
2. 上传文档：上传包含门店地址、联系电话、招牌菜单、最新促销活动、常见问题（FAQ）的文档（如 Word 或 PDF）。也可以直接输入文本片段，例如：

   Q: 王府井店营业到几点？ A: 王府井店营业时间为周一至周日 10:00 - 22:00。 Q: 最新的会员优惠是什么？ A: 本月会员专享“满200减50”优惠券，可通过小程序领取。 [菜单] 招牌菜：经典红烧肉 - 88元；清蒸鲈鱼 - 128元。

3. 关联知识库：在“美食推荐小助手”智能体编辑页面，找到“知识库”区域，添加刚刚创建的“XX餐厅内部知识库”。
4. 配置检索策略：可以设置检索模式（如同时使用向量检索和关键词检索）、引用来源等。
5. 测试：现在询问智能体：“王府井店晚上九点还能用餐吗？” 智能体会优先从知识库中检索相关信息来回答，而不是依赖模型本身的知识，回答更准确、更可控。

4.2 通过 HTTP 节点调用外部 API

工作流中的“HTTP 请求”节点可以调用任何外部服务。例如，我们可以连接一个真实的餐厅预订系统 API。

1. 在工作流中添加 HTTP 请求节点：在之前的工作流中，可以在生成摘要后，添加一个 HTTP 节点来模拟提交预订。
2. 配置节点：
   • URL：填写你的预订 API 地址，例如https://api.your-restaurant.com/v1/reservation。
   • 方法：POST。
   • Headers：添加Content-Type: application/json和必要的认证头，如Authorization: Bearer {{api_token}}（api_token可作为工作流的加密参数传入）。
   • Body：选择raw，格式为 JSON，内容可以引用之前节点的输出：

     { “customer_query”: “{{user_request}}”, “recommended_type”: “{{llm_final.output.推荐餐厅类型}}”, “estimated_total”: {{code_1.output.calculated_total_budget}}, “meal_time”: “{{meal_time}}” }

3. 处理响应：HTTP 节点之后可以连接代码节点，用于解析 API 返回的 JSON，判断预订是否成功，并将结果整合到最终回复中。

通过这种方式，Coze 工作流成为了连接大模型能力与现有业务系统的桥梁。

5. 多智能体协作模式实战

我们实现一个主从协作的案例：一个“餐饮客服总机”智能体，根据用户问题类型，自动路由到“预订助手”或“投诉处理专员”智能体。

5.1 创建子智能体并获取 API

1. 创建“投诉处理专员”智能体：新建一个智能体，其提示词专注于安抚用户情绪、收集投诉细节（时间、门店、问题描述）并承诺跟进。为其设置开场白：“您好，这里是投诉处理专员，请问您遇到了什么问题？”
2. 发布并获取 API：在该智能体的“发布”页面，选择“作为 API 接入”。Coze 会生成一个唯一的 API 端点（URL）和密钥（Token）。记录下它们。

5.2 在主智能体中通过工作流调用子智能体

1. 修改“餐饮客服总机”智能体：其提示词核心是进行意图识别：“判断用户是想要咨询/预订，还是进行投诉。如果是投诉，请调用‘路由投诉’工作流。”
2. 创建“路由投诉”工作流：
   • 开始节点：输入参数user_complaint。
   • HTTP 请求节点：
     • URL：填写“投诉处理专员”智能体的 API 端点。
     • 方法：POST。
     • Headers:Authorization: Bearer <子智能体的API Token>，Content-Type: application/json。
     • Body:{“message”: “{{user_complaint}}”}。
   • 代码节点：解析 HTTP 响应，提取子智能体的回复内容。
   • 结束节点：返回解析后的内容。
3. 将工作流添加为主智能体的技能。
4. 测试：当用户向“餐饮客服总机”发送投诉内容时，主智能体会调用工作流，工作流通过 HTTP 请求将问题转发给“投诉处理专员”智能体，并将其回复带回给用户。这样就完成了一次智能体间的协作。

6. 常见问题排查与优化实践

在开发和使用 Coze 智能体过程中，你会遇到一些典型问题。

6.1 智能体表现不符合预期

• 现象：智能体不遵循指令，或忘记人设。
• 排查：
  1. 检查提示词：提示词是否清晰、具体？指令是否放在前面？是否用“###”等符号强调了关键规则？尝试将最重要的规则放在系统提示词的开头。
  2. 检查上下文长度：过长的对话历史可能导致模型遗忘早期指令。可以在提示词中强调“无论对话进行多久，你都必须始终记住：你是XX角色”。
  3. 检查技能触发条件：是自动触发还是手动触发？提示词中是否有引导模型使用技能的语句？
• 优化：采用“角色-目标-步骤-格式-示例”的结构编写提示词。为复杂任务提供少量示例（Few-shot Learning）。

6.2 工作流执行失败或报错

• 现象：工作流测试运行时，某个节点显示红色失败状态。
• 排查：
  1. 查看节点日志：点击失败节点，查看其输入/输出和错误信息。这是最直接的排错手段。
  2. 检查变量引用：确保节点间传递的变量名正确。例如{{llm_1.output}}和{{LLM_1.output}}可能因大小写不同而失败。
  3. 检查数据类型：HTTP 节点或代码节点可能期望特定数据类型（如 JSON 对象），但上游传递的是字符串。可能需要用代码节点进行格式转换。
  4. 检查网络与权限：对于 HTTP 节点，检查 URL 是否正确、网络是否通畅、API 密钥是否有权限。
• 优化：工作流编排应遵循“小步快跑，逐步测试”的原则。每添加一个复杂节点（如代码、HTTP），就测试一次，确保其输入输出符合预期。

6.3 知识库检索效果不佳

• 现象：智能体无法从知识库中找到正确答案，或找到无关内容。
• 排查：
  1. 检查文档质量：上传的文档是否清晰、结构良好？杂乱无章的文本会影响切片和检索效果。建议使用结构清晰的 Q&A 格式或列表。
  2. 调整检索模式：尝试同时开启“向量检索”和“关键词检索”，或调整检索返回的“最大片段数”。
  3. 检查问题表述：用户的问题是否与知识库中的表述方式差异过大？可以尝试在提示词中要求智能体“根据知识库内容，用自己的话总结回答”。
• 优化：对知识库文档进行预处理，将核心知识点提炼成简洁的问答对。对于关键信息，可以在智能体提示词中直接写明“关于XX政策，请严格依据知识库中《XX规定》文件第Y条作答”。

6.4 发布到第三方平台后无响应

• 现象：智能体在 Coze 预览中正常，但发布到飞书、微信等平台后不回复。
• 排查：
  1. 检查发布配置：是否在对应平台完成了 OAuth 授权、服务器地址配置等全部步骤？仔细阅读官方集成文档。
  2. 检查网络与防火墙：企业微信、飞书等可能对回调地址有网络限制。
  3. 查看平台日志：在 Coze 的“运营数据”或对应平台的开发者后台，查看消息接收和发送日志，确认消息链路是否通畅。

7. 生产环境最佳实践

当智能体从 demo 走向真实用户时，需要考虑更多工程化问题。

1. 提示词工程化：

   • 版本管理：将提示词保存在外部文档（如 Git）中，进行版本控制，记录每次修改的原因和效果。
   • 变量化：将可能变化的配置（如公司名称、产品列表）提取为变量，通过工作流或外部配置传入，避免硬编码在提示词中。
   • A/B 测试：对于关键对话节点，可以设计不同的提示词版本，通过分流测试比较效果。

2. 工作流设计原则：

   • 单一职责：一个工作流只做一件事。例如，“解析需求”、“调用预订API”、“发送确认通知”应拆分为三个独立的工作流，由主工作流或智能体调度。这提高了可复用性和可维护性。
   • 异常处理：在工作流中关键节点（尤其是 HTTP 请求、代码节点）后，添加条件判断，处理超时、网络错误、API 返回异常等情况，给出友好的失败回复，而不是让整个流程崩溃。
   • 日志与监控：充分利用工作流的测试和运行日志。对于生产环境，考虑将关键节点的输入输出（脱敏后）通过 HTTP 节点发送到自己的日志系统，便于监控和审计。

3. 知识库维护：

   • 定期更新：建立知识库文档的更新流程，确保信息时效性。
   • 质量审核：上传前对文档进行清洗和格式化，避免无关信息干扰检索。
   • 冷启动：新知识库上线初期，可以设计一批测试问题，验证检索和回答的准确性。

4. 安全与合规：

   • 输入过滤：在智能体提示词或工作流起始节点，加入对用户输入的简单检查，过滤明显恶意、攻击性或不合规的内容。
   • 输出审查：对于涉及法律、医疗、金融等领域的应用，必须建立人工或自动化的输出审查机制。
   • 数据隐私：避免在提示词、知识库或对话中泄露用户隐私数据或公司敏感信息。利用 Coze 的加密参数功能传递密钥等敏感数据。

5. 性能与成本：

   • 缓存策略：对于频繁查询且结果不变的知识库内容，或耗时的 API 调用结果，可以在工作流中引入简单的缓存逻辑（如使用变量暂存），在一定时间内直接返回缓存结果。
   • 模型选型：根据任务复杂度选择合适的模型。简单的分类、提取任务可以使用更小、更快的模型；复杂的创作、推理任务再使用能力更强但更贵的模型。可以在工作流的不同 LLM 节点配置不同模型。

从创建一个简单的对话机器人，到构建一个集成知识、调用外部服务、实现多角色协作的复杂 AI 应用，Coze 通过其智能体和工作流的抽象，提供了清晰的路径。成功的关键在于清晰地划分职责：让智能体专注于理解和调度，让工作流专注于确定性的逻辑执行，让知识库专注于提供精准的信息。在实践过程中，持续迭代提示词、细致调试工作流、精心维护知识库，是提升应用效果的不二法门。下一步，你可以尝试将智能体发布到更多的社交或办公平台，观察真实用户的交互数据，并以此为基础进行持续的优化和迭代。

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度