企业官网建设流程全解析

前两天有个做自媒体号的朋友跑来问我，说自己也眼馋AI提效，可一搜教程全是“调用大模型API”“本地部署大模型”“配置Agent框架”，看到代码那一步就劝退了。我跟她说，你只需要一个浏览器、一个账号，甚至不需要装任何开发环境，就能把一个能干活的多Agent工作流跑起来。这个工具就是Coze3.0，国内叫扣子。今天这篇教程直接带你从零开始搭一个“主题输入、文案输出”的完整智能体，全程无代码，十分钟内出结果。文章里涉及的AI大模型、工作流、多Agent协作这些词，我会用最直白的方式讲清楚，不管你是一点基础都没有的小白，还是想快速上手AI应用的人，都能照着做出来。

先给你看一个结果：输入“开在老洋房里的露营咖啡店”，工作流会自动生成一条包含标题、正文、话题标签的小红书种草文案，而且是没有“AI味”的那种。整个过程只需要拖拽节点、填提示词、点运行，不需要写一行代码。扣子把大部分工程细节都封装好了，你要做的只是理解它的设计逻辑。

1. 为什么零基础的人，反而应该先选Coze3.0而不是手写代码

1.1 Coze3.0到底是个什么东西

Coze3.0是字节跳动推出的AI智能体开发平台，国内版叫扣子，主打“无代码搭建AI应用”。你可以把它理解成一个可视化的工作车间：左边有各种零件（节点），把它们拖到画布上，用线连起来，一个能自动完成任务的流程就搭好了。这些零件里最关键的是“大模型节点”，它负责调用底层大模型来思考、生成和判断，而你可以完全不用关心接口、并发、模型部署这些工程细节。

我见过太多人把AI应用想得很玄乎，觉得必须会Python、会调用API才叫“入门”。其实现在工具链已经进化到完全不需要写代码的阶段了。扣子这类平台把“技术门槛”换成了“逻辑门槛”——你只要能想清楚“先做什么、再做什么、最后输出什么”，就具备了搭建智能体的基本能力。

1.2 和Dify、n8n、直接调API相比，扣子更合适谁

市面上的AI应用搭建工具并不少，我把自己用下来的感受整理成一个表，大家可以对照自己的情况来选：

从这个表能看出来，扣子最大的优势就是“低门槛+多平台发布”。尤其是你不确定自己的需求是不是靠谱时，用扣子最快十几分钟做个原型去验证，比先写两小时代码再验证要高效太多。适合需要快速把创意落地成可用Demo的人。

1.3 搞清楚它能干什么，你才知道从哪儿入手

很多人上来就问“智能体能做什么”，其实问反了。你应该先想“我需要它帮我做什么”，再去设计流程。扣子里最常见的落地场景包括：

• 内容生产：输入主题输出小红书文案、公众号推文、短视频脚本；
• 信息处理：把一堆杂乱文字整理成结构化表格，或者把Markdown转成Word工作流；
• 客服/销售助手：人设版智能体自动回复客户常见问题；
• 知识库问答：挂上你自己的文档，变成一个能“读了你的资料再回答”的专家；
• 简历筛选：把收到的简历批量导入，自动按条件提取关键信息排序。

这些场景本质上都只是一句话：“喂给它一个输入，它通过若干步骤，给你一个更好的输出。”扣子的工作流就是把这个过程可视化出来。

2. 开工之前：用一条“奶茶店流水线”看懂工作流、智能体和节点

2.1 工作流、智能体、节点分别是谁

没接触过的人很容易被三个名词搞晕：智能体、工作流、节点。我当时的理解方式特别土，直接拿奶茶店举例子，一下就通了。

• 把扣子想象成一家奶茶店，
• 智能体是站在柜台前听你点单的店员，它理解你的需求，然后协调后厨做出一杯符合你口味的奶茶；
• 工作流是后厨的操作流水线，从确认原料到封装出杯，每一步都是固定的；
• 节点就是流水线上的每一个工位，比如“加糖”“加冰”“封口”，每个工位干一件明确的事。

所以搭建一个智能体，本质上是“雇一个店员，再由这个店员安排后厨流水线干活”。在扣子里，“店员”负责接收用户消息，它可以通过对话判断该调用哪个工作流；而“工作流”负责把复杂的任务拆成步骤，按顺序或按条件执行。明白了这层关系，后面操作就不会乱。

2.2 工作流里最常见的几类节点

进入工作流编辑界面后，你会看到一堆节点。零基础不需要每个都精通，先认识这几种就够了：

• 开始节点：定义这个工作流接收什么输入。比如“主题”“用户问题”“简历文本”，每个输入都要声明类型，文本或数值；
• 大模型节点：核心节点，调用大模型生成内容。你可以自己写提示词，它负责“思考和创作”；
• 知识库节点：从你上传的文档里检索内容，适合做客服问答或者专家助手；
• 代码节点：支持写一小段Python或JavaScript处理数据。不写也行，很多功能可以用节点组装代替；
• 条件分支节点：根据判断结果走不同路线，类似“如果用户问题含‘退款’就走退换货流程”；
• 变量聚合/信息提取节点：从大模型输出中提取某个字段，或者拼接多段内容；
• 插件节点：调用平台内置功能，比如搜索网页、读取链接、图片识别；
• 结束节点：声明工作流的最终输出结果。

刚开始不需要贪多，抓住“开始节点、大模型节点、结束节点”这三件套，配合一个“信息提取节点”就已经能实现很多功能了。

2.3 理解“上下文”是避免后面到处翻车的关键

在搭工作流之前，还有一件事必须提醒你：大模型不是什么都记得。每个大模型节点都有自己的“上下文窗口”，通俗说就是它一次能看到的文本量。窗口有4k、32k、128k的区别，超出窗口的内容会被截断或忽略。

更关键的是，在一个工作流里，不同的节点之间不是天然共享信息的。你必须手动把上一个节点的输出，作为变量传给下一个节点。扣子里传变量的方式一般是{{节点名.输出字段}}。很多新手初次搭工作流，第二个节点引用了不存在的字段名，结果输出空白，还以为大模型坏了，其实就是上下文没传对。这一点在后面实操中会反复用到，先有个印象。

3. 十分钟无代码实操：搭一个“主题变文案”的完整工作流

3.1 场景选型与整体流程

为了让教程能落地，我选一个很多人需要的场景：输入一个主题，自动生成一条小红书风格种草文案，要求输出包括吸引人的标题、正文内容和话题标签。

整体流程设计成三步：

1. 开始节点接收用户输入的主题；
2. 第一个大模型节点扮演“文案策划”，生成初稿；
3. 第二个大模型节点扮演“校对排版”，把初稿打磨得更自然，输出最终文案。

这里先用两个大模型节点，是因为单次生成往往质量不稳定，加一个“校对角色”会好很多。从功能上说，这就是一个最简版的多Agent协作，后面第4章会展开讲。

3.2 第一步：创建智能体，进入工作流编辑区

先打开扣子官网，注册登录后点击“创建工作空间”或“创建智能体”，给你的智能体起个名字，比如“文案小助手”，描述里写清楚它做什么：“根据用户输入的主题，生成适合小红书发布的种草文案”。

创建完成后进入智能体编排页面。这里要特别注意：扣子里“智能体”和“工作流”是两个层级。你可以在这个页面左上角或中间区域看到“工作流”的入口。点击“创建工作流”，命名为“主题写文案”，描述填“输入主题，输出完整小红书文案”。新建完成后就会进入工作流的可视化画布。

如果是第一次使用，画布上通常已经有一个“开始节点”和一个“结束节点”，这就是一条空流水线。

3.3 第二步：配置开始节点，定义输入参数

点击开始节点，在右侧配置面板里新建一个输入参数。参数名建议写成小写英文，例如topic，类型选择“文本”，含义说明填“用户想要写文案的主题”。

这里为什么不用中文参数名？虽然扣子大多数时候支持中文变量名，但英文变量名在后续节点引用时不容易出错。另外，变量名一旦确定，后面所有节点引用都要保持一致，否则一定会报错。我开始搭第一个工作流时，把变量名一会儿写topic，一会儿写主题，结果第二个节点怎么都接不到数据，排查了半天才明白是名字对不上。

3.4 第三步：添加第一个大模型节点，写“文案策划初稿”

从左侧节点库拖一个“大模型节点”到画布上，放在开始节点后面，点击节点右上角的小圆点，从开始节点拖一条连线过来，这样可以自动建立输入关系。

然后配置这个节点：

• 选择模型：新手建议优先选带“快”标识的模型，比如平台默认推荐的轻量级大模型，速度更快，价格更便宜。等流程跑通后，想要更高质量输出再换成更强的模型；
• 输入变量：在这个节点的“输入”区域，添加一个变量引用，指向开始节点.topic；
• 写提示词提示词模板，填下面这个内容，大家可以先复制再用：

你是一个擅长写小红书种草文案的博主，文风自然亲切，不刻意堆砌华丽辞藻，但有生活气息。 请根据用户给出的主题，写一篇种草文案。 主题：{{topic}} 要求： 1. 第一句写一个吸引人的标题，标题不用太长； 2. 正文字数控制在300-500字，内容要具体，有现场感，不能泛泛而谈； 3. 结尾后另起一行，给出5个小红书风格话题标签； 4. 不要出现“首先、其次、总之”这类议论文连接词。

配置完提示词后，还要设置这个节点的“输出变量”。一般默认会有一个输出字段叫text，保存的是大模型生成的完整内容。我们保留这个名字，方便后续节点引用。

3.5 第四步：添加第二个大模型节点，让“校对排版”再来一轮

接着再拖一个“大模型节点”到画布上，放在第一个大模型节点的后面，用连线把它们连起来。这个节点扮演“排版编辑”的角色，它不只是简单润色，而是要检查上一版文案是否有AI感、逻辑是否流畅、格式是否适合小红书阅读。

它的输入不再引用开始节点.topic，而是引用第一个大模型节点.text。这一步就是典型的上下文传递。提示词可以这么写：

你是一个小红书内容编辑，擅长把初稿打磨成真正像人写的文案。 请把下面这段内容改写成更适合发布的版本： 要求： 1. 保留原文的核心表达和关键信息，不要丢失细节； 2. 删掉“如果你也想”“总之”“不得不说”这类模板感太强的套话； 3. 措辞要自然，如果发现原文有“作为一枚吃货”“绝绝子”等过度网络化的词，改为更有真实感的表达； 4. 最后统一格式：第一行标题，空一行，正文，空一行，话题标签。 5. 直接输出改写后的完整内容，不要解释。 原始内容： {{第一个大模型节点.text}}

设置完成后，同样会有输出变量text。

3.6 第五步：配置结束节点，运行测试

最后点击结束节点，把结束节点的输出设置为第二个大模型节点的text字段。这样工作流运行结束后，返回给用户的就是最终排版过关的文案。

现在点右上角的“试运行”按钮，填一个输入主题，比如“一间开在社区里的温暖面包店”，点运行，等几秒钟就能看到结果。第一次运行建议多跑两三次，每次生成结果可能有差异，这是正常的。如果输出空内容，优先检查节点之间的变量引用是否对得上。

到这里，一个最简单的“主题变文案”工作流已经跑通了，整个过程确实不用写代码。

4. 多Agent不是玄学：让策划、写手、校对三个角色同时干活

4.1 为什么单个大模型节点不够用

有人会疑惑：我一个节点也能让AI写文案，为什么要用两个甚至更多节点串联？“多Agent”到底解决了什么问题？

因为单次调用大模型做复杂任务时，模型容易“既要又要”，既要构思结构又要控制语气还要注意格式，结果每个方面都做得一般。就像让一个新人既当策划又当写手又当校对，他很难一边构思创意一边检查错别字。而把任务拆给不同角色的Agent，每个节点只需要专注做好一件事，输出质量会明显提升。

这就是多Agent的底层逻辑：拆分任务，角色化，专业化。

4.2 方式一：工作流内串联多个大模型节点，最适合新手

刚刚演示的“策划初稿 + 校对排版”就是工作流内多Agent协作。这种方式的好处是流程清晰、逻辑直观、好调试。你可以在这个思路上继续扩展角色，比如再加一个“标题创作节点”、一个“标签生成节点”，跑出来的效果会越来越像一个团队在干活。

我建议新手先用这种方式理解多Agent，因为它的调试成本最低。哪个环节输出不对，直接在画布上看那个节点的中间输出就能定位问题。

4.3 方式二：主智能体调度多个子智能体，真正意义上的“协作”

如果你进一步想，可以让一个“主智能体”根据用户的不同请求，去调用不同任务的“子智能体”。比如用户说“帮我写文案”，主智能体就调用“文案创作Agent”；用户说“帮我分析这串数据”，主智能体就调用“数据分析Agent”。它们各有专长，互不干扰。

在扣子里，常见做法是把子智能体做成独立的工作流或独立智能体，然后在主智能体的“技能”或“插件”区域添加引用。具体入口可能叫“添加技能”“添加插件”，不同版本按钮位置不完全一样，但逻辑是一样的：主智能体判断用户意图，然后调用对应技能，技能底层跑的就是子智能体的工作流。这种方式不适合一上来就做，容易把自己绕晕，建议先跑通工作流内串联，再来尝试主从调度。

4.4 多Agent在实际项目里的角色拆分

我整理一个可以用来参考的角色分工表，你搭自己的应用时可以套用：

这五个角色如果在一个工作流里依次串联，就是一个完整的AI内容生产线。你可以先只用两个角色跑通，后面按需加。

5. 发布前的自测与调优：把中间变量亮出来看

5.1 不要只跑一个“好输入”，要做坏输入测试

很多新手测试工作流只测一个预期中的例子，比如输入“露营咖啡店”，看起来没问题就准备发布了。结果真实用户什么都会打出来，可能直接打一个“你好”，也可能复制一大段乱码。

所以在发布前，建议至少测这几类输入：

• 空输入：用户什么都没填就直接点了发送；
• 超短输入：比如只输入一个“好”字；
• 超长输入：比如粘贴了一整篇几千字的文章；
• 无关输入：比如问“今天天气怎么样”，但你的智能体只会写文案。

如果发现某些输入导致报错或输出乱码，可以用“条件分支节点”做拦截，比如“如果主题为空，就回复引导话术”。这个能力在扣子里可以可视化配置，不需要写代码，但需要你有“预判坏场景”的意识。这一步很多人忽略，但正是它决定了你的智能体是“能跑”还是“能让人真的用”。

5.2 学会看中间输出：变量名才是最容易翻车的地方

跑完一次工作流后，扣子的试运行界面会展示每个节点的输入和输出。你一定要养成点开每个节点看中间结果的习惯。比如第一个大模型节点的输出显示正常，第二个节点却是空白，问题就出在变量引用上。

最常见的翻车原因有三个：

• 变量名拼写不一致，比如开始节点叫topic，提示词里写成了{{topics}}；
• 引用字段路径不对，例如该引用text却写成了output；
• 上一节点输出的是数组或对象，而你当成纯文本拼接了。

排查方法很简单：在试运行界面点开每个节点，看“输出”区域实际返回了什么。是纯文本，还是JSON结构？是行数太多被截断了，还是本来就是空内容？解决完再跑一轮，基本就能稳定。

5.3 发布到飞书、豆包、API：零基础也能选到合适的出口

一个能跑通的工作流只完成了50%，剩下50%是发布出去让别人用。扣子支持多个发布渠道，你要根据使用场景来选：

• 发布到豆包：适合把智能体变成抖音/豆包里的一个对话机器人，普通用户可以直接对话；
• 发布到飞书：适合做成公司内部机器人，比如员工向它问制度、提周报；需要按提示完成飞书开放平台授权；
• 发布为网页应用：生成一个链接，发给朋友就能打开体验，最方便验证想法；
• 发布为API：适合已经有自己程序或网页的人，通过API调用来对接业务系统。

零基础的话，我强烈建议先发布成“网页应用”拿真实用户测试一下，再考虑要不要接API。发布为网页版只需要按界面提示填写名称、描述、初始引导语，生成链接后分享出去就行。这一步能让你更有动力继续优化。

5.4 效果不稳定怎么办：先检查模型选型，再检查提示词

如果同一输入跑了三次，结果一次比一次差，先别急着改提示词。你要看工作流里用了什么样的模型。默认推荐模型一般追求速度和成本，生成质量只能说“够用”。想要更稳定的输出，可以换更强的大模型，但速度和成本会上升。我的经验是测试阶段用轻量模型，确认流程无误后，再换高质量模型做最终效果评估。

如果模型换完还是不稳定，问题基本出在提示词太宽泛。比如“写一篇好的文案”就是宽泛，“写一篇适合25岁新手宝妈看的、语气轻松、不推销感很强的母婴用品使用体验文案”就具体得多。给模型越清晰的边界，输出越稳定。

6. 我踩过的坑：提示词、超时、免费额度和上下文丢失

6.1 提示词写得太“大”导致输出像空话

我刚开始搭工作流时，提示词写的是“请帮我把这段文字变成爆款文案，要有感染力，要吸引人”。结果模型生成的每一篇都差不多，全是“你一定不能错过”“真的好用到哭”这类套话，根本没有针对当前主题写出具体内容。

后来我才明白，提示词越空，输出越空。后来我总结了一个五段式模板，分享给大家：

1. 角色定义：你是什么人；
2. 任务目标：你要做什么；
3. 输入：把变量接进来的内容；
4. 输出要求：格式、字数、语气、禁忌；
5. 边界条件：如果信息不足怎么办。

这样写出来的提示词，虽然不长，但每个维度都覆盖了。比如前面“文案策划初稿”节点的提示词就是按这个模板写的，确实稳定很多。

6.2 节点串多了超时，不是越复杂越聪明

有一阵子我为了做出“更聪明的智能体”，把知识库、网页搜索、代码处理、多轮大模型循环全塞进一个工作流，结果运行一次要等好久，甚至直接超时。扣子对工作流单次运行时长有上限，节点越多、模型越强、处理的数据越长，超时概率越大。

后来我学会了一个原则：能用一个大模型节点解决的问题，就不要拆成三个。多Agent协作确实能提升质量，但也不是越多越好。每个节点增加的延迟、成本和失败概率都是实实在在的。扣子的多Agent思路应该是“该拆的拆，该合的合”，比如资料搜索和资料总结分开是有意义的，但让两个模型各写一遍同一段文案的意义就不大。

6.3 免费额度的真实体验：轻量模型省着用

说实话，扣子的免费额度对于学习完全够用。但要注意，工作流里每个节点的模型调用都会消耗额度，跑一次“策划+校对”两个节点，消耗就是单次调用的两倍。如果你串了七八个节点，还全用高质量模型，额度消耗会很快。

我的经验是平时调试用轻量模型，最终验证时再换高质量模型；尽量避免把同一个工作流跑很多次来“看随机效果”。每跑一次都要有目的，要么测变量，要么测边界条件。这样既能省额度，也能更快把系统调稳定。

6.4 上下文丢失：字段引用错了，大模型再好也白搭

第四个大坑是关于上下文的。有一次我让第一个节点输出结构化JSON，然后让第二个节点从中提取某个字段，结果第二个节点一直说“没有找到”。我当时以为是模型能力不够，后来打开中间输出一看，才发现第一个节点输出的字段名是title，我在第二个节点引用的却是headline，名字不匹配，当然找不到。

从那以后我形成两个习惯：

• 所有节点的输入变量名和输出变量名，在设计阶段就写在纸上，统一命名规则；
• 运行后一定点开中间节点检查，不靠猜。

其实很多“工作流跑不通”的问题，90%都出在字段名、类型、引用的环节，而不是模型本身。把这一块理顺，整条流程就顺畅了。

最后再分享一个我自己的感受：不需要等到把所有理论都看完才动手。你完全可以先照着这篇教程搭一个最简单的工作流，哪怕只是让AI输出一句话，也是完整的闭环。跑通之后再回来调角色、加节点、接知识库，你会对这些概念有完全不同的理解。我搭第一个能用的智能体时，总共只花了不到半小时，但过程中踩的坑比之前看十篇教程学到的东西都多。多Agent的应用之路，所有AI产品都在探索，越早自己动手跑通一次，你对它的理解就越实在。