1. 为什么你需要“工作流”来驾驭AI智能体？

如果你用过ChatGPT或者DeepSeek这类大模型，肯定有过这样的体验：你问它一个问题，它给你一个答案。这个“一问一答”的模式，对于简单任务来说很方便，但一旦遇到稍微复杂点的活儿，就有点力不从心了。比如，你想让它帮你写一份行业调研报告，它可能会给你一篇结构松散、数据过时的内容；或者你想让它根据一个产品链接，自动生成一份包含产品图、卖点分析和竞品对比的营销文案，它可能直接告诉你“我做不到”。

这就是大模型目前的一个核心局限：它很聪明，但不够“系统化”。它像一个才华横溢但缺乏条理的员工，你需要给它一个清晰的、分步骤的“工作说明书”，它才能稳定地产出高质量的结果。而这个“工作说明书”，在扣子（Coze）平台上，就是工作流。

我刚开始接触扣子时，也以为它就是个高级版的聊天机器人搭建工具。但当我真正上手，把一个需要我手动操作七八步的短视频脚本生成任务，变成一个“输入主题，自动输出成片草稿”的自动化流程后，我才意识到工作流的威力。它不再是让AI“回答一个问题”，而是让AI“执行一个项目”。

简单来说，工作流就是把一个复杂的任务，拆解成多个简单、可自动执行的步骤，然后用“流水线”的方式把它们串联起来。每个步骤可以由不同能力的“专家”（大模型节点、代码节点、插件工具）来负责，数据像流水线上的零件一样，从一个步骤传递到下一个步骤，最终组装成成品。

举个例子，一个“小红书爆款图文生成”的工作流，可能包含以下步骤：

1. 开始节点：接收用户输入的关键词，比如“夏日防晒霜”。
2. 大模型节点A（选题策划）：根据关键词，生成5个有爆款潜力的笔记标题和核心角度。
3. 大模型节点B（文案撰写）：选取第一个标题，按照小红书爆款文案的结构（痛点引入-产品种草-使用场景-行动号召），生成具体文案。
4. 图像生成插件节点：根据文案内容，调用文生图模型，生成一张匹配的封面图。
5. 代码节点：将文案和图片链接，格式化成小红书平台喜欢的排版样式（如添加合适的Emoji、话题标签）。
6. 结束节点：输出最终的、可以直接复制粘贴发布的图文内容。

你看，这个过程如果手动操作，你需要在不同工具间切换，反复给AI下指令。而通过工作流，你只需要输入“夏日防晒霜”这一个指令，后面所有环节自动衔接、一气呵成。这，就是自动化流程的魅力。

2. 扣子工作流的核心：节点与连接

理解了工作流“是什么”和“为什么”，我们来看看它的“心脏”和“血管”——节点与连接。这是你从零开始搭建任何自动化流程的基础。

2.1 认识工作流的四大基础节点

你可以把节点想象成乐高积木。每个积木（节点）都有特定的形状和功能（输入/输出接口），你可以把它们按一定顺序拼接起来，搭建出任何你想要的“建筑”。扣子工作流提供了几种核心的节点类型：

1. 开始节点：这是整个工作流的“触发器”和“入口”。它定义了工作流启动时需要哪些输入参数。默认会有一个 input 参数，代表用户说的话或输入的指令。你可以在这里添加更多自定义输入，比如“文章主题”、“目标字数”、“风格要求”等，让工作流的启动条件更清晰。
2. 大语言模型（LLM）节点：这是工作流的“大脑”。你可以在这里配置使用哪个大模型（如扣子内置的模型或你接入的第三方模型），并给它编写详细的提示词（Prompt）。它的输入是上游节点传来的数据，输出是根据提示词生成的内容。一个复杂的工作流里，你可能会用到多个LLM节点，让它们各司其职，比如一个负责创意发散，一个负责结构化写作，一个负责润色校对。
3. 插件节点：这是工作流的“手和脚”。大模型擅长思考和生成内容，但不擅长执行具体动作。插件节点就是用来调用外部工具和服务的。扣子平台集成了海量插件，比如：
   • 搜索插件：实时获取最新网络信息。
   • 图像生成插件：根据描述生成图片。
   • 代码执行插件：运行Python等代码进行数据处理。
   • 第三方应用插件：连接飞书、微信、剪映等，实现消息发送、文件生成等操作。
4. 结束节点：这是工作流的“终点站”。它负责将前面所有节点处理后的最终结果，整理成你想要的格式输出。你可以选择返回一个变量（比如一个包含标题、正文、图片URL的JSON对象），也可以直接返回一段格式化好的文本。

2.2 像接线一样连接节点：变量的传递

节点本身是孤立的，让它们产生价值的，是连接线和变量。数据流通过连接线，从一个节点的“输出端口”，流向下一个节点的“输入端口”。

这里的关键在于变量引用。在扣子的工作流编辑界面，当你点击一个节点的输入框时，通常会看到一个变量列表，里面列出了所有上游节点输出的变量。你可以直接选择这些变量，它们会以 ${变量名} 的形式插入。

实战示例：串联两个LLM节点 假设我们想写一首关于“春天”的诗，但要求先分析意境，再创作。

• 节点1（LLM-意境分析）：
  • 提示词：“请分析‘春天’这个主题常见的文学意境和关键词，用列表形式输出。”
  • 输出变量：我们将其命名为 spring_analysis。
• 节点2（LLM-诗歌创作）：
  • 提示词：“请根据以下关于春天的意境分析，创作一首七言绝句。意境分析：${spring_analysis}”
  • 在这里，我们在提示词中直接引用了节点1的输出变量 spring_analysis。

这样，当工作流运行时，节点1的分析结果会自动填入节点2的提示词中，节点2的创作就有了依据。这种通过变量传递上下文的能力，是构建复杂、连贯流程的基石。它确保了流程中每一步都“知道”上一步做了什么，从而让整个任务逻辑连贯，而不是几个孤立动作的堆砌。

3. 从想法到现实：手把手搭建你的第一个自动化流程

理论讲得再多，不如动手做一遍。接下来，我将带你完整地搭建一个实用的小流程：“每日资讯早报生成器”。这个工作流的目标是：每天自动抓取指定领域的新闻，总结成一份简洁的早报，并生成配图。

3.1 第一步：明确流程与拆解任务

在动手拖拽节点之前，先用纸笔或思维导图梳理清楚逻辑。我们的流程可以拆解为：

1. 触发：手动输入一个领域关键词（如“人工智能”）。
2. 信息获取：调用搜索插件，获取该领域最新的几条新闻。
3. 信息加工：让大模型对抓取的新闻进行总结、去重、提炼核心要点。
4. 内容生成：将提炼的要点，组织成一份格式优美的早报文案（包含标题、摘要、要点列表）。
5. 视觉化：根据早报文案的核心主题，生成一张匹配的封面图。
6. 输出：将文案和图片链接一起输出。

3.2 第二步：在扣子平台创建工作流

1. 登录扣子平台，进入你的工作空间。
2. 点击“创建” -> “工作流”。给工作流起个名字，比如“AI资讯早报生成器”。
3. 进入可视化编辑界面，你会看到画布上已经有一个“开始”节点和一个“结束”节点。

3.3 第三步：配置节点与编写提示词

现在，我们开始“搭积木”。

1. 配置“开始节点”：

• 双击开始节点，除了默认的 input，我们添加一个字符串类型的输入参数，命名为 topic，描述为“资讯领域，如：人工智能、金融科技”。这样，启动工作流时就需要指定主题。

2. 添加“搜索插件”节点：

• 从左侧节点库找到“搜索”插件（或类似的新闻搜索插件），拖到画布上。
• 将开始节点的输出线连接到搜索节点的输入。
• 配置搜索节点：在查询条件中，引用开始节点的 topic 变量，即查询语句设置为 ${topic} 最新动态。可以设置搜索结果的条数，比如5条。

3. 添加第一个“LLM节点”（信息提炼）：

• 拖入一个LLM节点，连接在搜索节点之后。
• 编写核心提示词（这是关键！）：

  你是一个专业的资讯编辑。请对以下关于【${topic}】的新闻摘要进行整理：
  1. 去除重复和低质量的信息。
  2. 提炼每条新闻最核心的要点，每条用一句话概括。
  3. 将提炼后的要点，以编号列表的形式输出。
  
  新闻摘要：
  ${搜索节点的输出变量}
  

  • 注意：${搜索节点的输出变量} 需要你在编辑时，从变量列表中实际选择搜索插件输出的那个变量名。

4. 添加第二个“LLM节点”（早报生成）：

• 再拖入一个LLM节点，连接在上一个LLM节点之后。
• 编写提示词：

  你是一个早报播音员，风格亲切、专业、有活力。请根据以下提炼的新闻要点，生成一份今日早报。
  要求：
  1. 起一个吸引人的标题，例如“【${topic}晨报】今日必读三件事”。
  2. 写一段简短的引言（100字内）。
  3. 将新闻要点以“🔍 要点一：...”的格式清晰列出。
  4. 最后加一句简短的总结与展望。
  5. 整体语言简洁明快，适合早晨阅读。
  
  新闻要点：
  ${上一个LLM节点的输出变量}
  

  • 同样，这里需要引用上一个节点的输出。

5. 添加“图像生成”插件节点：

• 拖入一个文生图插件（如DALL-E、通义万相等）。
• 它的输入提示词可以这样写：“一份关于${topic}的科技早报封面，风格现代、简洁、有设计感，适合放在社交媒体上。”

6. 配置“结束节点”：

• 双击结束节点，选择“返回变量”。
• 在这里，你可以定义最终输出的结构。例如，新建一个“对象”类型的变量，里面包含两个字段：report_text（引用第二个LLM节点的输出）和 cover_image_url（引用图像生成节点的输出链接）。这样，工作流最终会输出一个包含文案和封面的完整数据包。

3.4 第四步：调试与运行

点击画布上方的“运行”按钮。在右侧调试面板，输入 topic 的测试值，比如“新能源汽车”。点击运行，你就可以一步步看到数据如何流经每个节点，每个节点的输入输出是什么。如果某个节点报错或输出不理想，你可以单独检查该节点的配置和提示词，进行迭代优化。这个过程可能要多试几次，调整提示词的措辞，直到早报的格式和内容都让你满意为止。

4. 进阶实战：构建多分支与循环的复杂工作流

当你掌握了线性流程后，就可以挑战更复杂的逻辑了，比如根据条件走不同的分支，或者循环处理一批任务。这能让你的智能体真正应对现实世界的复杂场景。

4.1 使用“条件判断”节点实现分支逻辑

假设我们要升级“早报生成器”，让它能判断资讯的情感倾向：如果是重大突破性新闻，就生成一份“喜报”；如果是行业危机或问题新闻，就生成一份“风险提示简报”。

1. 在“信息提炼”LLM节点后，插入一个“条件判断”节点（扣子工作流中可能叫“判断”或“条件”节点）。
2. 配置判断条件。我们可以让第一个LLM节点在输出新闻要点的同时，也输出一个 sentiment（情感）变量，比如“positive”（积极）或“negative”（消极）。
3. 在条件判断节点中，设置规则：如果 ${sentiment} == 'positive'，则走A分支（连接喜报生成LLM节点）；如果 ${sentiment} == 'negative'，则走B分支（连接风险简报生成LLM节点）。
4. A分支和B分支的结束节点可以合并，也可以分别输出不同格式的结果。

这样，一个工作流就能根据输入内容自动选择不同的处理路径，实现了简单的“决策”能力。

4.2 利用“循环”处理列表数据

循环是自动化的精髓。比如，你有一个包含10个产品名的列表，需要为每个产品生成一份介绍文案。

1. 你的开始节点输入可以是一个“产品列表”数组，例如 ["产品A", "产品B", "产品C"]。
2. 在工作流中，找到“循环”或“遍历”节点（可能集成在代码节点或特定插件中）。将开始节点的产品列表输出，连接到循环节点的“列表”输入。
3. 在循环体内部，你可以搭建一个子流程，这个子流程的输入是“当前循环项”（即单个产品名）。这个子流程可以包含LLM节点生成文案，图像节点生成配图等。
4. 循环节点会为列表中的每个元素自动执行一遍内部的子流程，并将每次的结果收集起来。
5. 最后，在结束节点，你可以收到一个“文案列表”或“结果数组”，里面包含了所有产品的处理结果。

我踩过的一个坑：早期尝试循环处理大量数据时，没有注意设置延迟或处理速率限制，导致频繁调用外部API被限流。后来我在循环节点里加了一个“等待”节点，让每次循环间隔1-2秒，问题就解决了。所以，构建复杂工作流时，一定要考虑外部服务的承受能力。

4.3 子工作流：模块化与复用

当你构建的工作流越来越庞大时，画布会变得非常混乱。这时，子工作流功能就是你的救星。你可以把一些通用的、功能独立的流程模块（比如“生成小红书文案”、“生成配图”）封装成一个独立的子工作流。

在主工作流中，你只需要像调用一个函数一样，使用“子工作流”节点，传入参数，就能得到结果。这样做的好处非常明显：

• 清晰：主工作流逻辑变得简洁，一目了然。
• 复用：封装好的“文案生成”子工作流，可以被“早报生成”、“产品介绍生成”、“周报生成”等多个主工作流调用。
• 协作：团队成员可以分工开发不同的子工作流，最后像拼图一样组合起来。

5. 连接外部世界：插件、API与知识库

工作流在扣子内部玩得转，只是第一步。真正的威力在于让它能操作外部系统，成为你数字世界的自动化中枢。

5.1 用插件扩展能力边界

扣子的插件市场就像是一个“技能商店”。前面我们用到了搜索和生图插件，这仅仅是冰山一角。

• 办公协作：接入飞书、钉钉、企业微信插件，工作流生成的报告可以直接发送到群聊或指定人。
• 内容发布：接入微信公众号、小红书、抖音等平台插件，实现内容一键多平台发布（需注意平台规则）。
• 数据处理：接入数据库插件，让工作流能查询、更新你业务数据库里的信息。
• 创意工具：接入剪映、Canva等插件，让AI生成的脚本直接变成视频草稿或设计图。

我的实战经验：我曾为一个电商团队搭建了一个“促销活动监控”工作流。它每天定时运行，通过搜索插件抓取竞品促销信息，用LLM节点分析折扣力度和话术，然后通过企业微信插件，将分析报告和行动建议推送到运营群。这相当于雇了一个不知疲倦的市场分析员。

5.2 通过HTTP请求节点调用自定义API

如果插件市场没有你需要的功能怎么办？扣子提供了HTTP请求节点这个终极武器。你可以用它调用任何对外开放的API接口。

1. 在节点库中找到“HTTP请求”或“Webhook”节点。
2. 配置请求方法（GET/POST）、URL、Headers和Body。
3. 你可以将工作流中其他节点产生的数据（如生成的文案），通过变量引用，动态填充到API请求的参数中。
4. 节点会收到API返回的数据（通常是JSON格式），你可以再将其解析，传递给后续节点。

这意味着，你可以将工作流与你公司内部的CRM、ERP系统，或者任何你自建的服务连接起来，构建真正属于你的、端到端的自动化业务系统。

5.3 绑定知识库，让AI回答更精准可靠

对于客服、咨询、知识问答类智能体，让AI“信口开河”是灾难。知识库就是给AI戴上“紧箍咒”，让它严格基于你提供的资料来回答。

1. 在扣子平台创建知识库，上传你的产品手册、FAQ文档、公司制度等文件（支持PDF、Word、Excel、TXT等）。
2. 在工作流的LLM节点配置中，开启“引用知识库”选项，并选择你创建的知识库。
3. 当工作流运行时，LLM在生成回答前，会先根据用户问题，去知识库中检索最相关的文档片段，并将这些片段作为上下文背景，一起生成最终答案。

这极大地提升了回答的准确性和专业性，也避免了AI胡编乱造。我搭建过一个内部技术问答机器人，将所有的项目文档和API说明录入知识库后，新员工问问题，机器人的回答比老员工还准确、全面，因为它永远不会记错版本号。

走到这一步，你已经不再只是一个AI工具的使用者，而是一个自动化系统的设计师。你设计的每一个工作流，都是一个数字化的流水线，一个不知疲倦的数字员工。从处理重复的信息整理，到连接内外部系统的复杂业务，扣子工作流提供的那一套可视化、模块化的工具，真正降低了构建智能体应用的门槛。剩下的，就取决于你对业务的理解、对流程的拆解，以及那么一点点敢于尝试和不断调试的耐心。我至今还记得第一个真正跑通并帮团队节省了大量时间的自动化流程上线时的成就感，那感觉就像教会了电脑如何思考和工作。