Coze 工作流自动化教程｜附配置文件

在 AI 应用快速发展的背景下，越来越多团队开始使用 Coze（扣子） 搭建智能体、自动化流程和业务助手。相比传统的脚本自动化，Coze 的优势在于：它可以把大模型能力、插件调用、知识库检索、条件判断、数据处理和消息回复整合到一个可视化工作流中，让非技术人员也能完成相对复杂的自动化任务。

本文将以一个常见场景为例，系统讲解如何使用 Coze 工作流实现自动化：用户提交需求后，系统自动识别需求类型、生成处理方案、调用知识库补充信息，并输出结构化回复。文末附带一份可参考的配置文件，方便你根据自己的业务进行改造。

一、什么是 Coze 工作流自动化？

Coze 工作流可以理解为一个“可视化的自动化编排系统”。它允许你把一个任务拆分成多个步骤，并通过节点进行串联，例如：

• 接收用户输入；
• 判断用户意图；
• 提取关键信息；
• 调用大模型生成内容；
• 查询知识库；
• 调用插件或 API；
• 根据条件分支执行不同逻辑；
• 输出最终结果。

传统自动化通常依赖代码，例如 Python、Node.js、RPA 脚本等；而 Coze 工作流更像是一个低代码平台，用户可以通过拖拽节点、填写提示词、配置变量的方式完成流程设计。

它特别适合以下场景：

1. 客服自动回复
   根据用户问题自动分类，并调用知识库生成回答。

2. 内容创作助手
   输入主题后，自动生成标题、大纲、正文、摘要和发布文案。

3. 表单需求处理
   用户提交需求后，自动判断优先级、提取字段并生成处理建议。

4. 运营自动化
   自动生成活动方案、社群话术、日报周报等内容。

5. 企业内部知识问答
   对接知识库后，员工可以直接询问制度、流程、产品资料等问题。

二、教程目标：搭建一个需求处理自动化工作流

本教程我们将搭建一个名为 “智能需求分析助手” 的 Coze 工作流。

用户输入一段需求描述，例如：

我们想做一个面向电商商家的 AI 客服系统，可以自动回答订单、物流、售后问题，希望尽快上线，预算有限。

工作流需要自动完成以下任务：

1. 提取用户需求中的关键信息；
2. 判断需求类型，例如产品需求、技术需求、运营需求、客服需求等；
3. 分析需求优先级；
4. 生成初步解决方案；
5. 输出结构化结果，包括需求摘要、业务目标、建议方案、风险提醒和下一步行动。

最终输出示例：

## 需求分析结果

### 1. 需求摘要
用户希望搭建一个面向电商商家的 AI 客服系统，用于自动处理订单、物流和售后类问题。

### 2. 需求类型
客服自动化 / AI 产品建设

### 3. 优先级判断
高优先级。原因是用户明确提出“尽快上线”，并且该需求直接影响客服效率和用户体验。

### 4. 建议方案
建议先搭建 MVP 版本，优先覆盖订单查询、物流查询、退换货政策问答等高频场景。

### 5. 风险提醒
预算有限可能影响系统集成深度，建议先采用低代码方案验证效果。

### 6. 下一步行动
收集高频客服问题，整理知识库，配置 Coze 工作流并进行灰度测试。

三、工作流整体设计思路

在正式配置之前，我们先设计工作流结构。一个合理的工作流不应该把所有任务都交给一个大模型节点完成，而是应该拆分成多个步骤，这样更容易维护，也更容易控制输出质量。

本案例工作流结构如下：

开始节点
  ↓
用户输入节点
  ↓
信息提取节点
  ↓
需求分类节点
  ↓
优先级判断节点
  ↓
方案生成节点
  ↓
风险分析节点
  ↓
结果整合节点
  ↓
结束输出节点

每个节点承担明确职责：

这种设计的好处是：每个节点的提示词都比较聚焦，大模型不容易跑偏；同时你也可以单独修改某个环节，例如只调整优先级判断规则，而不影响整体流程。

四、创建 Coze Bot 与工作流

1. 创建 Bot

进入 Coze 控制台后，点击创建 Bot。建议名称设置为：

智能需求分析助手

Bot 描述可以填写：

用于自动分析用户提交的业务需求，提取关键信息，判断需求类型和优先级，并生成结构化处理建议。

如果你是企业内部使用，可以在 Bot 的人设设置中加入更明确的角色定位，例如：

你是一名资深产品经理和业务分析顾问，擅长将模糊需求转化为清晰的执行方案。你的回答应结构化、专业、可落地，避免空泛描述。

2. 新建工作流

在 Bot 配置页面中找到“工作流”模块，点击新建工作流。

建议工作流名称：

需求自动分析工作流

工作流说明：

接收用户需求描述，自动提取关键信息，完成需求分类、优先级判断、方案生成和风险分析。

五、配置输入变量

工作流的第一步是定义输入变量。本案例只需要一个主要输入：

你可以要求用户直接输入一段自然语言，例如：

我想做一个知识库问答机器人，能够根据公司制度回答员工问题，还要支持请假流程查询。

如果你的业务需要更标准化，也可以设置多个输入字段，例如：

不过对于初学者来说，建议先使用单输入字段，降低配置复杂度。

六、节点一：信息提取节点

信息提取节点的目标是将用户输入转化为结构化信息。这里可以使用大模型节点。

节点名称

extract_requirement_info

输入

{{user_requirement}}

提示词示例

你是一名专业的需求分析师。请从用户输入的需求描述中提取关键信息。

用户需求：
{{user_requirement}}

请严格按照 JSON 格式输出，不要输出额外解释。字段如下：
{
  "需求摘要": "",
  "业务对象": "",
  "核心目标": "",
  "主要功能": [],
  "限制条件": [],
  "隐含诉求": [],
  "不明确之处": []
}

要求：
1. 如果某个字段无法判断，请填写“未明确”；
2. “主要功能”“限制条件”“隐含诉求”“不明确之处”必须是数组；
3. 不要编造用户没有提到的信息；
4. 输出必须是合法 JSON。

输出示例

{
  "需求摘要": "用户希望搭建一个面向电商商家的 AI 客服系统，用于自动回答订单、物流、售后问题。",
  "业务对象": "电商商家",
  "核心目标": "提升客服自动化能力，减少人工客服压力",
  "主要功能": ["订单问题回答", "物流问题回答", "售后问题回答"],
  "限制条件": ["希望尽快上线", "预算有限"],
  "隐含诉求": ["需要快速验证效果", "需要降低实施成本"],
  "不明确之处": ["是否需要对接订单系统", "是否需要人工客服转接", "支持哪些渠道"]
}

七、节点二：需求分类节点

需求分类节点用于判断需求类型。你可以根据公司业务自定义分类。例如：

• 产品需求；
• 技术需求；
• 运营需求；
• 数据分析需求；
• 客服需求；
• 内容生产需求；
• 自动化流程需求；
• 其他。

节点名称

classify_requirement

输入

使用上一步输出的 JSON，例如：

{{extract_requirement_info.output}}

提示词示例

你是一名产品需求分类专家。请根据以下需求信息判断需求类型。

需求信息：
{{extract_requirement_info.output}}

候选类型：
1. 产品需求
2. 技术需求
3. 运营需求
4. 客服需求
5. 数据分析需求
6. 内容生产需求
7. 自动化流程需求
8. 其他

请按照 JSON 格式输出：
{
  "需求类型": "",
  "分类理由": "",
  "相关部门": []
}

要求：
1. “需求类型”可以有多个，用“/”连接；
2. “相关部门”必须是数组；
3. 分类理由不超过 100 字；
4. 输出必须是合法 JSON。

说明

需求分类节点非常适合后续连接条件分支。例如，如果判断为“客服需求”，就走客服解决方案分支；如果判断为“数据分析需求”，就走数据报表方案分支。对于复杂企业场景，这一步非常关键。

八、节点三：优先级判断节点

优先级判断不能只看用户说“很急”，还要综合业务影响、实施成本、资源依赖和时间要求。

节点名称

evaluate_priority

提示词示例

你是一名项目管理专家。请根据需求信息判断该需求的优先级。

需求信息：
{{extract_requirement_info.output}}

分类结果：
{{classify_requirement.output}}

请从以下维度进行判断：
1. 紧急程度；
2. 业务影响；
3. 实施复杂度；
4. 资源依赖；
5. 风险程度。

请输出 JSON：
{
  "优先级": "高/中/低",
  "判断依据": "",
  "建议处理节奏": ""
}

要求：
1. 判断依据要具体；
2. 如果用户提到“尽快”“马上”“本周”“影响客户”等信息，应提高优先级；
3. 如果需求不明确且实施复杂，应建议先澄清再执行；
4. 输出必须是合法 JSON。

优先级判断参考规则

九、节点四：方案生成节点

方案生成节点是整个工作流中最重要的部分。它需要根据前面的信息生成可执行方案，而不是泛泛而谈。

节点名称

generate_solution

提示词示例

你是一名资深解决方案顾问。请根据需求信息、分类结果和优先级判断，生成一份可落地的初步方案。

需求信息：
{{extract_requirement_info.output}}

分类结果：
{{classify_requirement.output}}

优先级判断：
{{evaluate_priority.output}}

请输出 JSON：
{
  "总体思路": "",
  "推荐方案": [],
  "实施步骤": [],
  "所需资源": [],
  "验收标准": []
}

要求：
1. 推荐方案必须具体，不要只写“使用 AI 提升效率”；
2. 实施步骤按先后顺序排列；
3. 验收标准要可衡量；
4. 如果预算有限，应优先推荐 MVP 方案；
5. 输出必须是合法 JSON。

示例输出

{
  "总体思路": "先以低代码方式搭建 AI 客服 MVP，覆盖订单、物流、售后三类高频问题，再根据测试效果决定是否深入系统集成。",
  "推荐方案": [
    "整理高频客服问题并建立知识库",
    "使用 Coze 搭建客服问答 Bot",
    "配置问题分类和人工转接策略",
    "先在小范围商家或内部客服团队中试运行"
  ],
  "实施步骤": [
    "收集最近 30 天客服对话记录",
    "整理订单、物流、售后三类标准问答",
    "配置知识库和工作流",
    "进行测试并优化提示词",
    "灰度上线并统计命中率"
  ],
  "所需资源": [
    "客服 FAQ 文档",
    "产品和售后政策资料",
    "1 名业务负责人",
    "1 名 Coze 配置人员"
  ],
  "验收标准": [
    "常见问题命中率达到 80% 以上",
    "人工客服重复咨询量下降 30%",
    "用户满意度不低于上线前水平"
  ]
}

十、节点五：风险分析节点

很多自动化流程只输出方案，却忽略风险。实际上，风险分析非常重要，尤其是 AI 应用涉及知识库准确性、接口稳定性、权限管理和用户体验。

节点名称

analyze_risks

提示词示例

你是一名项目风险管理顾问。请根据以下内容分析该需求在执行过程中可能遇到的风险。

需求信息：
{{extract_requirement_info.output}}

方案内容：
{{generate_solution.output}}

请输出 JSON：
{
  "主要风险": [],
  "风险等级": "高/中/低",
  "规避建议": [],
  "需要进一步确认的问题": []
}

要求：
1. 主要风险至少 3 条；
2. 规避建议要与风险一一对应；
3. 不要夸大风险；
4. 输出必须是合法 JSON。

常见风险包括：

• 用户需求描述不完整；
• 知识库资料过期；
• 大模型回答不稳定；
• 没有人工兜底机制；
• 系统接口无法打通；
• 上线时间过短；
• 缺少明确验收指标；
• 权限和数据安全问题。

十一、节点六：结果整合节点

前面多个节点都输出 JSON，但用户最终更希望看到一份易读的报告。因此我们需要一个结果整合节点，把所有信息整理成 Markdown 格式。

节点名称

format_final_result

提示词示例

你是一名专业的业务分析顾问。请将以下信息整理成一份清晰、专业、可执行的需求分析报告。

需求信息：
{{extract_requirement_info.output}}

分类结果：
{{classify_requirement.output}}

优先级判断：
{{evaluate_priority.output}}

解决方案：
{{generate_solution.output}}

风险分析：
{{analyze_risks.output}}

请使用 Markdown 格式输出，结构如下：

## 需求分析结果

### 1. 需求摘要
用 1-2 句话总结需求。

### 2. 需求类型
列出需求类型和分类理由。

### 3. 优先级判断
说明优先级、判断依据和建议处理节奏。

### 4. 建议方案
用条目列出总体思路和推荐方案。

### 5. 实施步骤
按顺序列出执行步骤。

### 6. 所需资源
列出需要的人员、资料、系统或工具。

### 7. 验收标准
列出可衡量的验收指标。

### 8. 风险提醒
列出主要风险和规避建议。

### 9. 下一步行动
给出 3-5 条最优先要做的事情。

要求：
1. 内容要具体；
2. 不要输出 JSON；
3. 不要出现“根据以上信息”等空泛表述；
4. 语气专业、简洁、可落地。

十二、配置条件分支：让工作流更智能

如果你希望工作流不仅能分析需求，还能根据不同需求类型走不同方案，就可以加入条件分支。

例如：

如果需求类型包含“客服需求”
  → 进入客服解决方案节点

如果需求类型包含“内容生产需求”
  → 进入内容创作方案节点

如果需求类型包含“数据分析需求”
  → 进入数据报表方案节点

否则
  → 进入通用方案节点

条件分支的关键是前面分类节点的输出必须稳定。建议分类节点输出中保留明确字段，例如：

{
  "需求类型": "客服需求/自动化流程需求"
}

然后在条件判断中使用类似规则：

{{classify_requirement.output.需求类型}} contains "客服需求"

不同平台版本的变量引用方式可能略有差异，你可以根据 Coze 当前界面的提示进行调整。

十三、附：工作流参考配置文件

下面是一份简化版配置文件，适合用于理解整体结构。实际导入时，可能需要根据 Coze 当前版本的工作流配置格式进行调整。

workflow:
  name: "需求自动分析工作流"
  description: "接收用户需求描述，自动完成信息提取、需求分类、优先级判断、方案生成、风险分析和结果整合。"
  input:
    - name: "user_requirement"
      type: "string"
      required: true
      description: "用户输入的原始需求描述"

  nodes:
    - id: "start"
      type: "start"
      name: "开始节点"
      outputs:
        - "user_requirement"

    - id: "extract_requirement_info"
      type: "llm"
      name: "信息提取节点"
      input:
        user_requirement: "{{user_requirement}}"
      prompt: |
        你是一名专业的需求分析师。请从用户输入的需求描述中提取关键信息。

        用户需求：
        {{user_requirement}}

        请严格按照 JSON 格式输出，不要输出额外解释。字段如下：
        {
          "需求摘要": "",
          "业务对象": "",
          "核心目标": "",
          "主要功能": [],
          "限制条件": [],
          "隐含诉求": [],
          "不明确之处": []
        }

        要求：
        1. 如果某个字段无法判断，请填写“未明确”；
        2. 数组字段必须输出数组；
        3. 不要编造用户没有提到的信息；
        4. 输出必须是合法 JSON。

    - id: "classify_requirement"
      type: "llm"
      name: "需求分类节点"
      input:
        requirement_info: "{{extract_requirement_info.output}}"
      prompt: |
        你是一名产品需求分类专家。请根据以下需求信息判断需求类型。

        需求信息：
        {{extract_requirement_info.output}}

        候选类型：
        1. 产品需求
        2. 技术需求
        3. 运营需求
        4. 客服需求
        5. 数据分析需求
        6. 内容生产需求
        7. 自动化流程需求
        8. 其他

        请按照 JSON 格式输出：
        {
          "需求类型": "",
          "分类理由": "",
          "相关部门": []
        }

    - id: "evaluate_priority"
      type: "llm"
      name: "优先级判断节点"
      input:
        requirement_info: "{{extract_requirement_info.output}}"
        classification: "{{classify_requirement.output}}"
      prompt: |
        你是一名项目管理专家。请根据需求信息判断该需求的优先级。

        需求信息：
        {{extract_requirement_info.output}}

        分类结果：
        {{classify_requirement.output}}

        请输出 JSON：
        {
          "优先级": "高/中/低",
          "判断依据": "",
          "建议处理节奏": ""
        }

    - id: "generate_solution"
      type: "llm"
      name: "方案生成节点"
      input:
        requirement_info: "{{extract_requirement_info.output}}"
        classification: "{{classify_requirement.output}}"
        priority: "{{evaluate_priority.output}}"
      prompt: |
        你是一名资深解决方案顾问。请根据需求信息、分类结果和优先级判断，生成一份可落地的初步方案。

        需求信息：
        {{extract_requirement_info.output}}

        分类结果：
        {{classify_requirement.output}}

        优先级判断：
        {{evaluate_priority.output}}

        请输出 JSON：
        {
          "总体思路": "",
          "推荐方案": [],
          "实施步骤": [],
          "所需资源": [],
          "验收标准": []
        }

    - id: "analyze_risks"
      type: "llm"
      name: "风险分析节点"
      input:
        requirement_info: "{{extract_requirement_info.output}}"
        solution: "{{generate_solution.output}}"
      prompt: |
        你是一名项目风险管理顾问。请根据以下内容分析执行风险。

        需求信息：
        {{extract_requirement_info.output}}

        方案内容：
        {{generate_solution.output}}

        请输出 JSON：
        {
          "主要风险": [],
          "风险等级": "高/中/低",
          "规避建议": [],
          "需要进一步确认的问题": []
        }

    - id: "format_final_result"
      type: "llm"
      name: "结果整合节点"
      input:
        requirement_info: "{{extract_requirement_info.output}}"
        classification: "{{classify_requirement.output}}"
        priority: "{{evaluate_priority.output}}"
        solution: "{{generate_solution.output}}"
        risks: "{{analyze_risks.output}}"
      prompt: |
        你是一名专业的业务分析顾问。请将以下信息整理成一份清晰、专业、可执行的需求分析报告。

        需求信息：
        {{extract_requirement_info.output}}

        分类结果：
        {{classify_requirement.output}}

        优先级判断：
        {{evaluate_priority.output}}

        解决方案：
        {{generate_solution.output}}

        风险分析：
        {{analyze_risks.output}}

        请使用 Markdown 格式输出，结构如下：

        ## 需求分析结果

        ### 1. 需求摘要
        ### 2. 需求类型
        ### 3. 优先级判断
        ### 4. 建议方案
        ### 5. 实施步骤
        ### 6. 所需资源
        ### 7. 验收标准
        ### 8. 风险提醒
        ### 9. 下一步行动

    - id: "end"
      type: "end"
      name: "结束节点"
      output:
        final_result: "{{format_final_result.output}}"

  edges:
    - from: "start"
      to: "extract_requirement_info"
    - from: "extract_requirement_info"
      to: "classify_requirement"
    - from: "classify_requirement"
      to: "evaluate_priority"
    - from: "evaluate_priority"
      to: "generate_solution"
    - from: "generate_solution"
      to: "analyze_risks"
    - from: "analyze_risks"
      to: "format_final_result"
    - from: "format_final_result"
      to: "end"

十四、测试工作流

配置完成后，一定要进行测试。建议准备 5 到 10 条不同类型的需求输入，观察输出是否稳定。

测试样例一：客服类需求

我们公司有很多用户咨询物流和退款问题，希望做一个自动客服机器人，能减少人工客服压力。

重点观察：

• 是否识别为客服需求；
• 是否建议建设 FAQ 或知识库；
• 是否考虑人工兜底；
• 是否给出可衡量验收标准。

测试样例二：内容生产需求

我想做一个小红书文案生成工具，输入产品卖点后自动生成标题、正文和标签。

重点观察：

• 是否识别为内容生产需求；
• 是否给出内容模板配置建议；
• 是否提醒平台风格和违规词风险。

测试样例三：数据分析需求

我们每周都要人工整理销售数据，希望自动生成销售周报，包括销售额、同比、环比和异常分析。

重点观察：

• 是否识别为数据分析需求；
• 是否提醒需要数据源；
• 是否给出报表指标和验收标准。

测试时不要只看一次结果，要多次输入相似需求，检查输出结构是否一致。如果模型经常不按 JSON 输出，可以在提示词中加强约束，例如加入：

如果你输出的内容不是合法 JSON，将导致系统解析失败。请只输出 JSON，不要包含 Markdown，不要包含解释文字。

十五、常见问题与优化建议

1. 输出格式不稳定怎么办？

这是工作流中最常见的问题。解决方法包括：

• 明确要求“只输出 JSON”；
• 给出完整 JSON 示例；
• 避免让一个节点同时完成太多任务；
• 对关键节点使用结构化输出；
• 在后续节点中尽量引用固定字段。

2. 大模型回答太空泛怎么办？

可以在提示词中加入限制：

禁止使用空泛表达，例如“提升效率”“优化体验”“加强管理”，除非同时说明具体做法。

也可以要求输出包含可执行步骤、负责人、验收标准等内容。

3. 工作流太长会不会影响速度？

会。节点越多，执行时间越长，调用成本也越高。建议根据业务重要性进行取舍。如果只是简单问答，可以减少节点；如果是企业级需求处理，则建议保留拆分结构。

4. 是否必须接入知识库？

不一定。本案例不强制接入知识库。但如果你的需求分析依赖公司内部规范、产品资料或报价方案，建议接入知识库，这样输出会更贴近实际业务。

5. 如何让结果更符合公司标准？

你可以将公司内部的需求模板、项目评估标准、SOP 文档上传到知识库，然后在方案生成节点或结果整合节点中加入：

请优先参考知识库中的公司需求评估规范和项目立项标准。

十六、进阶玩法：接入插件和外部 API

当基础工作流稳定后，你可以继续扩展自动化能力。

例如：

1. 接入飞书或企业微信

当用户提交需求后，工作流自动生成分析报告，并发送到指定群聊。

流程可以扩展为：

用户输入需求
  ↓
工作流分析
  ↓
生成报告
  ↓
调用飞书消息插件
  ↓
发送给产品或项目负责人

2. 接入表格系统

如果你希望自动记录需求，可以调用 API 将结果写入在线表格，例如飞书多维表格、Notion、Airtable 或企业内部系统。

记录字段可以包括：

• 需求摘要；
• 需求类型；
• 优先级；
• 提交时间；
• 处理建议；
• 风险等级；
• 下一步行动。

3. 接入工单系统

对于客服或技术支持场景，可以将高优先级需求自动创建为工单，并分配给对应负责人。

例如：

如果优先级 = 高
  → 创建工单
  → 通知负责人
否则
  → 仅记录到需求池

这样 Coze 工作流就不只是“生成回答”，而是真正参与业务流转。

十七、上线前检查清单

在正式上线前，建议按照以下清单检查：

• [ ] 输入变量是否清晰；
• [ ] 每个节点职责是否单一；
• [ ] JSON 输出是否稳定；
• [ ] 是否设置异常情况处理；
• [ ] 是否测试了多种需求类型；
• [ ] 是否避免编造用户未提供的信息；
• [ ] 是否有人工兜底机制；
• [ ] 是否配置知识库或业务规则；
• [ ] 是否明确验收标准；
• [ ] 是否保存测试记录，方便后续优化。

十八、总结

Coze 工作流自动化的核心，不是简单地让 AI 回答问题，而是把一个复杂任务拆解成多个稳定、可控、可复用的节点。对于需求分析、客服问答、内容生产、数据报告等场景来说，这种方式既能降低开发成本，也能提升业务效率。

本文介绍的“智能需求分析助手”只是一个基础案例，但它已经覆盖了工作流自动化的关键方法：输入变量设计、节点拆分、提示词编写、结构化输出、风险分析、结果整合以及配置文件管理。

如果你是刚开始使用 Coze，建议先从一个简单场景入手，例如客服 FAQ、日报生成或需求分析；当流程稳定后，再逐步加入条件分支、知识库、插件和外部 API。这样既能快速看到效果，也能避免一开始就把系统设计得过于复杂。

只要掌握了“拆任务、定变量、写提示词、控格式、测结果”这五个关键步骤，你就可以用 Coze 搭建出真正可落地的 AI 自动化工作流。