开源版 Coze： 创建工作流（Workflow）
一、什么是 Coze 工作流（Workflow）？
在开源版 Coze 中，工作流（Workflow） 是一个可视化编排引擎，允许你将多个 AI 步骤、条件判断、外部工具调用组合成自动化流程。
✅ 支持的节点类型（截至 v1.2.0）
| 节点 | 功能 | 是否可用 |
|---|---|---|
| Start | 流程入口，定义输入参数 | ✅ |
| LLM | 调用大模型生成文本 | ✅ |
| Plugin | 调用自定义 HTTP 插件 | ✅ |
| HTTP Request | 直接发起 HTTP 请求（无需预注册插件） | ✅ |
| Condition | 条件分支（if/else） | ✅ |
| User Input | 暂停流程，等待用户输入 | ✅ |
| End | 流程出口，返回结果 | ✅ |
❌ 不支持：循环（Loop）、定时触发、数据库读写、文件上传等高级节点。
二、工作流 vs 普通 Bot 的区别
| 特性 | 普通 Bot | 工作流 |
|---|---|---|
| 交互方式 | 单轮/多轮对话 | 固定流程，可暂停等待 |
| 控制逻辑 | 仅靠提示词 | 可视化条件分支 |
| 外部集成 | 仅插件 | 插件 + 原生 HTTP 请求 |
| 复用性 | 绑定单个 Bot | 可被多个 Bot 调用 |
| 适用场景 | 简单问答 | 多步骤自动化任务 |
💡 典型用例：内容生成 → 审核 → 发布用户提交需求 → 调用 API → 生成报告故障诊断：收集信息 → 分析 → 给出建议
三、创建第一个工作流：天气+穿搭建议
我们将创建一个简单工作流：
输入城市 → 获取天气 → 生成穿搭建议
步骤 1：准备外部服务（模拟天气 API）
创建 weather_mock.py：
from flask import Flask, jsonify, request app = Flask(__name__)@app.route('/api/weather')defget_weather(): city = request.args.get('city','北京')# 模拟返回return jsonify({"city": city,"temperature":5,"condition":"多云","suggestion":"建议穿厚外套"})if __name__ =='__main__': app.run(host='0.0.0.0', port=5001)启动服务：
python weather_mock.py 🌐 确保 Coze 容器可访问该服务（如 http://host.docker.internal:5001/api/weather）步骤 2：进入工作流编辑器
- 登录 Coze Web 界面（
http://localhost:8888） - 左侧菜单 → “工作流”
- 点击 “+ 新建工作流”
- 名称：
天气穿搭助手 - 点击 “确定”
步骤 3：编排节点
节点 1：Start（开始）
- 输入参数：
{"city": "string"}
（用户需提供城市名）
节点 2：HTTP Request（获取天气）
- 方法：GET
- URL：
http://host.docker.internal:5001/api/weather?city={{start.city}}
变量名：weather_data
✅ 支持使用 {{start.city}} 引用上游输出节点 3：LLM（生成穿搭建议）
- 模型：选择已配置的模型（如
qwen） - 输出变量名：
outfit_advice
提示词：
你是一个时尚顾问。根据以下天气信息，给出详细的今日穿搭建议： 城市：{{weather_data.city}} 温度：{{weather_data.temperature}}°C 天气：{{weather_data.condition}} 要求：语言亲切，包含上衣、下装、鞋帽建议，不超过150字。 节点 4：End（结束）
返回内容：
{"city":"{{weather_data.city}}","advice":"{{outfit_advice}}"}🔗 连接方式：拖拽节点间的连线，按顺序连接 Start → HTTP → LLM → End
步骤 4：保存并测试
- 点击右上角 “保存”
- 点击 “测试” 按钮
- 点击 “运行”
在弹窗中输入：
{"city":"上海"}预期输出：
{"city":"上海","advice":"今天上海5°C，多云，建议穿保暖内衣+毛衣+厚外套，搭配牛仔裤和运动鞋，记得戴围巾哦！"}四、在智能体（Bot）中调用工作流
- 进入 “Bot 列表”，新建或编辑一个 Bot
- 在 “工作流” 标签页，点击 “添加工作流”
- 选择
天气穿搭助手 - 在 “人设与回复逻辑” 中写：
当用户询问天气或穿搭时，请调用“天气穿搭助手”工作流。 先询问用户所在城市，然后执行工作流，并将结果自然地呈现给用户。 - 发布 Bot
💬 用户交互示例：
用户：“今天穿什么？”
Bot：“请问您在哪个城市？”
用户：“广州”
Bot（自动调用工作流）→ 返回穿搭建议
五、高级技巧：使用 User Input 实现人工审核
假设你想在发布前让用户确认内容：
- 在工作流末尾添加 User Input 节点
- 提示语：
"请审核以下内容，回复【通过】或【修改：...】" - 输入变量名：
user_feedback
- 提示语：
- 添加 Condition 节点
- 条件表达式：
"通过" in user_feedback - True 分支 → End（发布）
- False 分支 → LLM（根据反馈修改内容）→ 再次 User Input（形成循环）
- 条件表达式：
⚠️ 注意：Coze 不支持无限循环，但可通过多次“User Input + Condition”模拟有限次修改。
六、关键限制与注意事项
- 无定时触发
工作流必须由用户消息或 Bot 主动调用，不能自动每日执行。 - 变量作用域
所有变量通过{{node_name.output_field}}引用，大小写敏感。 - HTTP 超时
默认超时 10 秒，长任务需优化外部服务。 - 错误处理弱
若 HTTP 返回非 2xx，工作流会中断并报错，无法捕获异常。 - 调试困难
无中间变量日志查看功能，建议在 LLM 节点中打印关键数据用于调试。
七、最佳实践建议
- 模块化设计：将通用逻辑（如“获取热点”）封装为独立工作流，供多个 Bot 复用
- 输入校验：在 Start 节点后加 LLM 节点清洗用户输入
- 安全隔离：外部服务不要暴露敏感接口，Coze 插件无认证机制
- 性能优化：避免在工作流中串行调用多个慢速 API
八、总结
开源版 Coze 的工作流功能虽处于早期阶段，但已能支撑中等复杂度的自动化任务。其优势在于：
- 低代码可视化编排
- 无缝集成 LLM 与外部系统
- 支持人工干预节点
适用于：
- 内容生成与审核流程
- 运维巡检报告生成
- 客户需求自动分析
🔜 未来期待：循环节点、定时触发、数据库连接、更强大的错误处理。
附：官方资源
- 工作流文档：https://docs.coze.cn/opensource/workflow
- GitHub 源码（workflow 引擎）：https://github.com/coze-dev/coze-studio/tree/main/backend/workflow
- 节点类型说明：见 Coze Web 界面工作流编辑器右侧面板
