扣子(Coze)怎么搭建工作流？

一、扣子(Coze)工作流介绍

1、什么是工作流?

在扣子（Coze）平台中，工作流是一种将多个任务、操作或工具按照特定的顺序和逻辑进行组合编排的流程。它可以自动化地处理复杂的业务场景，使得不同的插件、模型等元素能够协同工作，以实现更高效、准确的功能输出。

以下是一个简单的工作流：

通俗来讲，工作流就是为了完成预设目标所拆解的一系列步骤所组合在一起的流程。

2、为什么有了提示词已经能够让大模型按照一定流程完成输出的情况下，还需要有工作流？

事实上，提示词（Prompt）和工作流（Workflow）在AI应用中是互补关系而非替代关系，其核心差异在于「系统化能力」的构建。以下是需要工作流的六个关键原因：

1. 处理复杂任务的拓扑结构

• 「提示词的局限」：
• 单次交互更适合线性问答，而真实业务常涉及多节点决策树（如客户投诉处理需触发工单生成→责任判定→补偿方案→满意度回访）
• 「工作流的价值」：
• 将业务逻辑转化为可编排的流程图
• 支持条件分支（IF/ELSE）、并行处理、人工复核等结构
• 例：合同审核流程自动识别「金额>100万」时增加法务会签环节

2. 多系统协同的粘合剂

• 「提示词的局限」：
• 纯语言模型无法直接调用API、读写数据库或触发硬件设备
• 「工作流的价值」：
• 构建「输入理解→数据处理→动作执行」的闭环
• 实现跨系统联动（如：识别用户退订意向→查询CRM记录→生成挽留话术→自动发送优惠券）
• 通过连接器与ERP/邮件系统/物联网设备无缝对接

3. 动态环境适应性

• 「提示词的局限」：
• 静态指令难以应对实时变化（如库存状态更新、突发政策调整）
• 「工作流的价值」：
• 嵌入事件监听机制（如当供应链系统库存低于阈值时自动触发补货流程）
• 支持实时数据注入下的流程动态调整
• 例：电商客服对话中识别「物流异常」，立即调取运单数据并跳转至赔偿流程

4. 质量控制的工业化保障

• 「提示词的局限」：依赖单次生成质量，缺乏纠错与验证机制
• 「工作流的价值」：
• 设置多重校验节点（AI初步回复→合规性过滤→人工抽检）
• 构建反馈闭环（将bad case自动加入训练数据集）
• 实现过程可追溯（完整记录每个决策节点的输入输出）

5. 资源调度与负载管理

• 「提示词的局限」：
• 无法自主分配算力、管理并发或优化响应延迟
• 「工作流的价值」：
• 智能路由机制（简单问题用轻量模型，复杂问题调用GPT-4）
• 流量削峰设计（高峰期自动缓存请求队列）
• 成本优化策略（根据任务优先级动态选择API供应商）

6. 企业级可维护性

• 「提示词的局限」：
• 散落的Prompt难以系统化迭代
• 「工作流的价值」：
• 版本控制（灰度发布新流程，AB测试不同节点设计）
• 模块化复用（将验证通过的「客户身份核验」模块嵌入多个业务流程）
• 可视化监控（实时查看各节点耗时、错误率等指标）

核心差异总结表

维度	提示词	工作流
任务复杂度	单轮简单交互	多轮次、多系统协作
执行确定性	存在结果波动性	通过流程设计控制输出稳定性
可扩展性	需重新设计Prompt	通过增减节点快速迭代
运维成本	隐性（调试/监控困难）	显性（全链路可观测）
适用场景	创意生成/简单QA	企业核心业务流程自动化

提示词是「让AI理解某个具体问题」，而工作流是「让企业级业务在AI驱动下可靠运转」。正如螺丝钉（Prompt）和自动化生产线（Workflow）的关系——单个零件的精密度再高，也需要系统设计才能实现规模化价值输出。

二、创建一个简单工作流

工作流内置了大语言模型（LLM）节点，你可以将用户输入的内容传输给 LLM 进行处理并返回。

相对于不使用工作流的智能体，包含大模型节点的工作流可单独指定模型的各项配置参数，通过附加的提示词约束模型的行为，使智能体在指定场景下的运行过程更稳定、输出内容更符合预期效果。

到此，一个简单的工作流创建完毕，今天就分享到此啦。希望对你有所启发和帮助！