前言
2025 年是 AI 人工智能大规模使用的一年。AI 大模型能力在不断挖掘的同时，如何基于大模型做更进一步的升级呢？于是 AI 智能体就应运而生。AI 智能体是结合了众多软件技术的合集，充分发掘大模型的能力，并且拓展大模型的能力，让更多使用者即使不懂大模型，也能低成本的快速掌握 AI 的使用。在众多的智能体平台中，像 Coze、Dify、FastGPT 等，都在构筑自己的智能体平台，为普通的非互联网人员也能快速打造属于自己的智能体应用。接下来以 Coze 平台为例，基于 Coze 制作一个自媒体领域和视频创作中非常常见的场景，抓取小红书热门视频并提取信息写入飞书多维表的智能体工作流。
Coze 介绍
Coze 是什么
Coze 是新一代 AI 应用发布平台，不管你是否有编程经验，都可以在 Coze 这个平台上面快速搭建基于大模型的各类 AI 应用，并将 AI 应用发布到各个社交平台、通讯软件等，也可以通过 API 或者 SDK 将 AI 应用集成到你的业务系统中。
Coze 可以做什么
借助 Coze 平台可视化设计与编排工具，使用者可通过零代码、少代码方式，快速搭建基于大模型的各类 AI 项目、智能体应用，满足个性化需求，实现商业价值。
- 智能体：
- 智能体是基于对话的 AI 项目，它通过对话的方式接收用户输入，由大模型自动调用插件或工作流等方式执行用户指定的业务流程，并生成最终的回复。像智能客服、个人助理、心理咨询师、英语翻译助手等都是智能体的典型应用场景。
- 应用：
- 是指利用大模型技术开发的应用程序，在 Coze 中搭建的 AI 具备完整的业务逻辑和可视化用户界面，属于独立的 AI 项目。通过 Coze 开发的 AI 应用有明确的输入和输出，可以根据既定的业务逻辑和流程，完成一系列简单或复杂的任务，比如 AI 搜索、翻译助手、旅游助理等。
Coze 相比其他智能体平台优势
与市面上其他的 AI 智能体平台对比，Coze 在以下几个方面表现尤为突出：
- 强大的生态整合与发布渠道：Coze 与字节跳动旗下的产品（如抖音、飞书）有深度集成，你构建的 AI 智能体可以非常方便地一键发布到这些主流平台，极大地简化了部署和推广流程。
- 极致的用户体验与快速验证：Coze 采用零代码和可视化拖拽的方式构建工作流，对非技术背景的用户（如产品经理、运营人员）非常友好。配合其海量的预制模板，你可以在极短的时间内（可能只需几分钟到几小时）搭建出功能完整的 AI 应用并验证想法的可行性。
- 面向场景的 AI 办公能力：Coze 在不断拓展其开箱即用的 AI 能力，例如直接生成和编辑 PPT、处理 Excel 数据、进行多模态创作等。这意味着它不仅能做聊天机器人，还能直接成为提升个人和团队生产力的办公工具。
Coze 工作流介绍
Coze 工作流是一个通过可视化节点串联的方式，将大型语言模型、插件、代码等多种不同的模块组合成可重复调用的自动化流程的工具。即使您没有编程基础，也能用它来构建和部署复杂的 AI 应用。可以说如果没有工作流，一些复杂的智能体应用将无法做出来。下面这个表汇聚了 Coze 工作流的核心价值。
核心作用 | 关键特点 |
提升效率：自动化处理多步骤任务（如报告生成、数据采集） | 零代码可视化：通过拖拽节点搭建流程，无需编程基础 |
保证准确性：通过节点约束输出格式，避免大模型自由发挥导致的错误 | 灵活编排：支持条件分支、循环、并行处理等复杂逻辑 |
标准化流程：固化业务逻辑，确保不同执行者输出结果一致 | 动态调试：实时试运行并查看节点输出，快速定位问题 |
工具集成：无缝整合插件、API、数据库等外部资源，扩展大模型能力边界 | 跨平台发布：一键部署至飞书、豆包等平台，作为智能体功能模块调用 |
Coze 工作流典型使用场景
Coze 工作流的应用范围非常广泛，也是 Coze 平台的一大特色，下面列举了一些典型的场景：
- 📝 内容创作与运营
- 批量内容生成：自动生成小红书爆款文案、新闻摘要、视频脚本等。
- 多媒体内容制作：串联'文本生成→图生图→加字幕背景音乐'等节点，自动将古诗词生成短视频成片。
- 🛠️ 办公自动化与数据处理
- 智能客服与工单处理：自动分类用户咨询、回复常见问题，甚至能识别用户投诉情绪并触发优先处理流程。
- 数据同步与报表生成：自动从小红书等平台采集数据，并同步到飞书多维表格，定时生成和发送报表。
- 专业文档审查：例如法务合同审查工作流，可以自动读取合同文件，进行常规审查、法律引用条例审查，甚至查询甲方公司的经营风险。
- 🎓 教育与培训
- 自动出题组卷：根据用户输入的知识点、上传的文档或错题图片，自动生成包含选择、填空、简答等多种题型的试卷。
Coze 制作小红书视频抓取智能体介绍
基于 Coze 制作小红书视频抓取并写入飞书多维表的智能体，其核心优势、适用场景和优缺点如下。
核心优势
- 一站式低代码集成：Coze 的插件市场和可视化工作流，能让你无需编写复杂代码即可串联数据采集、处理与写入全流程。
- 流程自动化：工作流可设置为定时（如每天早 8 点）或由事件（如收到关键词）触发，实现无人值守的全自动运行。
- 高度可扩展：轻松扩展能力，如在数据入库后，增加一个调用'飞书机器人'的节点，自动在工作群发送通知。
最佳使用场景
此方案尤其适合以下三类需求：
- 竞品与市场分析：市场运营团队每日自动追踪同行或特定品类的新热视频及核心数据（点赞、评论趋势）。
- 内容创作与运营：内容团队自动收集爆款选题和热门素材，存入飞书表格作为团队的灵感库。
- 内部数据简报：为管理者自动生成并发送包含核心指标（如当日 Top 10 视频）的飞书简报。
优点与缺点
- 开发与部署
- 优点：上手快速：可视化编排，开发周期短。
- 缺点：深度定制受限：复杂逻辑（如高级反爬）需用代码实现，平台灵活性有边界。
- 运行与维护
- 优点：稳定省心：作为平台服务，基础运维由 Coze 负责。
- 缺点：依赖性强：流程稳定性依赖于 Coze、飞书及数据源接口三方，任一波动都会影响。
- 成本与合规
- 优点：成本效益高：初期主要为人力成本，无服务器等基础设施开销。
- 缺点：平台合规风险：小红书等平台的反爬机制严格，大规模或高频抓取易触发封禁，需谨慎控制频率与数据范围。
工作流完整配置过程
前置准备
创建一个飞书多维表
提前创建一个飞书多维表，定义你需要的字段，多维表中的字段与后面你从笔记中抓取的字段保持一致。
获取 cookie
登录小红书网页版，通过 F12，获取 cookie 值，后面通过工作流获取指定账号的笔记信息时候会用上。
创建工作流
点击创建一个新的工作流。
点击确认后，跳转到下面的工作流配置页面。
配置工作流
增加开始节点参数
我们这里的需求是，根据用户输入的对标账户的主页 URL，最后将主页的视频相关信息保存到飞书多维表中。
增加小红书插件
增加一个小红书插件节点，用于从对应的账号中采集笔记内容的信息，选择下面的第二个。
配置上两个核心的参数，参数即从开始节点中我们设置的那个地方取。
然后找一个博主的主页链接贴进去，通过 F12，找到登录小红书后的 COOKIE，并试运行，看到下面的效果，说明能够成功获取到小红书博主主页的笔记信息了。
我们需要做的就是把返回结果中的核心参数提取出来。
增加一个代码节点
接下来增加一个代码节点，将上一步获取到的返回结果中的几个参数提取出来，代码节点的如此选择返回值中的 notes 节点。
打开代码编辑器，输入下面的代码：
# 在这里，您可以通过 'args' 获取节点中的输入变量，并通过 'ret' 输出结果
# 'args' 已经被正确地注入到环境中
# 下面是一个示例，首先获取节点的全部输入参数 params，其次获取其中参数名为'input'的值：
# params = args.params;
# input = params['input'];
# 下面是一个示例，输出一个包含多种数据类型的 'ret' 对象：
# ret: Output = { "name": '小明', "hobbies": ["看书", "旅游"] };
async def main(args: Args) -> Output:
params = args.params
input_array = params.get('input', [])
extracted_urls = []
if isinstance(input_array, list):
for item in input_array:
note_url_value = item['node_url']
extracted_urls.append(note_url_value)
# 构建输出对象
ret = { "output": extracted_urls }
return ret
增加批处理节点
上一步得到了小红书的笔记链接后，接下来需要遍历获取到的所有链接内容，将每个笔记中的信息提取出来，比如标题、笔记内容等，最后写入到飞书多维表中去。如下，增加一个批处理节点。
外侧批处理节点的输入参数为代码节点的输出数组。
增加一个获取笔记详情节点
循环体内部，增加一个根据笔记 URL 获取笔记详情的节点，如下，仍然是上面那个小红书的插件。
循环体中的入参信息选择如下。
外层循环配置的输出，选择下面的这个 note 节点参数即可。
增加一个代码节点
上一步拿到了解析每个笔记的所有信息，即一个对象数组，后面我们需要将获取到的数据写入到飞书多维表中，因此需要通过代码节点处理一下得到的数据，组装成飞书多维表识别的格式，如下：
打开 IDE，将下面的代码粘贴进去：
# 在这里，您可以通过 'args' 获取节点中的输入变量，并通过 'ret' 输出结果
# 'args' 已经被正确地注入到环境中
# 下面是一个示例，首先获取节点的全部输入参数 params，其次获取其中参数名为'input'的值：
# params = args.params;
# input = params['input'];
# 下面是一个示例，输出一个包含多种数据类型的 'ret' 对象：
# ret: Output = { "name": '小明', "hobbies": ["看书", "旅游"] };
async def main(args: Args) -> Output:
params = args.params
input_array = params.get('input', [])
like_count_threshold = params.get('Like_count')
processed_records = []
if not isinstance(like_count_threshold, (int, float)):
ret = { "output": [] }
return ret
like_count_threshold = int(like_count_threshold)
for item in input_array:
if not isinstance(item, dict):
continue
note_liked_count = item.get('note_liked_count')
current_likes = 0
if isinstance(note_liked_count, (int, float)):
current_likes = int(note_liked_count)
elif isinstance(note_liked_count, str):
try:
current_likes = int(note_liked_count)
except ValueError:
continue
else:
continue
if current_likes >= like_count_threshold:
fields_data = {
"正文": item.get("note_desc", ""),
"发布时间": item.get("note_create_time"),
"点赞数": str(current_likes),
"笔记标签": item.get("note_tags", {}),
"笔记链接": item.get("note_url", ""),
"分享数": str(item.get("share_count", 0)),
"收藏数": str(item.get("collected_count", 0)),
"评论数": str(item.get("comment_count", 0)),
"标题": item.get("note_display_title", "")
}
record = {"fields": fields_data}
processed_records.append(record)
ret = { "output": processed_records }
return ret
增加一个飞书节点
上一步准备好了待插入飞书多维表格式的数据后，接下来增加一个飞书添加记录节点，注意需要提前准备好一个飞书多维表，这个在之前的文章中有多多次说明，这里就不再赘述了。注意飞书多维表中的每个字段需要与上一个代码节点中输出的参数一致，选择下面这个。
配置飞书增加记录节点信息如下。
最后连接一下结束节点。
