｜从“能用”到“好用”｜拖拽式编排｜零代码实现精准控制｜

上一篇文章，我们用自然语言+插件快速搭了一个天气查询智能体。它能回答问题，但你也发现了不少毛病：

—问“北京”，它不知道怎么查（因为没有指定时间）

—输出格式乱七八糟，想让它固定成卡片样式，却总是不听话

—穿衣建议太笼统，能不能根据早中晚分别给出？

这些问题，本质上是大模型“自由发挥”的结果。自然语言提示词再详细，大模型偶尔还是会“抽风”。

怎么解决？答案就是工作流（Workflow）。

工作流就像一张“流程图”，你把每一个步骤用节点画出来，机器人必须严格按照你的流程执行，没有自由发挥的空间。

今天，我就带你从零创建一个工作流，把天气机器人从“能用”升级到“好用”。

📌本篇你将学到什么？

✅什么是工作流，以及它的核心价值

✅如何创建工作流并连接节点

✅用大模型节点解析用户输入（城市+时间）

✅调用天气插件获取真实数据

✅用代码节点精确计算星期几（修复大模型幻觉）

✅自定义输出格式，让回复更美观

全程拖拽+配置，不写一行代码（除了一个可选的Python小片段）。

第一步：为什么需要工作流？

回顾一下我们上一篇文章的架构：

```用户提问→大模型（自然语言）→天气插件→直接输出```

这个流程中，大模型既要理解用户的话，又要决定是否调用插件，还要决定输出格式。任务太多，容易出错。

工作流把每个环节拆开，变成一个个独立的节点：

```用户提问→[开始节点]→[大模型节点（只做解析）]→[插件节点（只查天气）]→[代码节点（处理数据）]→[结束节点]→输出```

每个节点只做一件事，环环相扣，绝对可控。

第二步：创建工作流

1.登录Coze，点击左侧“编程”→“工作流”→“新建工作流”。

2.名称：`weather_workflow`（只能字母、数字、下划线）

3.描述：`根据用户提问，查询指定城市、指定时间的天气，并返回格式化结果。`

4.点击确认，进入工作流编辑界面。

你会看到画布上已经有了两个节点：开始节点和结束节点。这是我们工作流的起点和终点。

第三步：配置开始节点（接收用户输入）

点击开始节点，在右侧配置面板中，添加一个输入参数：

参数名	类型	描述	是否必要
input	string	用户输入的问题（例如“北京未来三天天气”）	✅
这个 input 就是用户发给机器人的原始提问。

第四步：添加大模型节点（解析用户输入）

从左侧节点库拖拽一个“大语言模型”节点到画布，放在开始节点右边。然后连接开始节点的输出端到大模型节点的输入端。

点击大模型节点，配置如下：

配置项	内容
运行模式	单词处理
模型选择	豆包Pro或云雀（任意）
输入参数	引用开始节点的input
提示词	见下方
输出变量	添加四个字符串变量：city、town、start_date、end_date

提示词内容（直接复制）：

```从用户输入{{input}}中提取以下信息：

—城市（city）

—区/县/镇（town，如果没有就填空字符串）

—开始日期（start_date）

—结束日期（end_date）

日期格式必须为YYYY—MM—DD，例如2025—05—20。

如果用户没有指定时间，则默认start_date为今天的日期，end_date为今天+2天。

只输出JSON格式，不要有其他内容。```

这个提示词的作用是：让大模型把“北京未来三天天气”这样的自然语言，转换成`{"city":"北京","start_date":"2025—05—20","end_date":"2025—05—22"}`这样的结构化数据。

配置完成后，点击右上角“试运行”，输入测试内容“北京未来三天天气”，查看大模型节点的输出。你应该能看到类似这样的结果：

```json

{

"city":"北京",

"town":"",

"start_date":"2025—05—20",

"end_date":"2025—05—22"

}

```

如果解析不对，微调提示词（比如强调“日期必须补零”）。

第五步：添加插件节点（查询天气）

拖拽一个“插件”节点到画布，放在大模型节点右边，连接两者。

在插件节点中，搜索并选择你上一篇文章添加的天气插件（如“和风天气”或“彩云天气”）。

配置插件的输入参数，映射到大模型节点的输出：

插件参数	映射来源
City	大模型节点的city
start_date	大模型节点的start_date
end_date	大模型节点的end_date

不同插件的参数名可能不同，但一般都有城市、开始时间、结束时间。如果插件要求“城市代码”而不是名称，可以在后续用代码节点转换，这里先按最简单的来。

插件节点的输出是天气数据的JSON数组，包含每一天的温度、天气状况、日期等。

第六步：添加代码节点（精确计算星期几）

这里有一个很多人会踩的坑：大模型直接根据日期推算星期几，经常算错（比如把5月20日周二说成周三）。这是典型的“大模型幻觉”。

最靠谱的方法是：用代码算。Python的`datetime`模块永远不会算错。

拖拽一个“代码”节点到画布，放在插件节点右边，连接两者。

点击代码节点内的“编辑”按钮，进入IDE。选择Python语言，粘贴以下代码：

```python

importjson

fromdatetimeimportdatetime

defmain(input_data):

从插件节点获取天气数据列表

weather_list=input_data.get("weather_list",[])

result=[]

foriteminweather_list:

date_str=item.get("date","")格式应为YYYY—MM—DD

ifdate_str:

dt=datetime.strptime(date_str,"%Y—%m—%d")

weekday():0=周一,6=周日

weekday_map=["星期一","星期二","星期三","星期四","星期五","星期六","星期日"]

item["weekday"]=weekday_map[dt.weekday()]

result.append(item)

return{"weather_data":result}

```

这段代码的作用：遍历每一天的天气数据，根据日期计算出正确的星期几，然后添加到数据中。

配置代码节点的输入参数：引用插件节点的输出（通常叫`output`或`data`），参数名设为`weather_list`。

配置代码节点的输出参数：添加一个变量`weather_data`，类型为`array<object`。

点击“测试”，模拟输入插件节点的返回数据，确认代码能正确输出带星期几的天气列表。

第七步：配置结束节点（输出最终回答）

结束节点是工作流的出口。我们需要把处理好的天气数据，加上自定义格式，返回给用户。

连接代码节点的输出端到结束节点。

在结束节点的配置中：

—回答方式：选择“使用设定的内容直接回答”。

—回答内容：使用Markdown格式，循环输出每一天的天气。由于工作流结束节点不支持循环语法，我们需要用大模型节点来生成文本。但为了简单起见，这里先用一个大模型节点做格式化。

优化方案：在代码节点和结束节点之间，再添加一个大模型节点，专门用来生成最终回答。

新建一个大模型节点，连接代码节点。配置如下：

配置项	内容
输入参数	引用代码节点的weather_data
提示词	见下方
输出参数	final_answer（字符串）

提示词：

```

请根据以下天气数据，生成一段友好的回答。要求：

—按日期顺序输出

—每一天的格式为：【日期星期】天气：XXX｜温度：最低温—最高温℃｜穿衣建议：根据温度给出（20度以下穿外套，20—25度短袖，25度以上防晒）

—最后加一句温馨提醒

天气数据：{{weather_data}}

```

然后让结束节点直接输出这个大模型节点的`final_answer`。

第八步：试运行与发布

点击右上角“试运行”，输入测试内容：

—“北京未来三天天气”

—“上海今天天气”

—“杭州”

检查输出是否：

—日期格式正确

—星期几准确

—穿衣建议合理

—没有多余内容

一切正常后，点击“发布”。

第九步：把工作流关联到智能体

回到你之前创建的“天气查询”智能体编辑页。

1.在左侧“技能”→“工作流”中，点击“+”，添加刚发布的`weather_workflow`。

2.关闭原先直接调用的天气插件（避免冲突）。

3.修改人设与回复逻辑为：

```

你是一个天气查询助手。请调用工作流`weather_workflow`查询天气，并根据工作流返回的内容直接输出。你只能回答天气相关的问题。如果遇到无法解答的问题，请回复：“对不起，我只能回答天气问题。”

```

点击“优化”，然后发布智能体。

🎉你现在拥有了一个“聪明”的天气机器人

对比一下优化前后的区别：

场景	优化前（自然语言）	优化后（工作流）
问“北京”	报错或乱猜	自动查未来三天
输出格式	不稳定，随大模型心情	完全自定义，固定样式
星期几	经常算错	代码计算，100%准确
穿衣建议	笼统	根据温度区间智能推荐
这就是工作流的威力：把不可控的大模型“黑盒”，变成可控的“流水线”。

📢下篇预告：知识库——让机器人拥有长期记忆

下一篇，我们将进入Coze另一个核心功能：知识库。

你会学到：

—如何上传Excel、PDF、Word文档作为知识来源

—如何让机器人精准回答“课程价格是多少”“某某老师教什么课”

—如何用“索引列”实现表格数据的智能查询

适合做智能客服、企业问答系统的你。

如果不想错过，点击关注，第一时间收到更新。

💬最后

这一篇比上一篇复杂了不少，你可能需要花20—30分钟跟着一步步操作。如果遇到问题，欢迎在评论区留言，我会一一解答。

下篇见。

柒柒

2026年4月

📌本文已同步收录于专栏《无代码AI智能体开发实战：从零到一搭建你的专属机器人》，欢迎订阅持续学习。