零代码构建AI智能体：Coze工作流实现RSS博客自动摘要与分类

在实际 AI 应用开发中很多开发者或业务人员都面临一个困境理解了大模型的能力也看到了智能体Agent的潜力但真到动手搭建一个能解决实际问题的智能体时却不知从何下手。流程设计混乱、逻辑分支考虑不周、工具调用失败、最终效果与预期相差甚远这些都是新手常见的痛点。如果你也遇到过这些问题那么一个直观、可视化的“工作流”编排工具可能就是破局的关键。Coze扣子平台提供的工作流功能正是为了解决这一系列问题而生。它允许你通过拖拽节点、连接线条的方式像绘制流程图一样构建智能体的决策与执行逻辑整个过程无需编写代码。这对于希望快速验证想法、构建原型或者不具备深厚编程背景的运营、产品、业务人员来说是一个极具吸引力的选择。本文将带你从零开始在 Coze 平台上完成一个具备实用价值的智能体工作流搭建。我们将聚焦于一个具体场景构建一个能够自动从指定技术博客 RSS 源抓取最新文章并生成内容摘要与分类的智能体。通过这个案例你将掌握工作流的核心概念、节点使用、逻辑编排以及调试技巧最终获得一个可运行、可复用的智能体。1. 理解 Coze 工作流从概念到组件在开始动手之前我们需要先厘清几个核心概念这能帮助你更好地理解后续每一步操作的目的而不仅仅是机械地跟随步骤。1.1 什么是智能体Agent与工作流Workflow在 Coze 的语境下智能体是一个具备特定目标、能够感知环境、进行决策并执行动作的 AI 程序。它可以理解用户输入调用各种工具如搜索、代码解释器、知识库查询等并给出最终回应。一个简单的问答机器人就是一个基础智能体。而工作流则是构建复杂智能体的高级方式。你可以把它想象成一个可视化的编程界面。当智能体的任务逻辑变得复杂包含多个步骤、条件判断、循环或需要串联多个工具时使用工作流来编排这些步骤会比单纯依赖大模型的“自由发挥”更加可靠、可控和高效。工作流的核心优势在于确定性流程是预先设计好的减少了 AI“胡思乱想”导致结果不可控的风险。可复用性一套流程可以处理同一类问题只需更换输入参数。可调试性每个步骤节点的输入输出清晰可见便于定位问题。复杂性管理将复杂任务分解为多个简单步骤降低整体设计难度。1.2 工作流的核心组件节点与变量Coze 工作流由两个基本元素构成节点和变量。节点是工作流中的执行单元。每个节点代表一个具体的操作例如开始节点工作流的唯一入口接收初始触发信息如用户提问。LLM 节点调用大语言模型进行思考、分析或生成文本。工具节点执行一个具体功能如调用代码解释器、进行网络搜索、查询知识库等。条件判断节点根据某个条件如变量值、模型输出内容决定流程走向哪个分支。变量设置节点创建或修改工作流中的变量值。结束节点工作流的出口返回最终结果给用户。变量是工作流中用于存储和传递数据的容器。它们就像是程序中的变量有名称和值。变量可以在节点之间传递信息。例如开始节点接收的用户问题可以存入一个叫user_query的变量LLM 节点可以读取这个变量进行分析分析结果又可以存入一个新的analysis_result变量供后续节点使用。变量分为几种类型常见的有字符串存储文本信息。数字存储数值。布尔值存储真/假。数组存储列表数据。对象存储键值对组合的复杂数据。理解了这些我们就可以开始准备环境并搭建第一个工作流了。2. 环境准备与项目目标定义2.1 访问 Coze 平台并创建工作空间首先你需要一个 Coze 账号。访问 Coze 官网并使用手机号或邮箱注册登录。登录后系统通常会引导你进入一个默认的工作空间。为了管理方便建议为我们的教程项目创建一个新的工作空间。在平台左侧导航栏找到并点击“工作空间”管理。点击“创建新工作空间”为其命名例如“技术博客摘要智能体”。进入新创建的工作空间后续所有操作都将在此空间内进行。注意不同工作空间之间的 Bot智能体、知识库、工作流等资源是隔离的。确保你在正确的工作空间下操作。2.2 明确智能体目标与输入输出在搭建任何系统前明确需求是关键。我们的智能体目标如下功能自动获取指定技术博客的 RSS 源最新文章提取文章标题和链接并让 AI 为每篇文章生成一段简明摘要同时尝试对文章进行主题分类如“后端开发”、“前端框架”、“数据库”等。输入用户提供一个或多个技术博客的 RSS 订阅地址。输出一个格式清晰的 Markdown 列表包含文章标题、链接、AI 生成的摘要和分类标签。触发方式用户通过向智能体发送消息来触发任务。这个目标涵盖了网络请求获取 RSS、数据解析提取标题链接、AI 处理生成摘要和分类和结果格式化等多个步骤非常适合用工作流来编排。3. 从零搭建 RSS 摘要智能体工作流现在我们进入核心的搭建环节。请跟随步骤在 Coze 平台中操作。3.1 创建智能体并开启工作流在 Coze 工作空间首页点击“创建 Bot”。为 Bot 起一个名字例如“技术博客摘要助手”并填写一段描述如“自动抓取 RSS 并生成文章摘要与分类”。在 Bot 的编辑界面找到并点击“工作流”选项卡。点击“新建工作流”为其命名例如“RSS 抓取与摘要生成”。系统会打开一个空白的工作流画布上面默认有一个“开始”节点和一个“结束”节点。3.2 编排工作流核心逻辑我们的工作流逻辑可以分解为以下几个步骤我们将用对应的节点来实现接收用户输入的 RSS 地址开始节点。发起网络请求获取 RSS 原始数据工具节点代码解释器。解析 RSSXML格式提取文章列表工具节点代码解释器。循环处理每一篇文章循环节点。对单篇文章让 AI 生成摘要和分类LLM 节点。收集所有处理结果变量操作。格式化并输出最终结果结束节点。下面我们逐步添加节点并配置。步骤一配置开始节点与输入变量点击画布上的“开始”节点。在右侧配置面板我们可以定义工作流的输入参数。在“参数”区域点击“添加参数”。设置参数名称为rss_url类型选择“字符串”描述填写“请输入技术博客的 RSS 订阅地址”。这个参数将作为变量在整个工作流中可用。步骤二添加代码解释器节点获取 RSS 数据我们需要一个能执行 Python 代码的节点来获取并解析 RSS。Coze 提供了“代码解释器”工具。从左侧节点库的“工具”分类中拖拽一个“代码解释器”节点到画布上放在“开始”节点下方。将“开始”节点的输出端口右侧的小圆点拖拽连接到“代码解释器”节点的输入端口。选中新添加的代码解释器节点在右侧配置面板中重命名节点为“获取并解析 RSS”。在“代码”输入框中编写 Python 代码。这里我们需要使用requests库获取数据使用xml.etree.ElementTree或feedparser库解析。由于 Coze 代码解释器环境通常预装了常用库我们可以直接使用。import requests import feedparser import json # 从工作流变量中获取用户输入的 RSS URL rss_url rss_url # 获取 RSS 内容 response requests.get(rss_url, timeout10) response.raise_for_status() # 如果请求失败则抛出异常 # 使用 feedparser 解析 RSS/Atom feed feedparser.parse(response.content) # 提取前5篇文章的信息避免一次处理太多 articles [] for entry in feed.entries[:5]: article_info { “title”: entry.title, “link”: entry.link, “published”: entry.get(‘published’, ‘N/A’), “summary”: entry.get(‘summary’, entry.get(‘description’, ‘’)) } articles.append(article_info) # 将文章列表转换为 JSON 字符串以便输出到工作流变量 output json.dumps(articles, ensure_asciiFalse) print(output) # 打印输出也会被捕获为节点结果* 在“输出”部分配置如何将代码运行结果保存为变量。代码中我们 print 了 output。在配置面板的“输出”-“变量”中点击“添加变量”。 * 变量名设置为 articles_json值选择“代码输出”。这样代码执行后的打印内容就会存入 articles_json 变量。注意代码解释器节点的输出默认是整个执行过程的“输出文本”它包含了代码的print语句结果。我们通过配置将其指定给一个变量。步骤三添加循环节点处理每篇文章我们现在有了一个包含多篇文章的 JSON 字符串变量。接下来需要遍历每一篇文章分别处理。从节点库的“逻辑”分类中拖拽一个“循环”节点到画布连接到代码解释器节点之后。配置循环节点循环类型选择“遍历列表”。列表数据这里需要将articles_json这个 JSON 字符串变量转换为实际的 Python 列表。我们可以使用一个“变量设置”节点先做转换也可以直接在循环节点的“列表数据”中使用代码片段。为了流程清晰我们选择添加一个“变量设置”节点。从节点库的“逻辑”分类中拖拽一个“变量设置”节点放在代码解释器节点和循环节点之间。配置“变量设置”节点变量名article_list变量值选择“表达式”并输入JSON.parse(articles_json)。这里使用的是 JavaScript 语法Coze 工作流表达式引擎支持JSON.parse来解析字符串。将代码解释器节点连接到变量设置节点再将变量设置节点连接到循环节点。配置循环节点列表数据选择变量article_list。当前项变量名设置为current_article。在循环体内这个变量代表正在处理的单篇文章对象。当前索引变量名可以设置为index可选。步骤四添加 LLM 节点生成摘要与分类在循环体内我们需要对current_article进行处理。从节点库的“模型”分类中拖拽一个“LLM”节点到画布上放在循环节点的“循环体”区域内将节点拖到循环节点下方通常会自动被包含进去。配置 LLM 节点模型选择你需要的模型例如coze-chat-128k或DeepSeek。系统提示词这里定义 AI 的角色和任务。你是一个技术博客分析助手。请根据用户提供的文章信息完成以下任务 1. 生成一段简洁明了的中文摘要概括文章核心内容不超过150字。 2. 为文章打上1-3个技术主题标签标签应如“Java”、“Spring Boot”、“数据库优化”、“前端框架”等。 请以 JSON 格式回复包含两个字段summary 和 tagstags 是一个字符串数组。 示例格式 { “summary”: “文章介绍了Spring Boot中如何通过配置多数据源来实现读写分离并给出了具体的代码示例和配置要点。”, “tags”: [“Java”, “Spring Boot”, “数据库”] }用户提示词这里传入文章的具体信息。选择“表达式”输入请分析以下技术文章标题${current_article.title}链接${current_article.link}原文摘要${current_article.summary}输出在“输出”-“变量”中添加一个变量例如命名为article_analysis值选择“模型回复”。这样LLM 的回复内容就会存入这个变量。步骤五收集循环结果并格式化输出循环结束后我们需要将所有文章的摘要和分类汇总起来。在循环节点之后添加一个“变量设置”节点。配置该节点来初始化一个用于存储所有结果的数组变量。例如在循环开始前就应该初始化但也可以在循环后处理。更合理的做法是在循环之前初始化一个空数组。在“变量设置”节点初始化数组变量名all_results变量值选择“表达式”输入[]一个空数组。在循环内部LLM 节点之后再添加一个“变量设置”节点用于将单次循环的处理结果追加到总数组中。变量名all_results变量值选择“表达式”输入all_results.concat([{title: current_article.title, link: current_article.link, analysis: JSON.parse(article_analysis)}])。这个表达式将当前文章的标题、链接和 AI 分析结果需要解析 JSON组成一个新对象并追加到all_results数组。循环结束后all_results变量就包含了所有文章的处理结果。最后我们需要将其格式化输出。选中“结束”节点在右侧配置面板的“回复”部分定义最终返回给用户的消息。选择“表达式”输入一段格式化代码# 技术博客摘要生成报告 已处理 RSS 源${rss_url} ${all_results.map((item, idx) ## ${idx 1}. ${item.title} **链接** ${item.link} **摘要** ${item.analysis.summary} **标签** ${item.analysis.tags.join(‘, ‘)} ).join(‘\n\n’)}这段表达式会将all_results数组遍历为每篇文章生成一个 Markdown 格式的章节。至此一个完整的工作流就搭建好了。你的画布应该类似下图逻辑结构开始 - 获取并解析RSS - 设置文章列表 - 循环开始 - (循环体内LLM分析 - 收集结果) - 循环结束 - 结束并且有all_results数组的初始化节点在循环之前。4. 运行测试与调试验证搭建完成后必须进行测试来验证工作流是否按预期运行。4.1 在工作流界面进行测试在工作流画布右上角点击“运行”按钮。在弹出的测试窗口中系统会要求你输入开始节点定义的参数rss_url。输入一个真实的技术博客 RSS 地址进行测试例如某个知名技术社区的 RSS 链接。点击“运行测试”。Coze 会逐步执行工作流并在画布上高亮显示当前正在执行的节点。观察运行过程是否有节点执行失败节点会显示红色将鼠标悬停在已执行的节点上可以查看该节点的输入和输出详情这是调试的最重要依据。重点关注“代码解释器”节点的输出看是否成功获取并解析了 RSSarticles_json变量里是否有数据。关注 LLM 节点的输出看article_analysis变量是否是合法的 JSON 格式。最后查看“结束”节点的预览看生成的 Markdown 报告是否符合预期。4.2 常见测试问题与排查在测试中你可能会遇到以下典型问题问题现象可能原因检查与解决方式“获取并解析 RSS”节点失败1. 网络问题无法访问 RSS 地址。2. RSS 地址格式错误或已失效。3. 代码中存在语法错误或依赖库未安装。1. 检查rss_url是否正确手动在浏览器中访问试试。2. 查看节点错误详情如果是 Python 异常根据提示修改代码。可能需要添加try...except处理异常。3. 确认代码中使用的库如feedparser在 Coze 环境中可用。循环节点未执行或只执行一次1.article_list变量不是数组或为空。2. 循环节点配置中“列表数据”选择错误。1. 检查“变量设置”节点转换 JSON的输出确认article_list是一个非空数组。2. 在循环节点配置中确保“列表数据”绑定的是article_list变量。LLM 节点回复格式不符合 JSON 要求系统提示词不够明确导致模型回复了非 JSON 文本。1. 强化系统提示词明确要求“必须以 JSON 格式回复”。2. 在用户提示词末尾再次强调“请严格按照要求的 JSON 格式回复”。3. 可以尝试在 LLM 节点后添加一个“代码解释器”节点尝试解析article_analysis如果解析失败则提供一个默认值。最终输出格式混乱结束节点回复表达式编写有误或all_results数据结构不符合预期。1. 在结束节点前添加一个“变量设置”节点将all_results的内容JSON.stringify后打印出来检查其结构。2. 逐步简化结束节点的回复表达式先确保能输出文本再逐步添加格式化。4.3 发布智能体并进行对话测试工作流测试通过后返回 Bot 编辑界面。在“人设与回复逻辑”中可以将工作流设置为 Bot 的默认回复逻辑。通常我们需要配置“开场白”或“提示”来引导用户输入 RSS 地址。更常见的做法是在 Bot 的“提示词”中编写逻辑判断用户意图当识别到用户想获取博客摘要时触发工作流。这需要用到“插件”配置。在 Bot 的“插件”区域添加你刚刚创建的工作流。添加后你可以在提示词中这样设计用户如果询问“分析博客”、“RSS摘要”、“抓取技术文章”等相关内容或者直接提供了 RSS 链接则调用“RSS抓取与摘要生成”工作流并将用户提供的链接作为 rss_url 参数传入。保存并发布 Bot。在 Bot 的预览窗或发布的聊天窗口尝试发送如“请分析一下这个博客的最新文章https://example.com/feed”这样的消息观察 Bot 是否能正确触发工作流并返回结果。5. 进阶优化与最佳实践一个能跑通的工作流只是起点要让其健壮、可用还需要进行优化。5.1 增强工作流的健壮性输入验证在开始节点后可以添加一个“条件判断”节点检查rss_url是否为空或是否是一个合法的 URL 格式。如果不是则直接跳转到结束节点并返回错误提示。错误处理在“代码解释器”节点中使用try...except包裹网络请求和解析代码发生异常时输出明确的错误信息到变量而不是让整个工作流崩溃。后续可以添加判断如果获取文章列表失败则直接友好提示用户。限制处理数量代码中我们已经只取了前5篇文章 (feed.entries[:5])。这对于演示和防止意外处理过多内容消耗 Token是必要的。你可以将这个数量作为工作流的另一个输入参数让用户自定义。处理 LLM 格式错误在 LLM 节点后可以连接一个“代码解释器”节点尝试解析其输出是否为合法 JSON。如果解析失败可以设置一个包含错误信息的默认分析结果保证流程不会中断。5.2 工作流设计最佳实践节点命名清晰像我们之前做的那样为每个节点起一个见名知意的名字如“获取并解析 RSS”而不是使用默认的“代码解释器”、“变量设置”这在复杂工作流调试时至关重要。善用变量设置节点整理数据不要在一个节点中做太多事情。例如获取 RSS、解析 XML、提取字段、限制数量这几步虽然可以写在一个代码块里但逻辑上它们是不同的阶段。如果后续想修改“限制数量”的逻辑你就需要去修改一个复杂的代码块。更清晰的做法是分多个节点用变量传递中间结果。为关键变量添加注释在变量设置节点的描述栏简要说明这个变量的用途和数据结构方便日后维护。版本管理Coze 工作流支持保存版本。在做出重大修改前先点击“保存版本”这样如果新改动导致问题可以快速回退。5.3 扩展方向这个基础工作流可以沿多个方向扩展实现更强大的功能多 RSS 源并行处理使用“并行分支”节点同时处理用户提供的多个 RSS 源最后合并结果。结果持久化将生成的文章摘要和分类保存到数据库如通过连接外部 API或写入在线文档如通过 Coze 的“写文件”工具或连接 Google Sheets。定时触发在 Bot 设置中开启“定时任务”让这个工作流每天自动运行抓取最新文章并推送到某个群组或频道。与知识库结合将抓取并摘要后的文章自动存入 Coze 知识库丰富智能体的知识储备。更复杂的分析让 LLM 不仅做摘要还可以进行情感分析、提取关键技术点、评估文章难度等。通过这个从概念到实现再到调试和优化的完整流程你应该已经掌握了在 Coze 平台上使用工作流构建智能体的核心方法。关键在于将复杂任务拆解为清晰的步骤并用合适的节点去实现每一步同时不忘在关键环节添加验证和容错处理。接下来你可以尝试用同样的思路去自动化处理你日常工作中的其他重复性任务。