Coze 实战案例分享｜附源码

在 AI 应用快速落地的过程中，很多团队都会遇到一个共同问题：大模型能力很强，但真正把它变成一个可用、稳定、可运营的业务工具，并没有想象中简单。你不仅需要设计提示词，还需要考虑用户输入、知识库检索、工作流编排、插件调用、数据记录、异常兜底以及后续迭代。

Coze 的出现，降低了 AI Bot 从想法到上线的门槛。它提供了 Bot 搭建、工作流、知识库、插件、变量、数据库、发布渠道等能力，非常适合用来快速验证 AI 产品原型，也可以承载一些轻量级的业务场景。

本文将通过一个完整案例，分享如何使用 Coze 搭建一个「智能简历优化助手」，并附上相关提示词、工作流设计思路以及接口调用源码，帮助你更快理解 Coze 的实战用法。

一、案例背景

很多求职者在投递简历时会遇到几个问题：

1. 不知道简历是否突出重点；
2. 不清楚岗位 JD 中真正看重哪些能力；
3. 简历描述过于口语化，缺少结果导向；
4. 不同岗位投递时，没有针对性调整简历；
5. 想让 AI 帮忙优化，但普通聊天工具无法形成结构化输出。

因此，我们希望搭建一个 AI 助手，用户只需要输入：

• 目标岗位 JD；
• 当前简历内容；
• 期望优化方向，例如互联网产品经理、Java 后端开发、数据分析师等。

AI 助手能够输出：

• JD 关键词分析；
• 简历匹配度评分；
• 简历问题诊断；
• 优化后的简历版本；
• 面试官可能关注的问题；
• 后续修改建议。

这个应用非常适合作为 Coze 的实战案例，因为它同时涉及：

• 提示词设计；
• 多轮对话；
• 结构化输出；
• 工作流编排；
• 外部接口调用；
• 前端或服务端集成。

二、最终效果预览

用户输入：

目标岗位：AI 产品经理

岗位 JD：
1. 负责 AI 产品规划与需求设计；
2. 熟悉大模型、智能体、知识库等应用场景；
3. 能够与算法、研发、设计团队协作推进项目；
4. 有 SaaS 产品经验优先。

我的简历：
我做过 3 年产品经理，主要负责后台系统和数据报表。参与过一个智能客服项目，负责需求沟通和页面设计。会写 PRD，也会用 Axure。

AI 输出示例：

## 一、岗位关键词分析

该岗位重点关注以下能力：

1. AI 产品规划能力
2. 大模型应用理解
3. 智能体 / 知识库 / 智能客服相关经验
4. 跨团队项目推进能力
5. SaaS 产品经验
6. PRD 与原型设计能力

## 二、简历匹配度评分

综合匹配度：78 / 100

优势：
- 有 3 年产品经理经验；
- 参与过智能客服项目；
- 具备需求沟通、PRD、原型设计基础能力。

不足：
- AI 项目描述不够具体；
- 缺少业务结果数据；
- 没有突出大模型、知识库、智能体相关理解；
- SaaS 经验未体现。

## 三、优化后简历描述

原描述：
参与过一个智能客服项目，负责需求沟通和页面设计。

优化后：
参与企业智能客服系统从 0 到 1 建设，负责需求调研、PRD 编写、原型设计及跨团队推进。围绕用户咨询场景，梳理高频问题知识库结构，设计问题推荐、答案命中、人工转接等核心流程，协同算法与研发团队完成智能问答能力落地，提升客服问题处理效率。

三、Coze Bot 设计思路

在 Coze 中，我们可以把这个助手拆成几个核心模块。

1. Bot 角色设定

Bot 不是简单地“帮我优化简历”，而是要扮演一个专业角色。

推荐角色设定如下：

你是一名资深招聘顾问、职业规划师和简历优化专家，擅长根据岗位 JD 分析企业用人需求，并结合候选人的简历内容，给出专业、具体、可执行的优化建议。

你需要帮助用户完成以下任务：
1. 分析岗位 JD 中的关键能力要求；
2. 判断用户简历与岗位的匹配程度；
3. 找出简历中表达不清晰、不够量化、不够贴合岗位的问题；
4. 在不虚构经历的前提下优化简历表达；
5. 给出面试准备建议。

要求：
- 不得编造用户没有提供的经历；
- 可以基于用户已有经历进行专业化改写；
- 输出内容必须结构清晰；
- 尽量使用结果导向、动作导向的表达；
- 如果信息不足，需要主动提醒用户补充。

这个角色设定的重点是明确边界：可以润色，但不能造假。对于简历类应用来说，这一点非常重要。

四、提示词设计

提示词是 AI 应用质量的核心之一。很多人使用 Coze 时，只写一句“你是简历优化专家”，然后期待模型自动输出稳定内容，这种方式往往不够可靠。

我们可以把提示词设计成固定模板。

系统提示词

你是一名资深简历优化专家，拥有 10 年招聘和职业咨询经验，熟悉互联网、AI、SaaS、产品、研发、运营、数据分析等岗位的招聘标准。

你的任务是根据用户提供的目标岗位 JD 和简历内容，完成简历诊断与优化。

请严格遵守以下原则：
1. 不得虚构用户没有提供的工作经历、项目经历、学历、公司、数据结果；
2. 可以对用户已有经历进行结构化、专业化、结果导向的表达优化；
3. 如果用户提供的信息不足，需要指出缺失信息，并给出补充问题；
4. 输出内容要具体，避免空泛建议；
5. 优化后的简历应更贴合目标岗位关键词；
6. 使用 Markdown 格式输出；
7. 语言风格专业、简洁、有说服力。

输出结构必须包含：
- 岗位关键词分析
- 简历匹配度评分
- 当前简历主要问题
- 简历优化建议
- 优化后的简历版本
- 面试准备建议
- 需要用户补充的信息

用户输入模板

为了让输出更稳定，可以引导用户按照模板输入。

请按照以下格式提供信息：

【目标岗位】
例如：AI 产品经理

【岗位 JD】
请粘贴完整岗位描述。

【当前简历】
请粘贴你希望优化的简历内容，可以是项目经历、工作经历或个人简介。

【优化目标】
例如：更适合大厂、突出 AI 项目经验、提升专业表达、增强数据化结果等。

五、工作流设计

如果只是简单对话，其实不一定需要 Coze 工作流。但为了提升稳定性，我们可以用工作流把任务拆成多个步骤。

推荐工作流如下：

开始
  ↓
接收用户输入
  ↓
判断信息是否完整
  ↓
如果不完整：返回补充问题
  ↓
如果完整：提取 JD 关键词
  ↓
分析简历与 JD 匹配度
  ↓
生成简历问题诊断
  ↓
生成优化版简历
  ↓
生成面试准备建议
  ↓
整合输出
结束

节点一：信息完整性判断

输入：

• target_position
• job_description
• resume_content
• optimize_goal

判断逻辑：

如果岗位 JD 为空，提示用户补充岗位 JD；
如果简历内容为空，提示用户补充简历内容；
如果优化目标为空，可以使用默认目标：提升岗位匹配度和专业表达。

节点二：JD 关键词提取

提示词示例：

请从以下岗位 JD 中提取招聘方最关注的能力关键词。

要求：
1. 提取 8-12 个关键词；
2. 按重要程度排序；
3. 每个关键词后解释其含义；
4. 输出 Markdown 列表。

岗位 JD：
{{job_description}}

节点三：匹配度分析

提示词示例：

请根据岗位 JD 和用户简历，评估简历与岗位的匹配度。

岗位 JD：
{{job_description}}

用户简历：
{{resume_content}}

请输出：
1. 综合匹配度评分，满分 100；
2. 匹配优势；
3. 明显短板；
4. 可优化空间；
5. 不得虚构简历中没有的信息。

节点四：简历优化

提示词示例：

请基于用户原始简历内容进行优化。

目标岗位：
{{target_position}}

岗位 JD：
{{job_description}}

用户原始简历：
{{resume_content}}

优化目标：
{{optimize_goal}}

要求：
1. 只基于用户提供的真实经历进行改写；
2. 使用更专业、更结果导向的表达；
3. 尽量突出与目标岗位相关的能力；
4. 如果缺少量化结果，不要编造数字，可以用“可补充：xxx”提示；
5. 输出优化后的简历版本。

六、变量设计

在 Coze 中，为了方便后续工作流调用，可以设计以下变量：

这样做的好处是后续可以很方便地把结果拆分展示。例如前端页面可以分别展示“评分”“诊断”“优化版本”等模块，而不是只显示一大段文本。

七、知识库设计

如果只是通用简历优化，知识库不是必须的。但如果你希望这个 Bot 更专业，可以增加一个简历优化知识库。

知识库可以包含以下内容：

1. 不同行业岗位能力模型；
2. 产品经理简历写作模板；
3. Java 后端工程师简历模板；
4. 数据分析师项目经历表达方式；
5. STAR 法则说明；
6. 简历常见问题清单；
7. 互联网大厂岗位关键词库；
8. 面试官筛选简历的逻辑。

例如，在知识库中放入一段 STAR 法则说明：

# STAR 法则

STAR 是 Situation、Task、Action、Result 的缩写，常用于项目经历和工作经历表达。

- Situation：背景，说明项目发生的业务场景；
- Task：任务，说明你负责什么目标；
- Action：行动，说明你具体做了什么；
- Result：结果，说明最终产生了什么价值。

简历项目经历建议按照：
在什么背景下，为了解决什么问题，我负责了什么工作，采取了哪些行动，最终取得了什么结果。

当用户输入项目经历比较模糊时，Bot 可以基于知识库内容提示用户按照 STAR 法则补充。

八、发布方式

Coze 支持多种发布方式，可以根据需求选择：

1. 发布到聊天页面

适合个人使用或小范围测试，配置简单。

2. 嵌入网站

适合将 Bot 放到个人博客、招聘服务网站、职业咨询页面中。

3. API 接入

适合需要将 Coze 能力接入自有产品系统的场景。例如你有一个简历优化网站，用户提交表单后，由后端调用 Coze API 获取优化结果，再返回给前端展示。

下面重点分享 API 接入方式。

九、服务端调用 Coze API 示例源码

说明：以下代码为 Node.js 示例，请根据你实际使用的 Coze API 地址、Bot ID、Token 等信息进行替换。不同版本 API 字段可能略有差异，实际以官方文档为准。

1. 项目结构

coze-resume-demo
├── package.json
├── .env
└── src
    ├── index.js
    └── cozeClient.js

2. package.json

{
  "name": "coze-resume-demo",
  "version": "1.0.0",
  "description": "Coze resume optimization demo",
  "main": "src/index.js",
  "type": "module",
  "scripts": {
    "dev": "node src/index.js"
  },
  "dependencies": {
    "axios": "^1.6.8",
    "dotenv": "^16.4.5",
    "express": "^4.18.3"
  }
}

3. .env

COZE_API_TOKEN=your_coze_api_token
COZE_BOT_ID=your_bot_id
COZE_API_BASE=https://api.coze.com
PORT=3000

如果你使用的是国内版或其他区域的 Coze 服务，请将 COZE_API_BASE 替换为对应地址。

4. src/cozeClient.js

import axios from "axios";

const COZE_API_TOKEN = process.env.COZE_API_TOKEN;
const COZE_BOT_ID = process.env.COZE_BOT_ID;
const COZE_API_BASE = process.env.COZE_API_BASE;

export async function callCozeResumeBot({
  userId,
  targetPosition,
  jobDescription,
  resumeContent,
  optimizeGoal
}) {
  const query = `
【目标岗位】
${targetPosition}

【岗位 JD】
${jobDescription}

【当前简历】
${resumeContent}

【优化目标】
${optimizeGoal || "提升岗位匹配度、增强专业表达、突出项目价值"}
`;

  try {
    const response = await axios.post(
      `${COZE_API_BASE}/v3/chat`,
      {
        bot_id: COZE_BOT_ID,
        user_id: userId,
        stream: false,
        auto_save_history: true,
        additional_messages: [
          {
            role: "user",
            content: query,
            content_type: "text"
          }
        ]
      },
      {
        headers: {
          Authorization: `Bearer ${COZE_API_TOKEN}`,
          "Content-Type": "application/json"
        },
        timeout: 60000
      }
    );

    return response.data;
  } catch (error) {
    if (error.response) {
      console.error("Coze API Error:", error.response.data);
      throw new Error(
        error.response.data?.msg || "Coze API request failed"
      );
    }

    console.error("Request Error:", error.message);
    throw new Error("Failed to call Coze API");
  }
}

5. src/index.js

import express from "express";
import dotenv from "dotenv";
import { callCozeResumeBot } from "./cozeClient.js";

dotenv.config();

const app = express();

app.use(express.json({ limit: "2mb" }));

app.post("/api/resume/optimize", async (req, res) => {
  try {
    const {
      userId,
      targetPosition,
      jobDescription,
      resumeContent,
      optimizeGoal
    } = req.body;

    if (!userId) {
      return res.status(400).json({
        success: false,
        message: "userId is required"
      });
    }

    if (!targetPosition) {
      return res.status(400).json({
        success: false,
        message: "targetPosition is required"
      });
    }

    if (!jobDescription) {
      return res.status(400).json({
        success: false,
        message: "jobDescription is required"
      });
    }

    if (!resumeContent) {
      return res.status(400).json({
        success: false,
        message: "resumeContent is required"
      });
    }

    const result = await callCozeResumeBot({
      userId,
      targetPosition,
      jobDescription,
      resumeContent,
      optimizeGoal
    });

    return res.json({
      success: true,
      data: result
    });
  } catch (error) {
    console.error("Optimize Resume Error:", error);

    return res.status(500).json({
      success: false,
      message: error.message || "Internal Server Error"
    });
  }
});

const port = process.env.PORT || 3000;

app.listen(port, () => {
  console.log(`Server is running at http://localhost:${port}`);
});

6. 启动项目

npm install
npm run dev

7. 测试接口

可以使用 curl 测试：

curl -X POST http://localhost:3000/api/resume/optimize \
  -H "Content-Type: application/json" \
  -d '{
    "userId": "user_001",
    "targetPosition": "AI 产品经理",
    "jobDescription": "负责 AI 产品规划与需求设计，熟悉大模型、智能体、知识库等应用场景，能够与算法、研发、设计团队协作推进项目，有 SaaS 产品经验优先。",
    "resumeContent": "我做过 3 年产品经理，主要负责后台系统和数据报表。参与过一个智能客服项目，负责需求沟通和页面设计。会写 PRD，也会用 Axure。",
    "optimizeGoal": "突出 AI 项目经验，更适合 AI 产品经理岗位"
  }'

十、前端调用示例

如果你希望快速做一个简单页面，可以使用以下 HTML 示例。

  
  
  


  
智能简历优化助手

  

  

  

  

  开始优化

  
优化结果
  


  

十一、实际落地中的优化建议

1. 不要让用户一次性输入太多无结构内容

如果用户随便粘贴一大段文字，模型仍然能处理，但效果不够稳定。建议前端把输入拆成多个字段：

• 目标岗位；
• 岗位 JD；
• 工作经历；
• 项目经历；
• 技能栈；
• 优化目标。

结构化输入越明确，输出质量越稳定。

2. 对输出格式做约束

如果你希望前端能够模块化展示结果，可以要求 Bot 输出 JSON，例如：

{
  "keywords": [],
  "score": 0,
  "advantages": [],
  "weaknesses": [],
  "optimized_resume": "",
  "interview_questions": []
}

不过要注意，模型输出 JSON 时偶尔可能出现格式不合法的问题。实际生产中可以增加 JSON 修复逻辑，或者使用 Coze 工作流中的结构化节点来提升稳定性。

3. 增加敏感信息提醒

简历中可能包含手机号、邮箱、身份证号、家庭住址等隐私信息。建议在 Bot 开头提醒用户：

请勿上传身份证号、银行卡号、详细家庭住址等敏感信息。

服务端也可以做简单脱敏处理。

4. 避免过度承诺

AI 简历优化工具只能提升表达质量，不能保证拿到面试或 offer。因此在产品文案中应该避免类似“保证进大厂”“100% 通过筛选”这类夸大表述。

5. 建立反馈闭环

可以让用户对优化结果进行评分：

• 很有帮助；
• 一般；
• 不准确；
• 存在编造；
• 格式不满意。

这些反馈可以用于后续优化提示词、知识库和工作流。

十二、常见问题

Q1：Coze 适合做生产级应用吗？

适合做轻量级和中等复杂度的 AI 应用，尤其适合快速验证产品原型。如果是强合规、高并发、深度定制的企业级系统，建议结合自有后端、权限系统、日志系统和数据安全策略一起使用。

Q2：知识库一定要配置吗？

不一定。如果是通用问答或简单文本生成，可以不配置知识库。但如果你希望 Bot 具备稳定的行业知识、企业制度知识或内部资料问答能力，知识库会非常有价值。

Q3：工作流是不是越复杂越好？

不是。工作流的目标是提升稳定性和可控性，而不是堆复杂度。对于简单任务，一个优质提示词就够了；对于多步骤任务，才建议拆成工作流。

Q4：如何避免 AI 编造经历？

可以从三个层面控制：

1. 系统提示词中明确禁止编造；
2. 工作流中增加“事实边界检查”节点；
3. 输出时要求标注“基于已有信息”和“建议补充信息”。

例如：

如果用户没有提供具体数据，不要生成虚假的百分比、金额、人数、增长率等数字，只能提示用户补充。

十三、案例总结

通过这个「智能简历优化助手」案例，我们可以看到，Coze 不只是一个聊天机器人搭建工具，更适合用来快速构建有业务流程的 AI 应用。

这个案例的核心价值在于：

1. 使用角色设定明确 Bot 专业身份；
2. 使用结构化提示词稳定输出质量；
3. 使用工作流拆解复杂任务；
4. 使用变量管理不同阶段结果；
5. 使用知识库增强专业能力；
6. 使用 API 接入自有系统；
7. 使用反馈机制持续优化应用。

如果你是产品经理、开发者、运营人员或独立创业者，Coze 是一个非常适合入门 AI 应用开发的平台。你可以从一个简单 Bot 开始，逐步加入知识库、工作流、插件和 API 集成，最终把想法变成真正可用的产品。

对于 AI 应用来说，真正的难点并不只是“调用大模型”，而是如何把模型能力嵌入到具体业务场景中，并让用户持续获得稳定、可信、可执行的结果。Coze 提供了一个低门槛但足够灵活的工具箱，而接下来能做出什么样的应用，取决于我们对场景的理解和产品设计能力。