课程目录

关键词触发：我们在人设与逻辑板块进行调用工作流处理事件的逻辑（用户发送特定关键词：如 “查询订单” ）即可激活对应工作流，支持模糊匹配与多关键词组合；或我们不攥写任何人设与逻辑内容，在配置工作流的时候直接定义（不管用户输入任何内容，都直接调用此工作流，讲用户的输入作为工作流的输入），但是这只适用于单个工作流的情况，如果是多工作流就不能这样处理，最好还是在人设与逻辑板块定义好调用条件
时间触发：设定固定时间或周期（例如每周一 9:00），自动执行重复性任务，如周报生成
事件触发：关联外部事件（如 API 数据更新、系统状态变化），例如库存低于阈值时自动触发补货提醒

接下来我们分别展开给大家阐述一下不同情条件下的触发情况

a.🔑关键词触发

我们在智能体中添加并创建好工作流之后，需要设定调用词，大家从小秘的设计过程中可以发现这个词除了需要在工作流创建时定义之外，在系统提示词部分也是需要撰写的

之所以拎出来在这里跟大家强调，是因为我们发布智能体之后，在人设与逻辑板块进行修改提示词的话，会存在发布时差问题，因为每次更新智能体的人设与逻辑板块，都需要等待人工审核配置

所以其实我们甚至可以完全不在人设与回复逻辑板块撰写任何内容，纯粹地以工作流来控制智能体，这样我们每次对智能体的工作流进行更新，都会实时同步到我们发布的所有站外平台，不需要等待人工审核

b.⏰ 时间触发和事件触发

这部分就是触发器的使用了，之前讲到触发器的时候就有提到过，可以设定触发器类型为定时触发和事件触发

然后给大家介绍了事件触发部分，这里就带过讲一下事件触发的应用

Coze的事件触发是涉及到外部API的调用的，不适合初学者和无代码撰写经验的朋友去探究

感兴趣的朋友可以去查看一下Coze官方教程中提到的事件触发器的设置方法：🔍→传送门

2.🧩输入解析

接收用户输入后，通过以下方式提取关键信息：

实体识别：利用大模型识别 日期、地点、人物等信息（如从 “明天北京天气” 提取 “明天”“北京”）
意图分类：意图识别节点 ，结合上下文判断用户需求（如输入 “推荐电影” 时，识别为娱乐类需求）
参数提取：将非结构化文本转换为结构化数据，方便后续处理（特定格式的运用）

实体识别

实体识别（Named Entity Recognition, NER）是从用户输入文本中识别并分类具有特定意义的“实体”的过程。这些实体是构成用户需求的“基本单元”，如时间、地点、人物、物品等，直接影响系统对需求的理解精度。

核心目标：从非结构化文本中抽取出离散的、具有明确指代意义的实体，并赋予其预定义类别（如“日期”“地点”“人物”），为后续参数提取和意图理解提供“原子级信息”。

Coze平台支持多维度实体类型识别，覆盖常见交互场景需求：

实体类别	定义	典型示例	识别价值
日期时间	具体时间点或时间段	“明天”“下周一”“2025年7月5日”“下午3点”	用于时间相关任务（如日程安排、天气查询）
地点	地理位置（城市、区域等）	“北京”“朝阳区”“天安门广场”“上海虹桥机场”	用于位置相关任务（如导航、本地服务推荐）
人物	真实或虚构的人物名称	“张三”“爱因斯坦”“孙悟空”“我的同事”	用于社交、协作类任务（如联系人查询、人物介绍）
物品/产品	具体物品、商品或服务名称	“iPhone 15”“《三体》小说”“咖啡”	用于购物、推荐类任务（如商品搜索、库存查询）
组织/机构	公司、机构、团体名称	“腾讯”“北京大学”“联合国”	用于信息查询、合作类任务（如企业介绍、机构联系方式）
事件/活动	具体事件或活动名称	“生日派对”“奥运会”“产品发布会”	用于日程管理、活动推荐类任务

意图分类

意图分类（Intent Classification）是通过分析用户输入文本及上下文，判断用户“真实需求类型”的过程。意图是用户交互的“目的导向”，决定系统后续调用的功能模块（如信息查询模块、工具调用模块、闲聊模块）。

核心目标：将用户输入映射到预定义的“意图类别”，明确用户是“想获取信息”“想执行操作”“想寻求推荐”还是“单纯闲聊”，为系统决策提供“方向指引”。

Coze基于交互场景设计了多维度意图类别体系，覆盖常见用户需求：

意图大类	子类别	定义	典型用户输入示例
信息查询	事实查询	获取客观事实或数据	“北京今天气温多少？”“《红楼梦》作者是谁？”
信息查询	状态查询	获取特定对象的当前状态	“我的快递到哪了？”“空调现在是什么模式？”
指令执行	设备控制	控制智能设备（如家电、机器人）	“打开客厅灯”“把空调温度调到26度”
指令执行	任务调度	安排日程、设置提醒等	“设置明天早上7点的闹钟”“添加下周三的会议”
推荐请求	物品推荐	推荐商品、服务等	“推荐一部科幻电影”“帮我选一款性价比高的手机”
推荐请求	路径/方案推荐	推荐路线、解决方案等	“从公司到机场怎么走最快？”“周末去哪儿玩合适？”
闲聊互动	情感交流	表达情绪、寻求情感支持	“今天心情不好”“你觉得我新买的衣服好看吗？”
闲聊互动	知识闲聊	讨论话题、交流观点	“为什么天空是蓝色的？”“你喜欢哪个球星？”

参数提取

参数提取是将用户输入中的关键信息（含实体及其他约束条件）转换为结构化数据（如JSON、键值对）的过程。参数是意图的“具体落地条件”，没有参数，意图无法被系统执行（如“订机票”需知道出发地、目的地、日期等参数）。

核心目标：为每个意图类别定义“参数模板”，从文本中提取模板所需的参数值，形成系统可直接读取的结构化数据，确保后续任务（如工具调用、逻辑推理）能精准执行。

参数提取（特定格式的运用）这部分较难一些，放在了后面的选修部分——在大模型中以josn格式打造提示词，感兴趣的朋友可以查看后面的章节

基本的使用大模型进行识别的类型我们已经了解完毕，这部分引入一个新的内容 —— 意图识别

🧐意图识别

这个节点的作用就是对用户输入的信息进行识别处理，然后得出一个识别结果，并且识别结果可以为我们自定义的

大大的优化了工作流中的业务逻辑，使得处理方式更定制化，代入到前面提到的简历优化智能体，如图这样

在工作流中的处理逻辑就是这样，意图识别下有三个分支，我们就可以对这三个分支分别进行后续工作节点的定义，直接在分支选项后面进行连线即可，这个连线可以使用工作流中的任何节点，包括但不限于常用的大模型、插件等等

与选择器的区别

大家可以发现，意图识别节点和选择器节点非常相似，现在我们再来回顾一下选择器的业务逻辑

选择器在处理用户输入的时候，更多是用等值的方法去辨别，分支也只有是或否两个结果，适合处理比较简单的辨别问题，复杂的情况就需要使用意图识别节点

3. 🕹️执行部件

执行部件是工作流的核心处理单元，其实这部分就是工作流中的节点：

a.🧠大模型节点

可以利用大语言模型的能力完成各种任务，如生成文章大纲、摘要、全文等，在使用大模型节点时，需要设置合适的提示词。

例如，在生成文章大纲的大模型节点中，提示词可以设置为“根据{{input}}中的标题生成文章大纲”，其中“{{input}}”引用的是开始节点处用户输入的标题。对于生成摘要的大模型节点，还可以设置一些调优技巧，如限制输出字数，避免冗长；添加示例，让模型学习风格等。

b.💻代码节点

能够完成复杂信息的计算和处理，比如信息加工、拼装或者打包，让整个流程更加智能化和高效

以拼接输入为例，代码节点可以使用Python代码实现。以下是一个示例代码：

c.🔌插件节点

插件是一系列工具的集合，每个工具都是一个可调用的API。

例如，在提取抖音文案的工作流中，可以使用“douyin_wenan”插件根据URL获取抖音视频的详细信息，包括音频

d.💾数据库节点

用于与数据库进行交互，如插入、查询、更新和删除数据等操作

4. 📤输出处理

将处理结果转化为用户可理解的形式：

📝文本生成

通过大模型中规定的输出模板填充生成自然语言回复（如 “今日天气：晴，25℃”）

🎞️多媒体输出

多媒体输出一般是应用在有特殊处理场景的工作流中，能够提升用户的交互体验，并且丰富我们的工作流

生成图片：图像方面的话，比如AI换脸、小红书图文笔记生成、抠图工作等等，会涉及到图像流的运用在后面的选修部分会更大家详细介绍

语音或链接方面：这两个部分的生成基本都是要配合大模型和插件协同工作，比如大模型处理文本，插件配合导入飞书文档，最后输出飞书文档的链接给到用户；或者大模型处理文本，插件配合生成音频，甚至现在插件有了新的运用，可以生成一些简单的视频

跳转指令：引导用户进入其他工作流或外部页面，这个就比较难了，不过大家也可以将它理解成快捷指令的运用，就像这个智能体

5. ⚠️异常处理

之所以把这一部分单独放在这里，就是想跟大家聊一聊：工作流要是运行出错了，我们该怎么处理

🔍常见错误类型识别

工作流执行中的错误主要分为以下几类，需针对性排查：

插件节点：API调用超时（如第三方服务响应缓慢，或者在批处理循环节点中，你设置的最大上行太大）、权限不足（比如飞书插件未授权）
代码节点：语法错误、变量未定义、内存溢出（处理大量数据时）
数据库节点：连接失败、SQL语句错误、数据读写冲突
参数传递异常
- 输入缺失：必填参数为空（如用户未提供查询日期）
- 格式错误：日期格式不符合要求（如"2023/13/01"）、数值超出范围（如年龄输入"200"）
- 类型不匹配：预期整数传入字符串（如将"abc"作为ID查询）