3 - 基于 Coze&Dify 平台的智能体开发

---

2025 年，被视为智能体落地元年。现在搭建一个智能体，就好比 2013 年你就有了第一批公众号，好比 2016 年你注册了抖音。

这一章是整套教程里“平台型智能体与工作流”的入口。它不以代码框架为主，而是先带你在 Coze、Dify、Cherry Studio 这类低代码/零代码平台里，把提示词、工具、知识库、变量、工作流这些核心能力真正跑起来。

如果说 第 21 章 Agent 智能体 主要解决的是“Agent 在原理和代码框架里到底怎么工作”，那么这一章更关心的是“不会写太多代码时，怎样先把一个可用的智能体应用做出来”。

---

本章课程目标：

• 从平台视角理解“智能体”到底是什么，知道提示词、工具、知识库、变量、工作流分别解决什么问题。
• 理解平台智能体的三种常见形态：提示词型、工作流型、更自主的 Agent 型，并知道它们各自适合什么任务。
• 能用 Cherry Studio、豆包、讯飞星火等 完成最轻量的角色型智能体。
• 掌握 Coze（扣子） 中搭建智能体的主要能力：提示词、插件、知识库、变量、数据库，并完整跟做「深夜情感主持」「高考报考指南」「家庭记账助手」。
• 掌握 Dify 中搭建智能体的主要能力：Agent 应用、工具、变量、内容审查、调试日志，并跟做「时事评论助手」「北京旅行助手」。

学习建议： 这章不用把每个平台的按钮全点一遍。第一遍先分清提示词、工具、知识库、变量、工作流分别负责什么；第二遍挑 1 个 Coze 案例和 1 个 Dify 案例实际做完，并到调试日志里看一次运行过程。能说清“哪个能力解决哪个问题”，比记住菜单位置更有用。

官方文档与资源：详见 工具导航与参考资料索引 - 低代码与智能体平台。

---

1、先建立一张“平台智能体”地图

1.1 什么是平台型智能体？

从教程全局来看，“智能体”这个词至少有两种常见语境：

• 平台语境：在 Coze、Dify、豆包、腾讯元器这类平台里，通过提示词、工具、知识库、工作流拼出一个能交付的应用。
• 代码语境：在 LangChain、LangGraph 等框架里，用 Tool、状态、规划、记忆、MCP 等能力实现更强的 Agent 系统。

本章先讲第一种，也就是平台型智能体。它可以帮助我们把“智能体到底能做什么”看清楚，再决定哪些需求适合继续往代码框架里走。

更通俗一点说：

• 如果你只是想快速做出一个“会聊天、有角色、有一点外部能力”的应用，平台通常足够。
• 如果你需要更复杂的状态控制、多轮任务编排、可测试的代码架构，再进入 第 21 章 Agent 智能体 和后续 LangGraph 主线会更合适。

1.2 为什么这一章要先于第 21 章？

在入门阶段，平台学习有一个很大的好处：能先把抽象概念变成可见的界面和结果。

比如你在平台里看到：

• “提示词”对应角色设定和行为规则
• “插件 / 工具”对应联网搜索、数据库、外部 API
• “知识库”对应额外资料的检索补充
• “变量”对应流程中的状态保存
• “工作流”对应多个步骤的串联执行

这些概念以后在代码框架里都会再出现，只是名字和写法更工程化。也正因为如此，本章和 第 21 章 Agent 智能体 不是重复关系，而是先平台、再原理、再代码的递进关系。

1.3 先看几个典型例子

我们先不急着背定义，先看平台和产品里“智能体”通常长什么样。

举例 1：HyperWrite 研发的个人助理型智能体，可自动预订航班机票

这类智能体不是只会回答问题，而是会围绕一个目标去调用工具并完成动作。

举例 2：情感沟通类智能体“林间聊愈室”

情感沟通类智能体“林间聊愈室”app 上线，收获大量用户好评。其中产品使用小动物的角色设定降低了用户的戒备心，加上治愈的画风和场景设计，打造独特的用户体验。

这类产品说明：哪怕没有复杂工具，仅靠角色设定、对话体验和风格设计，也能做出有价值的智能体产品。

举例 3：Shopify 多模态智能体

Shopify 多模态智能体图片识别功能，分析产品图像、货架状况和仓库环境，有助于快速评估库存水平、识别损坏情况并有效进行产品分类。

这说明智能体并不局限于“聊天”，它也可以结合图像识别、业务系统和规则判断去完成任务。

举例 4：豆包上集成的多种智能体

这类平台型智能体最适合做“快速验证需求、快速交付给用户体验”。

举例 5：字节推出的 Coze（扣子）

开发的智能体可以一键发布到豆包、飞书、微信公众号等多个社交平台和应用程序上。

1.4 平台智能体通常由哪些能力组成？

为了后面学 Coze 和 Dify 时不迷路，这里先抓住一条主线：

在大模型应用开发里，智能体通常指一种以大语言模型为核心，能结合记忆、工具与环境交互，在一定目标约束下完成任务的软件系统。

这个定义在 第 21 章 Agent 智能体 会讲得更完整；而在本章里，你只需要先记住平台智能体最常见的五个组成部分：

1. 大模型（LLM）：负责理解需求、生成内容、做局部推理。
2. 记忆（Memory）：负责保存上下文、用户信息、阶段性结论。
3. 工具（Tool Use）：负责联网搜索、查库、调用外部接口。
4. 规划 / 流程（Planning / Workflow）：负责把复杂任务拆成多个步骤。
5. 行动（Action）：负责真正执行查询、写入、调用、返回结果。

OpenAI 前研究负责人 Lilian Weng 在 2023 年的文章中，对当时常见的 LLM Agent 架构做过系统总结。这张图非常适合用来建立“智能体到底由什么组成”的第一印象。

智能体架构：

文章链接如下：https://lilianweng.github.io/posts/2023-06-23-agent/

下面我们只保留对平台学习最有帮助的理解。

1. 大模型（LLM）是大脑

• 负责理解用户意图、生成回答、组织语言和局部推理。
• 但模型本身并不等于整个智能体，它只是“核心决策器”。

2. 记忆（Memory）解决“要记住什么”的问题

• 短期记忆：主要是当前对话上下文，受上下文窗口限制。

  

• 长期记忆：跨轮次、跨任务保留信息，平台里往往通过变量、数据库、知识库或总结机制来近似实现。

  在平台里，变量更像“流程状态记忆”，知识库更像“资料补充”，数据库更像“结构化持久化存储”。这三者不要混成一个概念。

3. 工具使用（Tool Use）解决“模型本身做不了什么”的问题

• 例如联网搜索、订单查询、数据库写入、调用外部接口。
• 这是平台智能体和普通聊天机器人最重要的分水岭之一。

4. 规划与流程（Planning / Workflow）解决“任务怎么拆”的问题

• 工作流更适合固定步骤任务。
• 更自主的 Agent 更适合目标开放、需要临场判断的任务。

5. 行动（Action）是真正把决策落实成结果

• 比如发起搜索、调用模型、生成图片、写入记录、汇总回答。
• 多个智能体之间也可以协作，从单智能体升级到多智能体系统。

1.5 平台生态、应用场景与发展方向

平台型智能体之所以重要，是因为它已经不是一个实验室概念，而是一个正在快速产品化、工具化的方向。

将 AI 和人类协作的程度类比自动驾驶的不同阶段：

研究 AI 智能体的终极愿景，是让系统逐步具备更强的感知、决策与执行能力，最终向 AGI 靠近：

国内大模型厂商也都在快速布局智能体平台和应用生态：

比如，用户可以在该平台上创建、配置和管理聊天机器人和智能体。

智能体的应用领域也已经非常广泛：

在不久的将来，智能体会越来越像 AI 系统里的最小工作单元。对普通用户来说，它像助手；对企业来说，它更像一个可配置、可调用、可交付的智能任务单元。

1.6 本章最重要的总分类：三个 level

平台学习里，最容易把“机器人”“工作流”“Agent”混在一起。为了后面不乱，我们先把三种常见形态分开：

level 1：提示词型智能体

• 主要靠提示词塑造角色、语气、边界和回答方式。
• 适合聊天助手、写作助手、陪伴助手、轻量客服等场景。

level 2：工作流型应用

• 主要靠固定步骤和节点编排完成任务。
• 适合报告生成、数据清洗、分类打标、内容生产流水线等固定流程任务。

level 3：更自主的 Agent 型应用

• 模型围绕一个目标，自主进行任务拆分、工具选择和过程推进。
• 更灵活，但也更难控、更难调试。

• 只是要一个有角色感的助手，用 Level 1 就够。
• 任务步骤固定、希望稳定可控，用 Level 2。
• 任务开放、需要临场判断、需要动态选工具，再考虑更自主的 Agent。

---

2、level 1：先用提示词做出“像智能体”的体验

对初学者来说，最推荐的起点不是一上来就做复杂工作流，而是先做一个角色明确、体验完整、能稳定对话的提示词型智能体。这样你能最快建立“平台智能体是怎么被配置出来的”这件事的直觉。

这一节和 第 1-2 章 提示词工程基础、第 13 章 提示词与消息模板 的关系：

• 第 1-2 章解决“提示词怎么写”
• 第 13 章解决“提示词进入代码后如何变成消息模板”
• 本节解决“提示词在平台里如何被配置成一个能用的智能体”

2.1 Cherry-Studio 中创建智能体

步骤 1：创建智能体

其中，提示词可以借助 LLM 提供：

步骤 2：进一步编辑智能体

说明：模型温度：温度越高，输出的内容越有创意性。

步骤 3：添加到助手

步骤 4：使用

2.2 其他平台创建智能体

举例：豆包

举例：腾讯元器

https://yuanqi.tencent.com/agent-shop

举例：讯飞星火

https://xinghuo.xfyun.cn/desktop-app-download

后续细节这里省略。

还有 Coze、纳米 AI 等，这里不再赘述。这些智能体的主要区别不在于客户端或者选项或平台，而在于使用的大模型不同。

---

3、level 2：当任务步骤固定时，用工作流更合适

以讯飞星辰 Agent 平台为例：

https://agent.xfyun.cn/home

工作流最适合的场景，可以直接概括成一句话：任务步骤大致确定，希望过程可见、可控、可复用时，优先工作流。

这也是为什么很多真实项目并不是“先做一个很聪明的 Agent”，而是先把稳定链路搭成工作流。后面你在本章案例区，以及 第 4 章 Python 调用 Dify 平台工作流、第 5 章 Python 调用 Coze 平台工作流 里会不断看到这一点。

---

4、level 3：在 Coze 里做更完整的平台智能体

4.1 常见平台介绍

这一节先从平台选型视角看 Coze、Dify、n8n 的区别。对你来说，不必追求一次把所有平台都学会，更重要的是先知道它们各自适合什么项目。

对比维度	Coze（扣子）	Dify	n8n
平台定位	更偏零代码智能体与内容应用平台	更偏大模型应用开发平台	更偏通用自动化与流程编排平台
适用用户	零技术背景的个人、小团队、自媒体运营者	开发者、技术团队、需要定制化 AI 的企业	开发者和需要复杂自动化的企业
核心优势	上手快、模板多、发布方便、字节生态联动明显	工作流、知识库、API、私有化与企业化能力更强	集成能力强、节点多、开源程度高
学习曲线	低	中	较高
扩展性	有限（主要依赖预设模板和插件）	中等（支持自定义模型和外部工具）	极强（400+节点，支持代码自定义）
部署方式	支持云端托管和私有化部署	支持云端和私有化部署	支持自托管和云端部署
成本	免费版+积分制付费套餐	免费版+分层付费计划	完全开源，自托管只需服务器费用
趋势	不错的使用体验，个人用户增长迅速	在企业用户中的影响力不断扩大	在企业级市场保持着稳定的用户基础

优点与缺点分析：

• Coze 的优缺点：

  • Coze 的最大优点是上手极其简单，提供 100+预制模板，无需编写代码就能快速搭建 AI 应用。它与字节系产品（抖音、飞书等）深度集成，一键发布到多个平台。免费版提供基础功能，试错成本低。
  • Coze 的局限性在于功能较浅，复杂逻辑难以实现。数据云端存储（虽支持私有化部署，但插件开发者生态仍闭源，私有化部署版本不如云托管版本易用） ，对企业数据安全有顾虑。深度集成能力弱于 n8n 和 Dify。

• Dify 的优缺点：

  • Dify 的突出优势在于大模型应用开发能力强，内置多种模型接口和 RAG 框架。提供企业级功能如多模型热切换、权限管理和操作审计。在低代码和高扩展性之间取得了良好平衡。
  • Dify 的缺点是模型调用成本较高，依赖第三方 API 付费接口。对非技术用户仍有一定门槛，需理解“向量数据库”等概念。

• n8n 的优缺点：

  • n8n 的核心优势是开源免费且数据完全自主，满足严格合规需求。拥有强大的集成能力，支持 400+预建节点，几乎可以连接任何系统。可视化+代码双模式兼顾易用性与扩展性。
  • n8n 的主要缺点是学习门槛较高，需要理解 API 概念和工作流逻辑。中文资源相对较少，深度功能需参考英文文档。

你可能会问：Coze 和 Dify 先学哪个？ 若你零代码、想最快做出能发布的智能体（如豆包/飞书一键发布），优先跟 Coze；若你有一点开发基础、更在意企业级功能或本地部署，可优先 Dify。两者思路一致（提示词 + 工具/插件 + 知识库），学完一个再学另一个会很快。

4.2 Coze(扣子)介绍

4.3 功能说明

工作空间：展示已开发的智能体或资源库列表，用户可在该平台上创建、配置和管理聊天机器人与智能体。

商店：展示平台上其他用户开发的项目，以及开发时可用的各种插件（如联网、爬虫、股票分析等）。

模板：提供大量可复制的模板，部分模板收费。

4.4 案例 1：深夜情感主持

线上演示链接（链接统一维护于 教程案例链接汇总.md）

技术要点

• 本质：最基础的智能体项目，仅靠提示词立人设，无插件、无知识库，直接与 LLM 对话。
• 提示词：角色 + 多技能（倾听与理解、分析与建议、情绪安抚）+ 限制；可参考本节「通用结构」。
• 模型参数：温度等；情感类、开放对话可适当调高，增强自然与共情感。

① 创建智能体

② 填写提示词

通用结构

# 角色：
角色概述和主要职责的一句话描述

## 目标：
角色的工作目标，如果有多目标可以分点列出，但建议更聚焦1-2个目标

## 技能：
1. 为了实现目标，角色需要具备的技能1
2. 为了实现目标，角色需要具备的技能2
3. 为了实现目标，角色需要具备的技能3

## 工作流：
1. 描述角色工作流程的第一步
2. 描述角色工作流程的第二步
3. 描述角色工作流程的第三步

## 输出格式：
如果对角色的输出格式有特定要求，可以在这里强调并举例说明想要的输出格式

## 限制：
1. 描述角色在互动过程中需要遵循的限制条件1
2. 描述角色在互动过程中需要遵循的限制条件2

# 角色
你是一位专业的深夜情感主持，擅长在深夜陪伴单身男女，倾听他们的情感困惑，给予温暖且实用的回应与建议。

## 技能
### 技能 1: 倾听与理解
1. 当单身男女分享情感问题时，仔细聆听，通过提问等方式确保全面理解他们的处境和感受。
2. 运用同理心表达对他们情绪的理解，让对方感受到被关注和接纳。
===回复示例===
我能感受到你此刻的[具体情绪]，听起来你最近在[情感相关事情]上遇到了困扰，可以再多和我说说具体情况吗？
===示例结束===

### 技能 2: 分析与建议
1. 根据对方分享的情感经历，分析可能存在的问题和原因。
2. 结合情感知识和经验，给出具体、可行的解决建议和行动方向。
===回复示例===
从你说的情况来看，问题可能出在[分析原因]。我建议你可以尝试[具体建议 1]，也可以考虑[具体建议 2]，这样或许能改善目前的状况。
===示例结束===

### 技能 3: 情绪安抚
1. 如果对方处于负面情绪中，运用温暖、积极的语言帮助他们缓解情绪。
2. 分享一些励志或安慰的话语，给予他们面对情感问题的勇气和信心。
===回复示例===
别太难过啦，情感路上难免会有坎坷，这只是暂时的。你要相信自己有足够的能力去处理这些，一切都会慢慢好起来的。

## 限制:
- 只围绕单身男女的情感话题展开交流，拒绝回答与情感无关的话题。
- 所输出的内容要条理清晰，以通俗易懂的语言表达。
- 建议部分要具体、有针对性，避免过于笼统和模糊。
- 回复需基于正常的情感认知和价值观，不提供违背道德伦理的建议。

③ 模型参数设置

关于 temperature（温度）：

说明：温度（Temperature）控制模型输出的随机程度。温度越低（接近 0），回答越稳定、一致、偏保守，适合事实问答、代码等；温度越高（接近 1 或更大），回答越随机、有创意、多样，适合创意写作、头脑风暴等。情感类、开放对话可适当调高，需精确一致时建议调低。

④ 测试

⑤ 设置开场白及预设问题

⑥ 发布

可以发布到多个平台：

4.5 案例 2：高考报考指南

线上演示链接（链接统一维护于 教程案例链接汇总.md）

技术要点

• 提示词：角色 + 多技能（高考政策、高校分数、专业就业）+ 限制；明确要求「通过搜索工具获取互联网上公开、可靠的相关信息」。
• 插件：头条搜索、头条图片搜索（联网检索政策与图片，增强实时性与可信度）。
• 知识库：可关联知识库，补充高校/专业等结构化资料，与插件检索配合使用。

① 创建智能体

创建智能体：

② 填写提示词

# 角色
你是一位专业的高考志愿填报智能体，对中国各个省份历年高考政策烂熟于心，清楚各高校报考分数情况，深入了解国内各高校各专业的优势与劣势、就业前景等信息，能够为考生提供全面、准确且实用的志愿填报建议。

## 技能
### 技能 1: 提供高考政策信息
1. 当用户询问某省份高考政策时，准确告知该省份历年高考政策的关键要点，包括但不限于录取规则、加分政策、投档方式等。
2. 若用户未指定省份，主动询问用户想了解哪个省份的高考政策。

### 技能 2: 介绍高校报考分数情况
1. 根据用户提供的省份、年份等信息，介绍该省份对应年份各高校的录取分数线、位次等报考分数情况。
2. 若用户未提及具体省份和年份，引导用户提供相关信息以便准确作答。

### 技能 3: 分析高校专业优劣及就业情况
1. 当用户提及某高校某专业时，详细分析该专业在该校的优势和不足，以及该专业的就业方向、就业前景、市场需求等就业情况。
2. 如果用户仅提及高校，介绍该校热门专业和相对冷门专业，并分别阐述其就业情况。
3. 若用户未提及高校和专业，主动询问用户想了解哪所高校或哪个专业的情况。

## 限制:
- 只讨论与高考志愿填报相关的内容，包括高考政策、高校报考分数、高校专业优劣及就业情况等，拒绝回答与高考志愿填报无关的话题。
- 所输出的内容应逻辑清晰、条理分明，按照合理的结构组织语言。
- 提供信息时应确保准确，尽可能全面地涵盖关键要点。
- 通过搜索工具获取互联网上公开、可靠的相关信息，确保信息来源准确。

③ 使用插件

插件 1：头条搜索

未使用插件时：

安装插件：

继续搜索：

插件 2：头条图片搜索

④ 使用知识库

4.6 案例 3：家庭记账助手

线上演示链接（链接统一维护于 教程案例链接汇总.md）

技术要点

• 变量：用变量保存交互数据（如收支记录），清空聊天后仍可保留，实现跨轮次记忆。
• 数据库：接入数据库持久化存储收支等结构化数据，便于查询与报表。
• 其他：长期记忆（对话总结）、文件盒子（文件交互与调取）按需使用。

① 创建智能体

② 填写提示词

# 角色
你是一个专业的家庭智能记账助手，能够精准、高效地记录家庭的各项收支情况，为用户提供清晰明了的家庭财务信息。

## 技能
### 技能 1: 记录收入
1. 当用户告知有收入发生时，详细询问收入来源、金额、日期等信息。
2. 将这些信息准确记录下来。
===回复示例===
已成功记录收入。收入来源：<具体来源>，金额：<具体金额>，日期：<具体日期>
===示例结束===

### 技能 2: 记录支出
1. 当用户告知有支出发生时，详细询问支出项目、金额、日期、支付方式等信息。
2. 将这些信息准确记录下来。
===回复示例===
已成功记录支出。支出项目：<具体项目>，金额：<具体金额>，日期：<具体日期>，支付方式：<具体方式>
===示例结束===

### 技能 3: 生成财务报表
1. 根据记录的收支信息，定期（如每月、每季度）生成家庭财务报表。
2. 报表内容包括总收入、总支出、各项支出占比等关键信息。
3. 以直观易懂的方式呈现报表内容，例如使用图表描述各项支出占比情况。
===回复示例===
本月家庭财务报表如下：
- 总收入：<具体金额>
- 总支出：<具体金额>
- 各项支出占比：
    - <支出项目 1>：<占比>
    - <支出项目 2>：<占比>
    - ……
（此处可插入简单的饼状图或柱状图描述占比情况）
===示例结束===

## 限制:
- 只讨论与家庭记账相关的内容，拒绝回答与家庭记账无关的话题。
- 所输出的内容必须逻辑清晰，有条理地组织，不能偏离框架要求。
- 确保记录信息的准确性和完整性。

③ 使用变量

如果需要将交互的数据记录下来，就需要使用变量。

在没有变量时，聊天中的上下文一旦清空，就没法获取之前的交互数据了。比如：

小插曲：修改了提示词“限制”部分：

但清空记录以后：

设置变量：

在清除历史记录以后，仍然可以记录用户信息。

④ 数据库的使用

⑤ 其他功能

长期记忆：

会总结所有聊天记录并持久化保存，后续聊天会将该总结作为上下文。

文件盒子：

用于保存和管理用户发送的文件。用户发送消息时，智能体能够查找和引用这里的文件进行回复；还支持用户通过发送消息管理和删除自己的文件（如图片、视频、音频、文档等）。

如果涉及文件交互，后续还希望调取这些文件，就可以使用此功能。

---

5、level 3：通过 Dify 搭建高阶智能体

5.1 Dify 介绍

Dify（DefineModify）是一个开源的大语言模型(LLM)应用开发平台，由苏州语灵人工智能推出。是当今最优雅、门槛最低、最受欢迎、效果最好的大模型开发平台之一。

Dify 为 AI Agent 提供了 50 多种内置工具，如谷歌搜索、DALL·E、Stable Diffusion 和 WolframAlpha 等。

它的具体功能如下：

• 基于Agent架构构建智能体应用
• 基于RAG构建私有知识库应用
• 基于Workflow构建智能工作流应用

Dify 可以本地化部署，保证数据的安全。

说明：访问 Dify 官网可能需要科学上网（或梯子）。

5.2 案例 1：时事评论助手

这里我们不再重复展开 Agent 的完整理论定义，因为那部分会在 第 21 章 Agent 智能体 系统讲解。本节只从平台使用角度理解：Dify 的 Agent Assistant 是一种“让模型围绕目标生成结果，并可按需接工具的应用形态”。

技术要点

• 本质：Dify 平台上的 Agent 应用，纯提示词驱动，无插件、无知识库，依靠大模型推理完成时事评论类任务。

① 创建 Agent

② 配置

借助大模型提供提示词：

# 角色定义
你是一名资深媒体评论员，拥有10年国际时事分析与公共政策研究经验，专注于解读热点事件的深层逻辑与社会影响。你的任务是针对用户提供的新闻事件，提供**权威、多维度、可操作**的评论，帮助读者穿透信息迷雾，理解事件本质。

# 核心任务要求
1. **深度分析结构**（采用三段式框架）：
   - **背景与事实梳理**：
     - 用1-2句话概括事件核心（时间、地点、主体、冲突点）；
     - 补充关键数据/历史脉络（如政策演变、相关方利益关系）[3,6](@ref)。
   - **多维解读与洞察**：
     - 分析至少3个视角（政治动机、经济影响、社会情绪、国际关系）；
     - 指出被主流媒体忽略的细节或矛盾点（例：政策漏洞、利益集团博弈）；
     - 预测短期与长期影响（用“可能”“大概率”等谨慎措辞）[1,7](@ref)。
   - **建设性建议**：
     - 面向不同群体（公众/企业/政府）提供1-2条可行建议；
     - 引用国际案例或学术研究支撑观点[6](@ref)。

2. **内容准则**：
   - **立场平衡**：承认多方利益合理性，避免非黑即白结论（例：“A方案利于效率但牺牲公平，B方案反之”）；
   - **证据驱动**：每项分析需匹配数据、权威信源（如WHO报告、央行数据）或历史事件类比；
   - **风险提示**：若事件存在误读风险（如技术类新闻），用“需警惕”“注意区分”等标注[3,7](@ref)。

3. **输出规范**：
   - **标题**：15字内，包含冲突点或悬念（例：《电价改革加速：家庭负担加重还是能源转型必经之路？》）；
   - **正文长度**：600-800字，分段落标注小标题（如“▍经济逻辑：补贴退坡背后的产业重构”）；
   - **语言风格**：
     - 面向大众：避免术语，用“养老金账户”而非“个人养老金融账户”；
     - 增强共鸣：穿插生活化比喻（例：“全球供应链如多米诺骨牌，一环断裂波及全链”）[1,4](@ref)；
   - **格式**：Markdown排版，关键信息加粗，数据用表格呈现[5](@ref)。

# 约束条件（避免行为）
⚠️ 不主观臆测未证实信息（如“某官员受贿”需改为“某官员涉嫌受贿”）；
⚠️ 不使用煽动性词汇（如“惊天黑幕”“末日来临”）；
⚠️ 不对个人/群体进行道德审判（聚焦制度与系统问题）[6,7](@ref)。

# 处理复杂事件的策略
- **信息不全时**：明确标注“当前信息下”“基于公开资料”，并列出待验证问题；
- **争议性事件**：对比多方信源（如外媒VS官媒表述差异），标注矛盾点[3](@ref)；
- **技术类议题**：先定义关键概念（例：解释“碳关税”再评欧盟新政）[4](@ref)。

# 示例模板（用户输入：**“日本央行加息终结负利率时代”**）
标题​​：日元转向：宽松时代的终结与亚洲资本回流风暴

政策转折点​​
背景：日本维持负利率8年后首次加息（2024年3月数据）；
关键动机：通胀持续超预期（2023年CPI达3.1%）、日元贬值压力缓解。▍被忽视的连锁反应
企业端：日企海外投资回报率下滑（例：丰田北美利润缩水预估12%）；
地缘端：亚洲债券市场承压（韩、泰外债偿还成本升20%+）→ 用表格对比各国外债/GDP比值；
误读风险：加息≠紧缩周期开始（央行暗示“渐进式调整”）。▍务实建议
投资者：增持黄金对冲日元波动；
政府：建立东南亚货币互换联盟，预防资本外流冲击

③ 测试

④ 查看 Agent 日志

Agent 日志如下：

⑤ 发布

评价：根据现有资料，Dify 搭建的智能体和 Coze 搭建的智能体一样，检索资料解决问题的能力仍有待提高。

5.3 案例 2：北京旅行助手

准备工作

本例中 Dify 将会调用外部 DuckDuckGo API，需确保 Dify 所在服务器可以无障碍访问国际互联网。

应用搭建

在本节我们将实现一个旅游规划助理的 Agent 应用，它可以根据用户输入的旅行目的地、旅行天数、预算等信息输出结构化的旅行计划。

技术要点

• 本质：Dify 上的旅游规划 Agent，根据用户输入的目的地、天数、预算生成结构化旅行计划（含酒店推荐、每日行程等）。
• 提示词：角色（旅行顾问）+ 技能、目标、限制 + 工作流程（理解需求 → 调用搜索工具 → 用 Markdown 输出计划）+ 示例模板 + 变量（{{destination}}、{{num_day}}、{{budget}}）。
• 工具：DuckDuckGo 搜索（ddgo_search），获取目的地、住宿等实时信息；提示词中需将目的地译为英文再调用。
• 其他：对话开场白、开场问题引导用户填写变量；内容审查过滤敏感词，保证输出合规。

① 创建一个空白的 Agent 应用

② 添加提示词

## ⻆⾊：旅⾏顾问
### 技能：
- 精通使⽤⼯具提供有关当地条件、住宿等的全⾯信息。
- 能够使⽤表情符号使对话更加引⼈⼊胜。
- 精通使⽤Markdown语法⽣成结构化⽂本。
- 精通使⽤Markdown语法显示图⽚，丰富对话内容。
- 在介绍酒店或餐厅的特⾊、价格和评分⽅⾯有经验。
### ⽬标：
- 为⽤户提供丰富⽽愉快的旅⾏体验。
- 向⽤户提供全⾯和详细的旅⾏信息。
- 使⽤表情符号为对话增添乐趣元素。
### 限制：
1. 只与⽤户进⾏与旅⾏相关的讨论。拒绝任何其他话题。
2. 避免回答⽤户关于⼯具和⼯作规则的问题。
3. 仅使⽤模板回应。
### ⼯作流程：
1. 理解并分析⽤户的旅⾏相关查询。
2. 使⽤ddgo_search⼯具收集有关⽤户旅⾏⽬的地的相关信息。确保将⽬的地翻译成英语。
3. 使⽤Markdown语法创建全⾯的回应。回应应包括有关位置、住宿和其他相关因素的必要细节。使⽤表情符号使对话更加引⼈⼊胜。
4. 在介绍酒店或餐厅时，突出其特⾊、价格和评分。
5. 向⽤户提供最终全⾯且引⼈⼊胜的旅⾏信息，使⽤以下模板，为每天提供详细的旅⾏计划。
### 示例：
### 详细旅⾏计划
**酒店推荐**
1. **北京国贸大酒店** (更多信息请访问 www.shangri-la.com/beijing/chinaworldsummitwing)
- 评分：4.7
- 价格：大约每晚 ¥1800+
- 简介：坐落于北京中央商务区（CBD）的标志性建筑国贸大厦上层，提供豪华住宿和俯瞰城市全景的壮丽视野。靠近国贸地铁站，交通便利。
2. **北京前门建国饭店** (更多信息请访问 www.jianguohotels.com/jianguohotelbeijing)
- 评分：4.4
- 价格：大约每晚 ¥600+
- 简介：位于市中心，临近天安门广场和前门大街，步行即可到达多处历史文化景点。酒店环境舒适，闹中取静，具有老北京韵味。

**第1天 - 抵达与安顿**
- **上午**：抵达北京。欢迎来到古都北京的冒险之旅！我们的代表将在机场迎接您，确保您顺利转移到住宿地点。
- **下午**：办理⼊住酒店，并花些时间放松和休息。
- **晚上**：进行一次轻松的步行之旅，熟悉住宿周边地区。如果酒店在前门或南锣鼓巷附近，可以逛逛胡同街区；如果在市中心，可以探索王府井大街，品尝地道小吃。

**第2天 - 历史与文化之⽇**
- **上午**：前往天安门广场，感受宏伟的建筑和历史氛围。之后进入故宫博物院（紫禁城），深入了解中国古代皇家宫殿的壮丽与历史。
- **下午**：选择参观天坛公园，欣赏中国古代祭祀建筑的杰作，并体验北京市民的悠闲生活；或前往颐和园，游览这座美丽的皇家园林。
- **晚上**：品尝享誉世界的北京烤鸭作为晚餐。之后，可以去三里屯体验北京的现代夜生活，或者回到酒店附近继续探索。

**额外服务：**
- **礼宾服务**：在您的整个住宿期间，我们的礼宾服务可协助您预订餐厅、购买⻔票、
安排交通和满⾜任何特别要求，以增强您的体验。
- **全天候⽀持**：我们提供全天候⽀持，以解决您在旅⾏期间可能遇到的任何问题或需求。
祝您的旅程充满丰富的体验和美好的回忆！
### 信息
⽤户计划前往{{destination}}旅⾏{{num_day}}天，预算为{{budget}}。

③ 添加对话开场白、内容审查

选择“管理”，在功能中添加对话开场白和内容审查等功能

对话开场白：

{{name}}先生、女士,我是您的个性化旅行助理,你是否已经准备好开始一段充满冒险和放松的旅程了?让我们一起打造您难忘的旅行体验吧!请告诉我您的旅行目的、预算和行程天数,比如：

开场问题：

帮我制定一次家庭旅行，目的地是{{destination}}，为期{{num_day}}天，预算是{{budget}}


帮我制定一次蜜月旅行，目的地是{{destination}}，为期{{num_day}}天，预算是{{budget}}

内容审查设置

偷东西
吃饭不给钱
打架

问题中涉及敏感内容，请重新提问

提问被拦截

④ 完整测试

---

6、工作流的搭建

本节介绍如何使用 LLM 在 Coze、Dify 平台搭建工作流，并通过一键生成爆款视频、调研报告、深度专题等案例，讲解工作流的实现细节。

6.1 工作流的理解

什么是工作流？

工作流（WorkFlow）是为完成某项任务或业务流程而设计的一系列自动化步骤的有序组合。它通过标准化、协调不同环节的人员、系统或资源，实现流程的高效执行与监控，最终达成特定目标。

为什么需要工作流？

在大模型的应用中，某些复杂的需求很难通过单一的问答解决，此时可以引入工作流，通过一系列任务节点的链式调用以实现复杂需求。

比如 1：电商的订单处理：审核用户下单，触发库存检查，库存充足就生成物流单，并触发财务系统完成收款对账。如果库存不足，则触发补货或通知用户……

比如 2：AI 批改学生作业：学生提交作业 → 系统识别错误 → 生成反馈 → 推荐练习

比如 3：企业审批流程：员工提交申请 → 系统自动分发给审批人 → 记录结果并归档

比如 4：自媒体智能体：输入爆款视频 → 提取爆款标题并重新生成新视频大纲 → 根据分镜头生成图片 → 图片生成视频 → 视频配合字幕整合完成

6.2 Coze/Dify 实现工作流

1、案例：（以 Coze 平台为例）

案例 1：详细过程见 Coze 案例：一键生成行业调研 PPT

案例 2：详细过程见 Coze 案例：复刻爆款视频

2、是否可以发布到商店/模板（以 Coze 平台为例）

情况 1：发布到商店：Yes！

发布到商店后，其他用户只能体验，不能复制或查看工作流（无复制选项）。

情况 2：发布到模板：No！

只有发布为模板后，其他用户才能查看应用或智能体的设置细节，但权限管理较严格。

---

7、项目：商户运营管家

项目简介：商户运营管家是一个综合性的智能体实战项目，围绕商户日常运营中的营销推广、客户服务、市场洞察三大场景，在 Coze 与 Dify 平台上实现 6 个子案例。涵盖从海报生成、卖点提炼与文案脚本，到投诉分类与客服对话分析，再到行业调研与商品评论分析，帮助理解如何用工作流与智能体组合解决真实业务问题。各子案例可独立学习，也可串联成一套完整的「运营管家」能力矩阵。

1、产品营销海报生成：Coze

2、客户投诉分类助手：Dify

3、一键生成行业调研报告：Dify

4、客服对话记录分析：Coze / Dify

5、商品评论分析：Coze / Dify

6、商品营销卖点提炼：Coze

---

8、Python 调用 Dify 或 Coze 平台工作流

详见 第 4 章（Python 调用 Dify 工作流） 与 第 5 章（Python 调用 Coze 工作流）。

---

9、DeepResearch 的应用（了解）

9.1 秘塔 AI

https://metaso.cn/

1. 选择长思考和研究模式

选择长思考-R1 会调用秘塔部署的满血版 DeepSeek-R1 模型。

问题如下：

对比QWQ和DeepSeek-R1

2. 输出内容如下

研究模式
步骤拆解
好的，我现在需要分解用户的问题“对比QWQ和DeepSeek-R1”。首先，我需要明确这两个实体是什么。QWQ可能是一个品牌、产品或者服务，而DeepSeek-R1听起来像是一个技术产品，可能是某个公司的产品线，比如机器人或AI模型。

第一步，我应该分别搜索QWQ和DeepSeek-R1的基本信息，了解它们各自的定义和背景。这有助于后续的对比分析。接下来，可能需要查找它们的主要功能或特点，这样在对比时才能知道它们各自的优势和用途。

然后，用户可能想知道它们的应用领域，所以需要搜索它们的应用场景，看看它们在哪些行业或环境中被使用。此外，技术参数或性能指标也是对比的重要部分，比如处理速度、准确性、资源消耗等。

用户评价和市场反馈也很重要，了解用户对这两个产品的满意度和常见问题。最后，市场定位和价格策略可以帮助理解它们的目标客户群体和商业策略。

....
最终回答
这里省略600行...

图示：略

3. 总结

秘塔 AI 会自主拆解任务，并依次执行，最后汇总

此外，回答内容会通过引文标注出处。

9.2 知乎直答

https://zhida.zhihu.com/pro

对比QWQ和DeepSeek-R1

回答

9.3 PerPlexity

https://www.perplexity.ai

选择深度研究即可使用官方部署的 DeepSeek-R1 满血版。

问题

对比QWQ和DeepSeek-R1

回答

总结

也会有任务分解的过程，先检索资料，然后拆解为子任务，逐个列出大纲，再撰写综述，最终的综述也会标注出处。然而，问题是中文，回答是英文，差评。

9.4 GPT Pro 的 DeepResearch

OpenAI 推出的深度研究模式，只有每月支付$200 才可以使用。会自主拆分任务，搜集资料，做归纳整理、总结，耗时较长，通常为 10 分钟以上。生成质量较高。

https://chatgpt.com/#pricing

之前的页面：

相对而言，这是更加接近 AI Agent 的模式，AI 可以自主调用工具、自主决策，中间过程更复杂，最终输出的内容更加优质。

以下是 B 站某博主实测截图，研究耗时 19 分钟：

下图右侧展示的都是 DeepResearch 自主规划的子任务：

研究耗时 13 分钟，生成 3 万多字，突破了大模型单次输出上限：

会主动追问需求：

补充需求后最终耗时 32 分钟研究。

---

章节思考题：

1. 平台里的提示词、工具、知识库、变量、工作流分别解决什么问题？请用一个案例串起来。

   参考思路： 可以用旅行助手、客服助手或报告生成助手来解释：提示词定义行为，知识库补资料，工具执行外部动作，变量保存中间状态，工作流控制步骤。能串成一条运行链路，才说明不是在背平台名词。

2. 同样是做智能体，什么时候用 Coze / Dify 这类平台，什么时候更适合写代码框架？

   参考思路： 快速验证、运营人员参与、界面化编排时平台更合适；需要复杂业务逻辑、深度集成内部系统、细粒度版本控制和测试时，代码框架更合适。真实项目里也可以先平台验证，再把稳定部分工程化。

3. 你如何判断一个平台案例是真能落地，还是只是演示效果好看？

   参考思路： 看它有没有真实输入输出、失败处理、日志排查、权限边界、数据更新方式和可复用流程。只在页面上跑一次成功，不代表能在团队或生产环境长期使用。

4. 平台智能体从“提示词型”升级到“工作流型”时，核心变化是什么？

   参考思路： 提示词型主要靠一段规则驱动模型回答；工作流型把任务拆成多个明确步骤，可以加入条件分支、工具调用、变量传递和人工审核。升级的价值是更可控，而不只是看起来更复杂。

本章小结：

• 这章真正讲清的是平台智能体的三层递进：level 1 用 Prompt 塑造角色和输出风格；level 2 用 Workflow 把固定步骤串起来；level 3 才进入更自主的 Agent 形态，让模型围绕目标去选工具、调知识库、推进任务。
• 平台里的几类核心能力不是一回事：提示词负责“怎么说”，知识库负责“补什么资料”，工具负责“能做什么动作”，变量负责“流程里记住什么上下文”。把这四层拆开理解，后面不管换 Coze、Dify 还是代码框架都不会乱。
• Coze 和 Dify 的差异更像侧重点不同：Coze 更适合零代码、模板化、快速验证；Dify 更适合工作流、API 调用、知识库和后续工程化衔接。它们不是谁替代谁，而是适合不同学习起点和交付场景。
• 工作流和 Agent 的边界要先立住：固定步骤、可审计、可复用的任务优先工作流；路径开放、需要临场决策和动态调用工具的任务，再考虑更自主的 Agent 模式。
• 从掌握结果看，学完本章后，你至少应该：能说清 level 1、level 2、level 3 三种平台智能体形态分别在解决什么问题；能独立在 Coze 或 Dify 上完成一个基础案例，并看懂提示词、工具、知识库、变量各自的职责；能根据目标判断自己当前更适合先学 Coze、先学 Dify，还是继续进入后续代码调用与部署主线。

建议下一步：

• 如果你想把平台工作流真正接进代码，继续看 第 4 章 Python 调用 Dify 平台工作流 和 第 5 章 Python 调用 Coze 平台工作流。
• 如果你想继续补齐“平台智能体背后的 Agent 原理”，进入 第 21 章 Agent 智能体。
• 如果你想继续做平台项目实战，可以在 Coze 或 Dify 上选一个案例（如深夜情感主持、北京旅行助手、商品评论分析）从头跟做一遍并发布；若要做自动化流水线，可进入 工作流案例 学习。