从“Hello World”到智能客服：手把手教你用Coze工作流搭建一个能查天气、问知识的Bot

在数字化助手泛滥的今天，真正能解决实际问题的Bot却寥寥无几。你是否也厌倦了那些只会机械回复"我不明白"的聊天机器人？本文将带你从零开始，用Coze工作流打造一个真正智能的多功能助手——它能准确识别你的意图，无论是查询实时天气、解答专业知识，还是进行日常闲聊，都能给出精准回应。

这个项目不同于简单的功能演示，而是一个完整的端到端解决方案。我们将重点解决三个核心问题：意图识别（判断用户想干什么）、功能路由（决定调用哪个服务）和结果优化（让回答更人性化）。通过这个案例，你不仅能掌握Coze工作流的基础操作，更能理解如何将LLM、知识库、条件判断和外部API等模块有机组合，构建真正可用的智能应用。

1. 环境准备与基础配置

1.1 创建你的第一个工作流

登录Coze平台后，在工作区页面点击"创建工作流"。给这个工作流起个直观的名字，比如"多功能个人助理"，并在描述中简要说明其功能："处理天气查询、知识问答和日常对话"。清晰的命名和描述不仅方便管理，更能帮助LLM更好地理解工作流的用途。

初始工作流会自动包含两个节点：

• Start节点：接收用户输入
• End节点**: 返回最终结果

提示：工作流名称尽量使用动词+名词的组合，如"查询天气数据"比"天气功能"更利于LLM理解

1.2 配置基础参数

在开始拖拽节点前，建议先设置几个关键参数：

参数类型	推荐值	说明
默认模型	GPT-4	平衡性能和成本的最佳选择
Temperature	0.7	保持回答多样性又不失准确性
超时时间	30秒	避免长时间无响应

这些参数可以在工作流设置面板中找到，后续也可以根据实际效果调整。

2. 构建意图识别系统

2.1 设计用户输入解析

在Start节点后添加一个LLM节点，配置如下提示词：

"""你是一个专业的意图分类器，需要判断用户输入的意图类型：
1. 天气查询 - 包含"天气"、"下雨"、"气温"等关键词
2. 知识问答 - 涉及公司制度、产品信息等专业问题
3. 日常对话 - 其他所有类型

只需返回以下JSON格式的结果，不要额外解释：
{
  "intent": "weather|knowledge|chat",
  "keywords": ["关键词1", "关键词2"]
}
示例输入："上海明天会下雨吗？"
示例输出：{"intent": "weather", "keywords": ["明天", "下雨"]}
"""

这个提示词有几个设计要点：

• 明确限定了输出格式
• 给出了具体示例
• 定义了清晰的分类标准

2.2 添加条件分支

接下来插入一个Condition节点，配置判断规则：

// 条件判断逻辑
if (input.intent === "weather") {
  return "weather_flow";
} else if (input.intent === "knowledge") {
  return "knowledge_flow"; 
} else {
  return "chat_flow";
}

这个节点会根据之前的意图分类结果，将流程导向不同的处理分支。记得为每个分支添加对应的标签，方便后续管理。

3. 实现多功能处理模块

3.1 天气查询功能实现

在weather_flow分支中，我们需要：

1. 添加API节点调用天气服务：

   • 使用如OpenWeatherMap等服务的API
   • 配置城市参数：{{user_input.keywords}}

2. 用Code节点处理返回数据：

async def main(args):
    weather_data = args.params['api_response']
    return {
        'summary': f"当前天气：{weather_data['current']['temp']}°C",
        'details': weather_data['hourly'][:6]  # 返回未来6小时预报
    }

3. 最后通过LLM节点优化输出：

   根据以下数据生成友好、简洁的天气报告：
   {{weather_summary}}
   
   要求：
   - 包含温度、降水概率等关键信息
   - 给出适当的穿衣建议
   - 使用emoji增加可读性
   

3.2 知识问答系统搭建

对于knowledge_flow分支：

1. 配置Knowledge节点：

   • 选择已上传的公司知识库
   • 设置最小匹配度为0.7，避免无关结果
   • 最大召回数量设为3，保持回答简洁

2. 添加LLM节点优化回答：

   你是一个专业的客服代表，需要根据提供的知识库内容回答问题。
   
   已知信息：
   {{knowledge_results}}
   
   用户问题：
   {{user_question}}
   
   要求：
   - 只基于已知信息回答
   - 不知道就说"不清楚"
   - 使用列表方式呈现复杂信息
   

3.3 日常对话处理

chat_flow分支最简单，只需一个精心设计的LLM节点：

"""你是一个友好、幽默的个人助理，擅长日常闲聊。
当前对话上下文：
{{conversation_history}}

最新用户输入：
{{user_input}}

回答要求：
- 保持简短(1-2句话)
- 适当使用emoji
- 可以主动询问是否需要帮助
"""

4. 结果整合与优化

4.1 统一输出格式

在所有分支最终汇聚的节点前，添加一个Code节点确保输出格式一致：

async function main({ params }) {
  const { response_type, content } = params;
  
  return {
    response: {
      type: response_type || 'text',
      content: content || '抱歉，我无法处理这个请求',
      timestamp: new Date().toISOString()
    }
  };
}

4.2 添加异常处理

在工作流末尾添加错误处理分支：

1. Try-Catch节点捕获异常
2. LLM节点生成友好错误提示：

   系统遇到技术问题：{{error_message}}
   
   请用通俗易懂的方式向用户解释，并建议稍后再试。
   

4.3 性能优化技巧

• 缓存机制：对天气API结果缓存10分钟
• 批量处理：知识库查询支持多个问题同时处理
• 限流设置：防止API被过度调用

5. 测试与部署最佳实践

5.1 分阶段测试策略

1. 单元测试：逐个节点验证

   • 示例天气查询测试输入：

     {"intent": "weather", "keywords": ["北京", "明天"]}
     

2. 集成测试：验证分支跳转逻辑

3. 端到端测试：模拟真实用户对话流

5.2 部署到Bot

1. 在工作流页面点击"发布"
2. 进入Bot编排页面，添加该工作流
3. 在人设提示词中引用工作流：

   当用户询问天气或专业问题时，使用"多功能个人助理"工作流处理。
   

5.3 监控与迭代

建议添加以下监控指标：

指标名称	监控方式	优化目标
意图识别准确率	日志分析	>90%
API响应时间	性能监控	<1秒
用户满意度	反馈收集	持续提升

在实际项目中，最容易出问题的环节是意图识别。有用户反馈Bot总是把"天气热怎么办"误判为天气查询而非建议请求。后来我们在提示词中增加了更多示例，准确率提升了35%。另一个实用技巧是在知识库节点前添加关键词提取步骤，先用LLM提炼问题的核心关键词，再查询知识库，这样召回率能提高20%左右。