Hi，大家好，我叫秋水，当前专注于 AI Agent 和 AI 工作流自动化。

自从《从 0 到 1 构建商用 AI Agent》发布后，很多朋友纷纷来咨询我。

我的哪些场景可以让 AI 帮***？

某个工作场景让 AI 帮***，如何梳理这个需求流程？

如何自己手搓一个 AI Agent（智能体）？

这篇文章，我将带着大家一步一步地手搓一个 AI Agent（智能体）。

全文8000字，可以先收藏，慢慢观看。

如果看完对你有帮助，希望一键三连，谢谢。

在《从 0 到 1 构建商用 AI Agent》中，我介绍了打造 AI Agent 的七个步骤，分别是需求梳理、软件选型、提示工程、数据库、构建 UI 界面、测试评估和部署发布。

不知道这七个步骤的朋友，可以去看一下那篇文章，有助于更好的理解这期实操教程。

这期实操教程重点是给大家演示如何从 0 到 1 手搓一个 AI Agent 的搭建过程，而非详细的讲解具体某个工具的操作使用，因此不会用复杂的场景做演示例子。

至于软件选型，我选择的是 Coze，方便大家直接在线操作使用。

在具体动手实操的过程中，我重点为大家展示从需求分析到如何搭建。

需求分析中包含如何识别 AI 提效场景和、梳理提效场景流程。

如何搭建中包含工作流创建、智能体创建、智能体发布。

需求分析

第一步，我们需要做的工作就是需求分析。

这一步很重要，这部分也属于高价值的知识，这一步学会了，后面不管是用 Coze，还是 Dify，或者其他低代码平台，也都很容易。

在这一步，很多朋友就问过我，我不知道我个人或者我们企业有什么场景可以让 AI 帮我提效？

也有朋友问我，我大概知道什么场景可以提效，但我梳理不出具体的流程来？

其实，这很简单，我们可以借助 AI 啊，下面我们用一位同样不知道自己如何借助 AI 提效的企业营销部的自媒体编辑小莉来举例子，看她如何梳理自己需求的。

如何识别哪些场景可以让 AI 帮我提效？

首先，我们需要让小莉找到可以让 AI 帮她提效的场景。

我们让小莉把她每天的工作形成一个流水账，越详细越好，这个流水帐包含了她在公司里所有的工作内容。

如果你是公司的老板，可以让同一个岗位的多位员工把他们每天的工作流水账记录一下，然后在合并在一起，提炼出这个岗位需要干的所有工作内容。

小莉的工作流水账梳理好以后，我们就可以借助 DeepSeek R1 ，让他帮我们分析一下小莉的哪些工作可以做成 AI Agent，从而辅助小莉来提升工作效率。

下面是 DeepSeek R1 的提示词，以及小莉的工作流水账。

想创意（提示词模版）
介绍：让 AI 为企业的营销、宣传等提供创新的、脑洞大开的内容。
模版：主题（搞什么）+ 风格/约束（有什么要求）+ 创新方向（怎么与众不同）。

提示词我用的是上篇文章《从理论到实践：学会如何商用 DeepSeek，收藏这一篇就够了》中提到的提示词模版，不清楚的朋友可以看一下，那篇文章主要是讲如何写好提示词的。

然后我们在看看小莉的工作流水账。

可以看到早晨上班打卡签到都写了，在这个工作流水账梳理过程中，不要怕写的啰嗦，一定要写出详细的工作内容，这个流水账不是总结工作内容，而是把上班后涉及到所有的工作内容都写一下，细化到每一步操作都写清楚。

就像小莉整理的一样，上班后会看近期发布的内容浏览情况，具体看哪些内容，例如阅读量、点赞数等要全部写出来；浏览网站找素材，到底浏览的哪些网站？看什么内容？都可以一一列出来。

和团队每天会开会讨论问题，讨论什么问题？也一并梳理出来，可以写出都是哪些类别的问题，然后举出每一个类别的例子。

尽量不要出现“等工作、等操作”字样，这个细化程度的颗粒度，也需要把控好。

然后我们把提示词和工作流水账一并发给 DeepSeek R1，让他来帮我们规划出哪些场景是可以借助 AI 提效的。

我们可以看一下图片中执行的效果，可以看到 DeepSeek R1 帮我们规划了这些场景，每一个场景都可以做成一个 AI Agent，多个 AI Agent 就可以组成一个岗位，一个数字员工了。

对于上面 AI 规划的 AI Agent 场景，大家不能直接使用，我们需要记住一点，在近阶段，我们需要的是让 AI 辅助我们工作，而不是替代我们工作。

因此 AI 帮我规划出来的这些场景，它提供给了我们建议，最终还是需要我们对其研究后，筛选出可以落地的场景。

AI 可以提效的场景，如何梳理流程

接下来，我们选择一个场景，来细化需求，梳理出流程来。

在软件行业，需求调研阶段，干的主要工作就是调研需求，设计业务流程。

如果你是一位产品经理、项目经理，应该轻车熟路了。

如果你从来没有做过也没关系，我们同样可以借助 AI 。

由于文章篇幅的问题，因此，我们选择一个最简单的场景“素材收集”抛砖引玉。

场景描述：日常在行业网站 a，网站 b 等上浏览文章，看到浏览量多的或者优质的文章，我会点击进去看一下，如果有不错的文章，就收藏起来，以备后期写作时使用。

粗放的场景梳理

我们需要详细的描述这个素材收集的场景都会做哪些操作，同样列出操作流水账来，如果在工作内容流水账的地方已经描述的很清楚了，那可以直接复制过来。

然后我们把提示词和场景工作流水账一并发给 DeepSeek R1，让它来帮我们梳理详细的流程。

提示词我用的是上篇文章《从理论到实践：学会如何商用 DeepSeek，收藏这一篇就够了》中提到的提示词模版。

如何执行
介绍：给出目标，让 AI 协助输出执行过程，例如写代码、画流程图。
模版：任务（做什么）+ 步骤约束（怎么操作）+ 输出格式（结果长啥样）。

看一下上面图片的 DeepSeek 的输出，可以看到感觉输出的内容非常棒，但是具体落地还是有些困难，例如第一部分“发现目标文章”，这个展开来做的话本身也是一个智能体，例如到不同的站点读取内容、分等级评估是否优质内容、存到指定地方，人工阅读，调整 AI 评估内容优质等级的参数。

我们需要抓住一个重点就是：内容是否优质其实还是需要我们来人为判别的。

看看，完全依靠 AI 直接输出的结果，有时候是无法直接使用，还是需要我们来主导 AI 的思考方向。

精准的场景梳理

接下来，我们聚焦在素材采集中如何把看到的素材快速的保存到飞书表格中，这个过程可以叫它 AI Agent ，也可以叫它 AI 工作流，我们再来看看效果。

大家可以看到，我把素材采集聚焦在如何把文章快速保存到飞书表格中，我描述了素材保存的详细的步骤，我们在看一下效果，这次的效果就非常棒，AI 帮我更加详细的拆解了步骤。

我们看一下它拆解的步骤，这里的每一个步骤，都是 Coze 上流程的一个节点，这个步骤规划的越精准，后期不管用 Coze ，还是 Dify，或者其他的，实操起来也会越简单。

这些知识就是高价值的内容，我们需要学会了这种场景拆解流程的思维能力。

梳理如下工作场景的工作流程做成一个 ai 智能体。
我看到一篇好的文章后，会把 url 发给智能体，智能体可以帮我自动进行总结和打标签，把标题、内容、总结、标签保存到飞书多维表格中，以表格形式输出（工作内容/AI 协助/人工来做），说人话。

绘制场景流程图

在上面 AI 输出的拆解步骤后，我们需要将它绘制成业务流程图，初期建议大家多做做这个流程图的绘制，它可以训练你的流程拆解思维能力，在 Coze 上具体搭建的时候，这种能力相当重要。

在这里我们普及一下什么是“业务流程图”？

业务流程图是一种描述管理系统内各单位、人员之间的业务关系，作业顺序和管理信息流向的图表。

业务流程图的绘制是按照业务的实际处理步骤和过程进行的。

通俗的讲流程图就是用图形和箭头把一件事的步骤和顺序画出来，让人一眼就能看懂。

我们用“购买电影票”这个例子来示范一下。

这是步骤：

步骤 1：决定购买哪部电影。

步骤 2：选择电影和场次。

步骤 3：选择座位。

步骤 4：支付票款。

步骤 5：支付成功或者失败。

这是流程图：

暂时无法在飞书文档外展示此内容

接下来我们看一下如何将 AI 输出的拆解步骤，绘制成流程图。

AI 输出的步骤：提交 URL 到智能体 -> 抓取文章内容 -> 提取标题和正文 -> 生成 200 字总结 -> 打 3-5 个标签 -> 准备飞书表格数据 -> 写入飞书多维表格。

这是绘制的流程图：

暂时无法在飞书文档外展示此内容

我在《从 0 到 1 构建商用 AI Agent》文章中，提到过需求梳理结束后的如何选型，结合这个例子，我们一起做一下选型。

开发平台：

为了演示方便，同时大家实操方便，在这里开发平台我们选择 Coze。

LLM 大模型：

从流程图上我们可以分析一下用到 LLM 大模型的地方，是“生成 200 字总结”、“打 3-5 个标签”这两个节点，我们深入再分析一下，这两个节点可以合并为一个节点，即把文章内容发送给大模型，让他输出总结和标签。

这里仅仅是总结内容，因此我们 LLM 大模型选择 DeepSeek V3 就可以，不同的场景，我们可以综合分析，调用不同的大模型。

工具选择：

从流程图中，我们在分析一下哪些地方可以用到工具，工具的作用一方面是处理节点上的业务，例如把一篇长文章拆分成多个短文文章（部分大模型还不能处理长文章），另外一方面是与外部系统进行对接。

在流程图中，我们可以看到“抓取文章内容”、“提取标题和正文”是需要用到工具，现在大多数的网页抓取工具都具备了抓取文章内容，直接返回文章内容、标题等信息，那么这两个节点可以合并在一起。

每个工具都有输入和输出，在这里输入是文章 URL，输出是文章的标题和内容。

在流程中的最后一个节点“写入飞书多维表格”，这也是需要与外部系统互通，因此这里也需要用到一个保存内容到飞书的工具，输入是标题、内容、标签、URL，输出的是否保存成功。

每个工具的输入和输出都是有格式的，或者字符串，或者 JSON，或者其他，因此在“写入飞书多维表格”这个节点的前面“准备飞书表格数据”节点输出的数据，就是“写入飞书多维表格”这个工具的输入。

根据刚才的分析，我们将流程图重新调整再看一下，这个流程图就比较清晰了，有流程、有节点、每个节点调用的工具是什么都比较清晰。

用这样的流程图，不管在 Coze 上做还是在 Dify 上，你熟悉一下这些工具的操作，很快就可以在不同智能体平台上开发出来。

暂时无法在飞书文档外展示此内容

借助 AI 智能体做智能体

我们也可以借助 Coze 上的智能体，把场景需求写明白，让 AI 智能体帮我们来规划出在 Coze 上的操作步骤，怎么样，看他输出的各个流程节点还不错，我们可以借鉴一下，然后在平台上搭建。

目前说的是借鉴一下，而不是直接使用，我们还是需要具备流程拆解思维能力，这个输出是提供给我们参考思路。

目前 Coze 在创建工作流的时候，其实也提供了类似的功能。

进入后输入我们前面梳理的需求。

到这里，如何梳理出一个清晰的场景需求和业务流程就介绍完了。

一个企业如果有实际运行的SOP工作手册，那么做这个需求分析其实也是很简单的，这个本身就是一个SOP工作手册。

SOP（Standard Operating Procedure），就是标准作业流程，它告诉员工“在什么情况下，该怎么做，以及做到什么程度”。

留个作业，大家可以把自己的工作 SOP 流程图梳理出来，发在评论区。

如何搭建

接下来我们就进入了实操环节，在 Coze 上如何一步步的搭建这个 AI Agent（智能体）。

这篇文章的实操，我会根据素材采集的特点，快速带大家创建一下，不会延展开来讲，目前市面上讲 Coze 的实操文章和视频也很多。

大家也可以看看 Coze 官方的帮助。

整个搭建过程分为工作流搭建、智能体搭建。

先做一个工作流，把我们上一步的流程在工作流中创建。

然后在创建一个智能体，将工作流嵌入进去。

创建工作流

首先，我们开始搭建工作流。

我们先打开 https://www.coze.cn，注册登录。

先点击“资源库”，鼠标停在右侧的“资源”上，点击“工作流”。

在弹出的如下界面中，填写“工作流名称”和“工作流描述”

点击“确认”后，进入一个空白页面，根据我们前面梳理的流程图，开始用 Coze 的组件编辑流程，我编辑好的流程如下：

“开始”和“结束”的节点是必须的，创建的时候默认就有，也不能删除，从“开始”到“结束”之间必须要有连线，没有连线，就相当于现实中两个地方之间没有路，没有路就没法走。

在一开始的时候，点击每个流程节点的右侧的圆圈，可以出现下图的窗口，在这个素材采集的流程中，我们会用到大模型、插件（就是前面我们说的工具，用于与其他系统做交互的）、代码（可以在个节点编写代码）。

接下来，我们看一下每个流程节点是怎么做的。

开始

下图中的“开始”节点，在右侧的配置那里是没有输出，它主要是为这个工作启动准备数据，这个例子我们设定了一个变量名 url，智能体在调用这个工作流的时候，会自动从聊天内容中获取到 url ，传给它。

工具：抓取内容

红框 1：是插件，“工具：抓取内容”是在这个节点我自己定义的名称，它的作用是给它一个 url ，它会把这个 url 页面的内容帮你抓取出来。

红框 2：点击“插件详情”，可以查看这个插件的详细介绍，以及输入和输出的介绍。除了开始结束，每个节点都有输入和输出，输入和输出的参数都不一样。

红框 3：是插件的输入，“*”是必须要填写的，url 就是我们需要“开始”节点中定义的 url。

红框 4：是插件的输出，每一项都是一个数据变量，在后面的节点中会引用，具体每个变量什么意思，一个是看插件中的说明，此外可以从英文也可以看出大体意思。这个例子可以看到 title 就是 url 中文章中的标题，content 就是 url 中的文章内容。

大模型：总结文章

这个节点就是大模型的配置，在这里我们需要大模型帮我总结文章内容，提炼文章关键词。

红框 1：此处可以选择不同的模型来处理，不同的提示词在不同的模型下表现有时候是不一致的，所以这里需要注意的是在当前这个场景下根据大模型的特点，选定模型后，再去写系统提示词和用户提示词。

红框 2：输入，可以将上个节点输出的参数标题和内容传到这里。

红框 4：输出，是大模型的返回输出，大模型返回的都是字符串，在这里，输出可以定义格式，这里我选择的是 JSON，因为方便后面来引用，但是输出如果是 JSON，需要我们在红框 3 的提示词中定义输出结构。

系统提示词和用户提示词看下面这张图，系统提示词的右上角最右侧的按钮是一个提示词魔法师，输入你要写的提示词内容，系统会自动生成大模型容易理解的提示词。

系统提示词：主要描述的是如果你把大模型看成一个你目前需要它帮助的人，它是什么角色，应该具备什么技能，你需要它按照什么格式回复给你。所以你会看到在提示词中的技能 2，我约定了大模型输出格式是 JSON，并给出了示例，并且 JSON 中的定义的 summary 和 tags 与上面输出格式中定义的名称一样。

用户提示词：就是你需要大模型回答的具体问题了，因为这里我在系统提示词中已经定义了需要大模型帮我们干什么，所以这里我就只把标题和内容放在这里，{{}}中的放的是上面输入中定义的参数。

工具：转为 JSON

在这里的工具我们用的是代码，因为我们需要将前面的标题、内容、标签等转换成一个 JSON 格式，所以只能用代码进行转换。

那么这个 JSON 格式具体内容取决于下一个节点“工具：保存到飞书”用到的插件中的说明。

我们可以看一下这个插件详细说明中的参数 records 类型是一个数组，数组中的 fields 对应的就是飞书表格中每一列的列名。

下图为 add_records 介绍：

飞书多维表格：

我们继续看看“工具：转为 JSON”的配置，这是一个“代码”节点。

红框 2：输入区域，可以增加多个参数，每个参数都可以调用前面节点的参数，它也是红框 4 中代码中传入的参数。

红框 3：输出区域，参数设定需要和红框 4 代码中返回的参数保持一致。

上图红框 4 中的代码，可以看到具体的传入参数和输出参数在代码中的体现。

Python 代码片段，类似的需要做数据转换的，都可以采用这个代码片段，只需要替换传入的参数和输出的参数就可以。

# 在这里，您可以通过 ‘args’  获取节点中的输入变量，并通过 'ret' 输出结果
# 'args' 和 'ret' 已经被正确地注入到环境中
# 下面是一个示例，首先获取节点的全部输入参数params，其次获取其中参数名为‘input’的值：
# params = args.params; 
# input = params.input;
# 下面是一个示例，输出一个包含多种数据类型的 'ret' 对象：
# ret: Output =  { "name": ‘小明’, "hobbies": [“看书”, “旅游”] };
import json

asyncdef main(args: Args) -> Output:
    params = args.params
    # 构建输出对象

    ret = {
        "record_info": [{
            "fields": {
                "title": params['title'],
                "summary": params['summary'],
                "tags": params['tags'],
                "content": params['content'],
            }
        }]
    }
    return ret