零代码构建AI智能体：Coze工作流实现网页信息自动抓取与摘要生成

你是不是也遇到过这样的问题想用 AI 智能体帮你处理一些重复性工作比如自动整理信息、定时发送报告或者做个简单的客服机器人但一看到“工作流”、“节点”、“API”这些词就头大感觉无从下手或者你跟着一些教程东拼西凑做了一个智能体却发现它要么不按你的想法执行要么效果时好时坏根本没法用这正是很多 AI 新手面临的共同困境知道 AI 智能体很强大却卡在了“如何让它听话”这一步。问题的核心往往不在于 AI 模型本身而在于如何清晰地定义任务流程。这就是“工作流”的价值所在——它把复杂的任务拆解成一个个清晰的步骤让 AI 按部就班地执行。今天要介绍的Coze扣子平台的工作流功能正是为了解决这个痛点而生。它最大的优势在于完全可视化、无需代码。你可以像搭积木一样通过拖拽“节点”来构建复杂的 AI 任务流程。无论是信息搜集、内容处理还是多步骤决策都能轻松实现。本文将为你提供一个从零开始的保姆级教程。即使你没有任何编程基础也能在10分钟内跟着步骤搭建出你的第一个有效工作的 AI 智能体。我们将聚焦于一个非常实用且常见的场景定时搜集指定网页的最新信息并整理成摘要报告。通过这个具体案例你将彻底掌握 Coze 工作流的核心逻辑和搭建技巧告别“智能体没效果”的尴尬。1. 这篇文章真正要解决的问题从“想法”到“自动化执行”的最后一公里在 AI 应用开发中存在一个明显的断层。一方面大型语言模型LLM能力强大可以理解、生成、推理另一方面开发者或业务人员有一个明确的需求比如“每天上午9点看看竞品官网有没有发新闻有的话总结一下发给我”。如何把这两端连接起来传统方式可能需要写爬虫脚本、调用模型 API、处理数据格式、再接入消息推送技术门槛高维护成本大。而 Coze 工作流要解决的就是降低“任务流程自动化”的构建门槛。它不是一个编程IDE而是一个可视化流程设计器。它主要解决三类人的问题产品/运营人员有明确的自动化需求但不会写代码无法将想法落地。初级开发者会写简单脚本但面对多步骤、带条件判断、需调用多个服务的复杂流程时架构设计吃力。AI 爱好者想体验 AI 智能体的能力但被复杂的本地部署和 API 调试劝退。Coze 工作流的价值在于它让你聚焦于“做什么”和“先做什么后做什么”的逻辑设计而“怎么做”的底层实现如网络请求、JSON解析、错误重试则由平台封装好的节点来完成。这极大地加速了从需求构思到可运行原型的过程。2. 基础概念智能体、工作流与技能在开始动手之前我们需要理清 Coze 平台上的三个核心概念这能帮助你更好地理解我们正在构建的是什么。2.1 智能体 (Bot/Agent)这是 Coze 平台上最终呈现给用户或你自己的 AI 应用。你可以把它想象成一个具备特定能力的“数字员工”。比如一个“周报助手”智能体、一个“技术答疑”智能体。用户通过与智能体对话来获取服务。智能体是能力的集合体与交互界面。2.2 技能 (Skill)技能是智能体具备的单一能力单元。比如“联网搜索”是一个技能“读取 PDF 文件”是一个技能“运行 Python 代码”也是一个技能。Coze 平台提供了丰富的预置技能你也可以创建自定义技能。技能是智能体能够完成某项具体任务的“工具”。2.3 工作流 (Workflow)工作流是本文的重点。它是一系列技能或操作步骤按照特定逻辑顺序的组合。如果说技能是“锤子”和“螺丝刀”那么工作流就是“先用锤子敲一下再用螺丝刀拧三圈”的完整说明书。工作流定义了任务的执行蓝图包括步骤、判断分支、循环和数据处理。三者的关系你为一个智能体添加一个或多个技能。而当你需要完成一个多步骤的复杂任务时你就创建一个工作流在这个工作流里按顺序调用各种技能和逻辑节点最后将这个工作流作为一个更强大的“复合技能”赋予给你的智能体。简单理解工作流 复杂任务的自动化流水线。3. 环境准备注册 Coze 与目标场景定义我们的实操不需要任何本地环境完全在浏览器中进行。3.1 平台访问与注册访问 Coze 官网请注意由于平台访问政策可能调整请自行搜索“Coze 扣子”获取最新官方地址。使用手机号或邮箱进行注册登录。目前平台对个人用户提供免费额度足够我们进行学习和原型验证。登录后你会进入 Coze 的主控台界面。3.2 明确我们的实战目标为了让大家有最直观的感受我们设定一个非常具体且实用的目标场景构建一个“信息监测助手”智能体。它每天自动运行一次访问指定的技术博客首页例如 CSDN 的某个专栏抓取最新的3篇文章标题和链接然后让 AI 模型为这3篇文章生成一段简要的内容摘要最后将这份摘要报告通过邮件发送给我。这个场景涵盖了工作流的几个关键要素定时触发、网络请求、信息提取、AI 处理、结果输出。完成这个例子你就能触类旁通设计出更多自动化流程。4. 核心流程拆解五步搭建信息监测工作流让我们把上面的目标拆解成工作流的具体步骤。在 Coze 中每一步都对应一个或一组“节点”。触发器如何让工作流自动开始我们使用“定时任务”节点。获取数据如何拿到网页内容我们使用“代码”节点执行一段简单的 Python 爬虫或“HTTP 请求”节点。提取信息如何从杂乱的网页 HTML 中提取出文章标题和链接我们使用“代码”节点进行解析或者利用 AI 模型的“文本理解”能力。加工信息如何让 AI 为文章写摘要我们使用“大语言模型”节点将提取到的文章列表和链接喂给它让它生成摘要。输出结果如何把摘要报告送给我我们使用“发送邮件”节点。下面我们进入 Coze 平台一步步实现它。5. 完整实操手把手创建你的第一个工作流5.1 步骤一创建智能体与工作流在 Coze 主控台点击左上角“创建”按钮选择“创建智能体”。给你的智能体起个名字比如“技术资讯监测助手”并写一段简单的描述。在智能体编辑页面的左侧导航栏找到并点击“工作流”标签页。点击“新建工作流”命名为“每日技术摘要生成”。此时你会看到一个空白的画布这就是你的工作流编辑器。5.2 步骤二添加“定时触发器”节点工作流需要被触发才能执行。我们从右侧的节点库中找到“触发器”分类将其中的“定时任务”节点拖拽到画布上。配置定时任务节点触发方式选择“周期触发”。Cron 表达式这是定义定时规则的关键。对于“每天上午9点执行一次”这个需求Cron 表达式可以设置为0 9 * * *。0代表分钟0分。9代表小时9点。*代表日期每天。*代表月份每月。*代表星期每周的每天。时区选择你所在的时区例如Asia/Shanghai(UTC8)。配置完成后这个节点就会在每天上午9点北京时间自动触发并启动整个工作流。你可以点击右上角的“手动测试”按钮立即触发一次来测试后续流程。5.3 步骤三添加“获取网页内容”节点这里我们演示两种常用方法使用简单的 Python 代码或使用更稳定的 HTTP 请求节点需了解一点 HTML 结构。方法A使用“代码”节点Python从节点库的“逻辑”或“工具”分类中找到“代码”节点拖到画布上并将其与“定时任务”节点连接拖动“定时任务”节点右侧的输出点连接到“代码”节点左侧的输入点。在“代码”节点的配置面板中语言选择“Python”。在代码编辑区输入以下示例代码。这段代码使用requests和BeautifulSoup库来抓取和解析网页。Coze 的工作流环境通常已内置这些常用库。import requests from bs4 import BeautifulSoup import json # 定义要监控的网页URL这里以CSDN的“人工智能”专栏为例请替换为你关心的网址 url https://blog.csdn.net/nav/ai try: # 发送HTTP请求设置一个用户代理头以避免被简单屏蔽 headers {User-Agent: Mozilla/5.0} response requests.get(url, headersheaders, timeout10) response.raise_for_status() # 检查请求是否成功 html_content response.text except Exception as e: # 如果请求失败将错误信息作为输出方便排查 output {error: f网页请求失败: {str(e)}, articles: []} print(json.dumps(output)) exit() # 使用BeautifulSoup解析HTML soup BeautifulSoup(html_content, html.parser) # 假设我们要提取文章列表。这里需要根据目标网站的实际HTML结构进行调整。 # 以下是一个示例选择器可能需要你用浏览器的“检查元素”功能来定位正确的CSS选择器。 # 这里假设文章标题在 a class‘title’ 标签内链接在 href 属性中。 articles [] article_elements soup.select(.main .article-list .article-item a.title) # 示例选择器需替换 for elem in article_elements[:3]: # 只取最新3篇 title elem.get_text(stripTrue) link elem.get(href) if link and not link.startswith(http): # 如果是相对路径补全为绝对路径 link requests.compat.urljoin(url, link) if title and link: articles.append({title: title, link: link}) # 将结果以JSON格式输出供后续节点使用 output {articles: articles} print(json.dumps(output))关键点说明soup.select(‘.main .article-list .article-item a.title’)这一行是核心它决定了你能否正确提取到信息。不同的网站这个 CSS 选择器表达式完全不同。你需要使用浏览器开发者工具F12去查看目标网页的元素结构找到包裹文章标题和链接的 HTML 标签及其 class 或 id然后修改这个选择器。print(json.dumps(output))是工作流中代码节点输出结果的标准方式。后续节点可以接收这个 JSON 数据。方法B使用“HTTP 请求”节点 “JavaScript 代码”节点如果目标网站结构简单或者提供了 API使用“HTTP 请求”节点更直观。拖入“HTTP 请求”节点在“工具”分类下。配置方法为“GET”URL 填入目标地址。拖入一个“代码”节点语言选择“JavaScript”。在 JS 代码中使用document.querySelector或正则表达式来解析上一步 HTTP 请求返回的 HTML 文本并组装成 JSON 输出。逻辑与 Python 版类似。对于新手建议先从方法A的 Python 代码开始因为 BeautifulSoup 库的解析功能更强大、容错性更好。5.4 步骤四添加“大语言模型”节点生成摘要现在我们已经有了一个包含文章标题和链接的列表articles。接下来让 AI 模型来阅读这些链接指向的文章或至少基于标题并生成摘要。从节点库的“模型”分类中拖出“大语言模型”节点连接到“代码”节点之后。在配置面板中你可以选择不同的模型例如DeepSeek、GPT-4等根据平台可用性选择。关键配置提示词Prompt。在“系统提示词”或“用户消息”中我们需要构造一个清晰的指令。我们可以利用“变量插入”功能。假设上一个“代码”节点的输出变量名是resultCoze 通常会自动命名其内容是我们打印的 JSON{articles: [{title:..., link:...}, ...]}。我们可以这样编写提示词你是一个技术资讯分析助手。请根据用户提供的文章信息为每一篇文章生成一段简洁的内容摘要80-100字。摘要应抓住文章的核心技术点或主要观点。 以下是需要处理的文章列表 {{result.articles}} 请以如下Markdown格式输出 ### 文章摘要报告 {% for article in result.articles %} **{{article.title}}** - 链接{{article.link}} - 摘要[请在此生成该文章的摘要] {% endfor %}注意{{result.articles}}和{{article.title}}是 Coze 工作流中的变量插值语法。它会将上一个节点的实际输出值填充到这里。{% for ... %}是类似 Jinja2 的模板语法用于循环处理列表。这样大语言模型节点就会接收文章列表并为每一篇生成摘要最后输出一个结构化的 Markdown 文本。5.5 步骤五添加“发送邮件”节点输出报告最后一步将 AI 生成的摘要报告发送到你的邮箱。从节点库的“扩展”或“工具”分类中找到“发送邮件”节点拖入画布连接在“大语言模型”节点之后。首次使用需要配置发件人邮箱点击节点配置中的“去配置”按照 Coze 平台的指引添加你的邮箱如 QQ 邮箱、163 邮箱等。通常需要你提供邮箱的 SMTP 服务器地址、端口、以及一个授权码不是邮箱密码需要在邮箱设置中申请。配置邮件节点收件人填入你的接收邮箱。发件人选择你上一步配置好的邮箱。主题例如“每日技术资讯摘要 {{now | date(‘YYYY-MM-DD’)}}”。{{now | date(...)}}是过滤器可以生成当前日期。内容类型选择“HTML”因为我们的摘要报告是 Markdown可转为 HTML。内容这里插入大语言模型节点的输出。假设大语言模型节点的输出变量是model_output则内容框里填入{{model_output}}。至此一个完整的自动化工作流就搭建完成了你的画布上应该有类似这样的节点链定时任务-代码(Python)-大语言模型-发送邮件。6. 运行测试与效果验证6.1 保存并运行测试点击工作流编辑器右上角的“保存”按钮。点击“手动测试”按钮通常是一个播放图标。Coze 会从“定时任务”节点开始模拟执行一次整个工作流。观察画布上每个节点的执行状态。节点边框通常会显示颜色如绿色表示成功红色表示失败。点击每个节点可以查看其详细的输入和输出数据这是调试排错最重要的依据。6.2 验证成功的关键点“代码”节点查看其输出确认articles列表是否正确包含了3个文章的标题和链接。如果列表为空或出错问题一定出在网页请求或解析环节。“大语言模型”节点查看其输出确认是否按照我们要求的格式生成了包含摘要的 Markdown 文本。“发送邮件”节点查看其执行日志确认邮件是否已成功提交到 SMTP 服务器。稍等片刻检查你的收件箱包括垃圾邮件箱是否收到了邮件。如果测试成功你将收到一封格式清晰的邮件里面包含了你指定网站的最新文章摘要。这意味着你的智能体已经具备了自动化工作的能力7. 常见问题与排查思路在搭建和测试过程中你可能会遇到以下问题。这里提供一个快速排查指南。问题现象可能原因排查方式解决方案“代码”节点执行失败报错或超时1. 网络问题无法访问目标网站。2. Python 代码语法错误。3. 缺少第三方库如bs4。4. 网站反爬机制触发。1. 查看节点错误日志确认具体报错信息。2. 检查代码中的 URL 和选择器是否正确。3. 尝试在代码开头添加import sys; print(sys.version)查看 Python 环境。1. 确认目标网址可公开访问。2. 逐行检查代码使用try...except捕获异常并打印。3. Coze 环境通常内置requests和bs4如未内置在代码中使用pip install语句可能无效需寻找替代方案或使用 HTTP 请求节点。4. 在请求头headers中添加更真实的浏览器信息或增加请求间隔。“代码”节点输出为空列表[]CSS 选择器不正确无法定位到目标元素。1. 将“代码”节点中获取到的html_content先打印出来print(html_content[:2000])看看是否成功获取到了页面。2. 使用浏览器的开发者工具F12精确检查目标元素的 CSS 路径。1. 使用浏览器开发者工具的“Copy - Copy selector”功能获取精确的 CSS 选择器。2. 尝试更通用的选择器或使用find_all配合标签名和属性进行过滤。“大语言模型”节点输出不符合预期1. 提示词指令不清晰。2. 输入给模型的数据格式混乱。1. 查看该节点的“输入”数据确认{{result.articles}}替换后是否是一个清晰的列表文本。2. 查看模型的“输出”数据。1. 优化提示词明确指令、格式和示例。2. 在提示词中要求模型“如果无法获取内容请说明原因”。3. 尝试更换其他可用的模型。收不到邮件1. 邮箱配置SMTP/授权码错误。2. 邮件被归入垃圾箱。3. 邮件内容为空或被拦截。1. 检查“发送邮件”节点的配置确认发件人邮箱已正确绑定且授权码无误。2. 查看该节点的执行日志看是否有 SMTP 发送失败的错误信息。3. 检查垃圾邮件文件夹。1. 重新在邮箱设置中生成授权码并更新到 Coze 配置。2. 尝试先发送一封内容为简单文本如“测试”的邮件排除内容格式问题。3. 检查邮件主题和内容是否包含敏感词。定时任务不触发1. Cron 表达式格式错误。2. 工作流未发布或智能体未发布。3. 平台免费额度限制。1. 使用在线的 Cron 表达式验证工具检查格式。2. 确认工作流和所属智能体都已点击“发布”。3. 查看平台个人中心的用量统计。1. 修正 Cron 表达式。2. 发布工作流和智能体。只有发布的智能体其内部的定时工作流才会真正按计划执行。3. 了解平台的免费策略或调整执行频率。8. 最佳实践与进阶思路掌握了基础搭建后你可以通过以下方式让你工作流更健壮、更强大。8.1 增强健壮性异常处理在“代码”节点中务必使用try...except包裹核心代码并将错误信息友好地输出便于在失败时能知道原因。数据验证在关键节点后可以添加“条件判断”节点。例如判断“代码”节点输出的文章列表是否为空如果为空则走一个分支发送警告通知而不继续调用付费的 AI 模型。添加日志利用 Coze 提供的“变量赋值”节点或代码中的print语句在关键步骤记录状态信息方便回溯。8.2 扩展功能场景你现在搭建的是一个单向信息流。工作流的能力远不止于此双向交互将工作流作为智能体的一个“技能”。当用户向你的智能体提问时触发工作流去查询信息并返回结果。只需将触发器从“定时任务”换成“用户提问”即可。多数据源在“代码”节点中可以并发请求多个网站将结果合并后再交给 AI 处理打造一个信息聚合助手。连接数据库使用“代码”节点连接平台的数据库插件如 PostgreSQL将每次抓取的结果存储下来实现历史记录查询和去重。复杂决策链利用“条件分支”、“循环”节点可以实现“如果A情况则执行B否则执行C”的逻辑处理更复杂的业务规则。8.3 权限与成本管理敏感信息邮箱授权码、API Keys 等敏感信息务必在 Coze 的“知识库”或“变量”功能中存储为加密变量然后在工作流中引用变量名而不是硬编码在节点里。成本意识大语言模型节点和某些第三方插件 API 调用可能产生费用。在 Coze 平台注意查看你的额度使用情况。对于高频任务可以在工作流开始前用“条件判断”节点检查一下当日已调用次数。通过本教程你不仅学会了一个具体工作流的搭建更重要的是掌握了在 Coze 平台上进行“可视化编程”的思维模式定义输入 - 选择处理节点 - 传递数据 - 定义输出。这种思维可以迁移到无数自动化场景中无论是处理文档、分析数据、监控系统还是连接各种 SaaS 服务。接下来你可以尝试改造这个工作流去监控你感兴趣的论坛、电商价格、天气信息或者创建一个自动回复常见问题的客服助手。