摘要

Coze（扣子）作为零代码 AI 应用开发平台，依靠可视化工作流实现 AI 业务逻辑编排。本文以菜谱解析厨师助手为案例，从零搭建「开始节点→大模型节点→结束节点」标准工作流，重点讲解大模型节点提示词规范、变量绑定、输出约束，同时演示如何通过提示词控制模型输出内容、精简 token 消耗，完整复现从创建工作流、配置提示词、试运行验证全流程，适合 AI 低代码初学者学习。

关键词：Coze；扣子；工作流编排；提示词工程；大模型节点；低代码 AI

一、前言

在 Coze 平台开发 AI 应用时，大模型节点是整个工作流的核心大脑，但很多新手仅简单串联节点，忽视提示词结构、变量传递、输出限制，导致模型输出冗余、回复不可控。 本次实战目标：

1. 搭建可视化工作流，接收菜品名称，自动输出【原料清单】+【烹饪步骤】；
2. 通过标准化提示词约束模型，禁止输出闲聊、美食科普等多余内容，降低 token 消耗；
3. 对非菜谱类提问执行拒绝策略；
4. 掌握 Coze 工作流变量绑定、节点连线、试运行调试方法。

二、整体方案设计

2.1 工作流拓扑结构

完整链路：开始节点 → 大模型节点 → 结束节点

1. 开始节点：定义字符串变量input，接收外部传入的用户文本（菜品名称）；
2. 大模型节点：核心推理单元，加载提示词，读取上游input变量完成菜谱解析；
3. 结束节点：接收大模型输出output，向外返回最终结果。

2.2 提示词设计规范

遵循统一结构：#角色 → ##技能 → ##限制，明确模型身份、可用能力、输出边界，同时适配 Coze 变量语法{{input}}。 完整系统提示词：

markdown

# 角色
你是一名专业厨师，擅长解析各类菜谱，精准提炼菜品所需食材与烹饪步骤。

## 技能
### 技能1：菜谱解析
接收用户提供的菜品名称，提取对应菜品【原料清单】和【烹饪步骤】。
### 技能2：请求识别
判断用户提问是否为菜谱相关需求；非菜谱类问题直接拒绝回答。

## 限制
1. 输出内容只保留【原料清单】、【烹饪步骤】两大板块，禁止闲聊、菜品介绍、口感评价、小贴士、菜品起源等多余内容。
2. 非菜谱相关提问统一回复：仅支持解析菜谱，无法回答该问题。
3. 文字精简，降低token消耗，不添加多余表情、空行修饰。

用户菜品名称：{{input}}

重点说明：{{input}}为 Coze 工作流变量占位符，用于读取上游开始节点传入的数据。

三、分步搭建工作流

3.1 创建项目与工作流

1. 进入 Coze 开发后台 coze.cn/home，新建项目，项目类型选择【智能体开发（低代码）】；
2. 左侧菜单点击【工作流】→【+ 创建工作流】；

⚠️注意：工作流名称仅支持英文、数字、下划线，字母开头，本次命名：recipe_parse_workflow

1. 填写工作流描述：接收菜品名称，调用大模型解析输出食材清单与烹饪步骤。

3.2 配置开始节点

1. 点击画布自带【开始节点】；
2. 在右侧【输入】面板添加变量：
   • 变量名：input
   • 类型：String（字符串）
   • 勾选【必填】。

3.3 添加并配置大模型节点

1. 左侧工具箱拖拽【大模型】节点至画布，连线：开始节点右侧圆点 → 大模型左侧圆点；
2. 选中大模型节点，右侧配置：
   • 模型选择：豆包·2.0·mini
   • 输入绑定：新增变量input，变量值选择开始 - input
   • 将上方完整提示词粘贴至【系统提示词】输入框
   • 技能面板：暂不配置插件。

3.4 配置结束节点（极易遗漏）

1. 连线：大模型节点右侧圆点 → 结束节点左侧圆点；
2. 选中【结束节点】，选择【返回变量】模式；
3. 添加输出变量：
   • 变量名：output
   • 变量值选择：大模型 - output。

缺少结束节点，工作流无法向外输出结果，试运行看不到返回内容。

3.5 试运行测试验证

画布下方打开【试运行】面板，两组测试用例：

测试用例 1（合法菜谱请求）

输入input：佛跳墙 输出结果：

plaintext

【原料清单】海参、鲍鱼、花胶、干贝、蹄筋、鸽蛋、火腿、五花肉、干香菇、冬笋、高汤、料酒、食盐、生抽、冰糖
【烹饪步骤】1.提前泡发干货食材，将五花肉、火腿切块焯水；2.鸽蛋煮熟去壳，干香菇泡发切块，冬笋切片焯水；3.取炖盅按层次铺入所有食材，加入高汤与调味用料；4.封严炖盅，上笼大火烧开后转小火慢炖3-4小时即可。

测试用例 2（无关问题）

输入input：推荐电影 输出结果：

plaintext

仅支持解析菜谱，无法回答该问题。

两组用例运行全部符合预期，代表工作流搭建成功。

四、核心知识点总结

4.1 大模型节点配置要点

1. 变量绑定：输入变量必须正确引用上游节点，否则模型接收不到用户输入；
2. 提示词分层结构：角色 + 技能 + 限制是工业界通用写法，清晰约束模型行为；
3. 输出限制的价值：通过提示词强制精简回复，剔除无用文本，显著减少 token 消耗，降低调用成本。

4.2 Coze 工作流避坑清单

1. 工作流名称不能填写中文，必须英文 / 下划线；
2. 连线方向：只能从节点右侧输出圆点连向下一节点左侧输入圆点；
3. 占位符{{变量名}}大小写、符号不能写错；
4. 流程图必须配置结束节点，才能对外返回数据。

五、拓展方向

1. 将该工作流绑定至智能体，实现对话窗口直接调用；
2. 新增【条件分支节点】，根据输出结果实现不同分支逻辑；
3. 拓展技能：接入图像识别插件，支持上传菜谱图片自动解析食材；
4. 修改提示词，固定输出 JSON 格式，方便对接外部程序 API。

六、结语

Coze 可视化工作流降低了 AI 应用开发门槛，但提示词工程依旧是控制模型表现的核心。工作流编排负责数据流流转，大模型提示词负责定义模型能力、输出规范。本次菜谱解析案例完整演示了基础链路搭建思路，大家可以参考这套结构，延伸开发文案提取、文本分类、信息抽取等各类自动化 AI 工作流。