一、问题背景：为什么你需要扣子工作流？

搞AI应用的开发者，大概率都经历过这种场景——

你让大模型"帮我写篇文章"，它一会儿输出格式不对，一会儿漏掉关键信息，偶尔还给你来段废话。纯靠Prompt和AI聊天，结果不可控，稳定性差。

传统解决方案？写代码调API。问题是：你得搭环境、写逻辑、处理异常，一个简单的文本处理流程写下来动辄几百行代码。

扣子工作流（Coze Workflow） 把这件事变了：拖拽节点、连线、配置参数，不需要写代码就能搭出稳定的自动化流程。

本文会带你从零搭建一个"AI内容生成"工作流，只用5个核心节点，跑通从输入到输出的完整链路。

二、核心原理：工作流到底在干什么？

把工作流想象成一条流水线，每个节点就是流水线上的一个工位：

表格

节点类型	类比	干什么
开始节点	接单台	接收你的输入数据
大模型节点	脑力工	生成文本、分析语义、提取关键信息
插件节点	外协工	联网搜索、图片生成等AI做不到的事
代码节点	精加工	数学计算、字符串处理、格式转换
结束节点	出货口	把结果交给你

数据从"开始节点"进来，沿着连线流过每个工位，每个工位处理后往下传，最后从"结束节点"输出。

关键点： 节点之间的数据传递靠的是"变量引用"。上游节点的输出，用 {{节点名.输出字段}} 的方式传给下游。连线是路径，变量是货物。

三、实战步骤：5个节点搭出内容生成工作流

3.1 创建工作流

登录 coze.cn，进入工作空间 → 资源库 → 右上角点"+" → 选择"工作流"。

填写名称（只支持字母数字下划线，比如 content_generator）和描述，确认创建。

进入画布后，默认已有"开始"和"结束"两个节点。

3.2 配置开始节点——定义输入参数

点击开始节点，添加2个输入变量：

表格

变量名	类型	必填	说明
topic	String	是	文章主题
style	String	否	写作风格，默认"技术博客"

小技巧： 必填变量尽量设默认值，避免运行时遗漏导致报错。

3.3 配置大模型节点——核心内容生成

点击画布上的"+"号，选择"大模型"节点，把它连到开始节点后面。

模型选择： 推荐用豆包Pro，性价比高，处理中文任务够用。

系统提示词（决定输出质量的灵魂）：

你是一个专业的内容创作助手。根据用户提供的主题和风格，生成结构化的文章内容。

要求：
1. 输出必须是JSON格式
2. 包含三个字段：title（标题）、outline（大纲，数组）、content（正文）
3. 标题不超过25字，包含核心关键词
4. 大纲3-5个要点
5. 正文800-1200字

用户提示词：

主题：{{start.topic}}
风格：{{start.style}}

请按照系统要求生成内容。

输出格式： 选择 JSON，方便下游节点解析。

3.4 配置代码节点——格式化输出

大模型返回的是JSON，但实际使用时往往需要Markdown格式。加一个代码节点做转换。

点击"+"号，选择"代码"节点，连到大模型节点后面。

运行时选 Python，代码如下：

import json

async def main(args: Args) -> Output:
    # 从大模型节点获取输出
    llm_output = args.params['llm_result']
    
    # 解析JSON（兼容大模型可能返回的非标准JSON）
    try:
        data = json.loads(llm_output)
    except json.JSONDecodeError:
        # 尝试提取JSON部分
        import re
        json_match = re.search(r'\{.*\}', llm_output, re.DOTALL)
        if json_match:
            data = json.loads(json_match.group())
        else:
            return {"result": llm_output}
    
    # 拼接为Markdown格式
    md = f"# {data.get('title', '无标题')}\n\n"
    md += "## 大纲\n\n"
    for i, item in enumerate(data.get('outline', []), 1):
        md += f"{i}. {item}\n"
    md += f"\n## 正文\n\n{data.get('content', '')}"
    
    return {"result": md}

为什么加这步？ 大模型输出不稳定，JSON解析经常翻车。代码节点做一层容错处理，比直接让大模型输出Markdown靠谱得多。

3.5 配置结束节点——输出结果

把代码节点的 result 变量连到结束节点的输出。

结束节点有两种模式：

• 返回变量： 直接输出原始数据，适合给其他工作流调用
• 返回文本： 按模板拼接输出，适合直接展示给用户

这里选"返回文本"，配置为：{{code.result}}

3.6 试运行与调试

点击右上角"试运行"，输入测试数据：

topic: "Python异步编程入门"
style: "技术博客"

调试三原则：

1. 逐节点调试：别等全连完再测，每连好一个节点就单独跑一次
2. 看输出格式：大模型节点重点检查JSON是否可解析
3. 查变量传递：点开节点看"输入输出"，确认数据是否正确流转

四、进阶：从5个节点到生产级工作流

上面的5个节点是骨架，实际项目中你可能需要这些增强：

表格

增强方向	怎么做	解决什么问题
联网搜索	在大模型前加"插件"节点，搜索实时素材	大模型知识截止日期限制
条件分支	加"选择器"节点，判断主题类型走不同路径	不同主题需要不同处理逻辑
批量处理	大模型节点开启"批处理"模式	一次生成多篇文章
错误处理	节点勾选"忽略异常"+设默认输出	某个节点挂掉不阻塞整体流程
子流程封装	把通用逻辑抽成独立工作流，用"工作流"节点调用	复杂流程拆解，方便维护

实战建议： 先跑通基础流程，再逐步加节点。一上来就搭复杂流程，调试起来会崩溃的。

五、常见问题排查

Q1：大模型节点输出格式不稳定怎么办？

两个办法：一是系统提示词里反复强调"只输出JSON，不要有任何其他文字"；二是像我上面那样，在代码节点做容错解析。

Q2：变量引用时报错"未找到变量"？

检查连线。没连线的节点之间无法传递数据。另外确认引用写法是 {{上游节点名.输出字段名}}，区分大小写。

Q3：试运行成功但发布后Bot不调用工作流？

两件事：一是Bot页面要把工作流添加为技能；二是Bot的人设与回复逻辑里要写明调用规则，比如"当用户要求生成文章时，调用content_generator工作流"。

Q4：代码节点超时了？

代码节点有执行时间限制（通常10秒）。如果处理逻辑复杂，考虑拆成多个代码节点，或者把计算逻辑移到大模型节点里用Prompt实现。

Q5：工作流更新后Bot没生效？

工作流发布新版本后，引用它的Bot需要重新发布才会用上新版本。这是个很容易踩的坑。

总结

扣子工作流的核心思路就一句话：把不确定的AI对话，变成确定性的数据流水线。

5个节点（开始→大模型→代码→结束+调试）能覆盖大部分内容生成场景。后续需要联网搜索、条件分支、批量处理，在这个骨架上加节点就行。

关键记住三点：

1. 逐节点调试，别攒到最后一起测
2. 大模型输出做容错，别信任它的格式
3. 先简单后复杂，跑通再加节点

有问题欢迎评论区交流，下篇我会拆解"带条件分支的智能客服工作流"，关注不错过。