从零搭起 AI 智能体：扣子（Coze）平台全栈开发实战——原理、工作流、插件到多场景机器人落地

本文由 莫潇羽@无忆研习社（www.wuyi.wiki）撰写，转载请注明出处。

快速摘要

AI 智能体（AI Agent）和大模型最大的区别，一句话概括就是：大模型只给方案、只说不做，智能体会调工具、既说又做。想从零把智能体做出来，目前对普通人最友好的路子，是用字节跳动的扣子（Coze，国内版官网 coze.cn）这种零代码到低代码平台。把六个核心概念吃透——工作空间、资源库、工作流、插件、知识库、数据库——再配合"感知到规划到行动到记忆"这套四要素思路，你完全可以在不写多少代码的情况下，搭出聊天助手、天气查询、文案改写、记账助手、装修设计、单词卡片、成语故事视频、多智能体英语陪练、邮件自动回复等一大票能落地的机器人。

这篇是我（莫潇羽）自己把整套智能体开发实操从头折腾一遍之后，重新梳理出来的一份系统笔记。我没有按"一个案例一个案例"的零散方式来写，而是把它整理成一条由浅入深的主线：先讲清楚大模型、人工智能、智能体三者的关系，再拆解智能体的四个零件，然后落到扣子平台上，从最简单的提示词机器人一路做到能产出视频、能多角色协作的复杂系统。

特别要先打个预防针：凡是涉及 AI 自动生成图片、配音、视频的环节，按照 2025 年 9 月 1 日起施行的《人工智能生成合成内容标识办法》，发布到国内自媒体平台时必须主动声明并加上"AI 生成"标识；用到的图片、音乐、字体等素材如果要商用，也得拿到正版授权。这根弦要从一开始就绷着。

想看完整拆解，往下翻。

一、先把概念掰开：大模型、人工智能和智能体到底什么关系

很多人一上来就想做智能体，结果连"大模型"和"智能体"是不是一回事都没分清，做着做着就糊涂了。所以我宁可花点篇幅，先把底层这几个名词的关系理顺。这块理顺了，后面所有操作你才知道自己在干嘛。

1.1 人工智能、机器学习、深度学习，是一层套一层

这三个词经常被混着用，其实它们是包含关系，像套娃一样一层裹一层。

人工智能（AI）是最外面那一层，也是最大的一个概念。说白了，就是让一个"智能主体"能像人一样去思考、去行动。这个智能主体可以是软件，比如聊天机器人、电商网站的客服系统、自动交易程序；也可以是硬件，比如机器人、自动驾驶汽车、智能家居。正是因为往这些软硬件里塞进了 AI，它们才显得比从前"聪明"。

机器学习是人工智能里面的一个子集。它的核心做法是用数据去训练，让机器能从经验里自己学习、自己改进表现，而不是靠人把每一条规则都写死。

深度学习又是机器学习里的一种，它通常借助多层神经网络来学习，而神经网络本质上是在模拟人脑神经元的工作方式去做学习和决策。

用一张图把这层关系画出来，会比一堆文字直观得多：

graph LR
    A[人工智能 AI<br/>让机器像人一样思考与行动] --> B[机器学习 ML<br/>用数据训练，从经验中改进]
    B --> C[深度学习 DL<br/>多层神经网络模拟人脑]

机器学习本身又分三种路子，平时聊智能体偶尔会用到这些词，顺手记一下：

1.2 算力、算法、数据：智能体跑起来的三块地基

不管哪一种 AI，底下都踩着三块地基，缺一块都跑不起来：

第一块是算力，也就是芯片、GPU 这类硬件，负责提供计算的"马力"。第二块是算法，相当于教机器"怎么去学"的那套方法。第三块是数据，这是 AI 学习时要消化的"养料"。这三者的关系，可以理解成：算法是教练，数据是训练教材，算力是训练场地和时间，三样齐了，机器才学得动。

机器学习从准备到上岗，大致是这么个流程：先备好数据，再选一个模型，然后拿数据去训练它、从数据里找规律，接着验证模型、不断调优让它的输出更贴近真实结果，最后把模型部署上线，让 AI 正式"上岗干活"。

这里顺带说一句新手特别容易问的：我们平时听到的豆包、DeepSeek、文心一言、通义、盘古这些，都属于"大模型"，是已经训练好、可以直接调用的现成大脑。提一句，像 OpenAI 这类境外模型，在国内做项目时使用需遵守国内网络与内容管理相关规定，这点后面还会反复强调。

1.3 大模型和智能体：一个"只说不做"，一个"既说又做"

铺垫了这么多，终于到了最关键的一组对比。我刚开始接触的时候，也是卡在这里：明明都能聊天，智能体到底比大模型多了点啥？

我的理解是这样的：大模型像一颗超级大脑，你问它问题，它能给你一套漂亮的解决方案，但它只动嘴、不动手，没法直接和外部世界打交道。比方说你想去北京玩，问 DeepSeek 或者豆包，它会告诉你怎么坐车、怎么订酒店、怎么买门票——可这些事最后还得你自己一件件去办。

智能体不一样。它相当于给这颗大脑装上了眼睛和手脚：不光给你方案，还能自动登录网站、挑房间、填信息，把整个预订流程替你跑完。所以我喜欢用一句话来记这俩的差别：

换个比方，智能体更像是给大模型挂了个"外挂"，靠这个外挂，它能把大模型给出的方案真正落地执行。这也是为什么我说，智能体是我们普通人少有的、能真正参与进来的 AI 应用方向——它不要求你去训练大模型，而是教你怎么"指挥"大模型干活。

二、智能体的四个零件：感知、规划、行动、记忆

把大模型和智能体的关系理清之后，下一个要建立的直觉是：一个智能体内部到底由哪几块拼成。业界比较通行的说法，是"感知、规划、行动、记忆"这套四要素框架（也有资料把它叫作感知、大脑、行动、记忆）。我自己做项目的时候，遇到任何一个智能体卡住，基本都能对到这四块里的某一块去排查。

graph TD
    U[用户输入需求和参数] --> P[感知：听懂要干什么]
    P --> Plan[规划：大模型拆解步骤]
    Plan --> Act[行动：调用插件/API 真正执行]
    Act --> Mem[记忆：把经验存下来，指导下一轮]
    Mem -.反馈.-> Plan

2.1 感知：把人话翻译成任务

感知这一步，干的是"接收"的活。智能体首先得拿到用户输入的需求和参数——你想干什么、你能提供哪些信息。比如你说"帮我查武汉未来两天的天气"，它得先听懂这是个天气查询任务，还得识别出地点是武汉、时间范围是未来两天。这一步翻译不到位，后面全白搭。

2.2 规划：让大模型当"项目经理"拆步骤

听懂之后，具体怎么做？这就交给大模型来当"项目经理"。它会把一个大任务拆成第一步、第二步、第三步这样的子步骤。面对"帮我分析竞品再写一份报告"这种复合指令，靠谱的智能体不会闷头硬冲，而是先排个执行计划：搜竞品信息，再提取数据，再对比分析，最后组织成文。这种把复杂任务拆成有序小步的能力，正是智能体处理长链条任务的底气。

2.3 行动：靠工具和插件真正动手

光有计划不行，得真动手。智能体动手靠的是"工具"，在扣子里就对应着插件和工作流。要查天气，它就调天气类的接口；要发邮件，它就调邮件类的接口。大模型只会处理文字逻辑，它本身查不了实时天气、发不了邮件，这些"脏活累活"都得靠工具去落地。这一点后面第七章会专门展开讲。

2.4 记忆：短期记着上下文，长期攒着经验

最后一块是记忆。记忆又分两种：短期记忆负责存当前这轮对话的上下文，帮你实现多轮对话，任务结束基本就清掉了；长期记忆则把用户偏好、业务数据这类要反复用的东西存下来，方便随时调取。我自己折腾下来的体会是，记忆这块决定了一个智能体是"用完就忘的一次性工具"，还是"越用越懂你的长期搭子"。扣子里的变量、数据库、长期记忆、文件盒子，本质上都是在解决"记忆"这个问题，下一章会逐个拆开。

三、为什么我会选扣子来做第一个智能体

理论说完，得落到一个具体平台上。我自己上手的是扣子（Coze），字节跳动出的一款新一代 AI 应用开发平台。选它的理由很实在：它把门槛压得足够低，零代码到低代码，不会写程序的人也能靠拖拽搭出能用的智能体；同时它又留足了扩展空间，想写代码做自定义插件也完全支持。

这里有个容易踩的小坑要先说清楚：扣子分国内版和海外版。国内版官网是 coze.cn，底层用的是字节自家的豆包大模型，数据和服务都在境内，对我们做国内项目来说更省心；海外版是 coze.com，走的是另一套模型体系。本文从头到尾讲的都是国内版。需要注意的是，如果你在项目里调用到任何境外模型或服务，使用时需遵守国内网络与内容管理相关规定，别给自己埋雷。

开始动手前，有六个核心概念建议先混个脸熟，后面会反复打交道：

注册登录进去之后，整个开发界面其实就三块，我刚开始也是先把这三块认全了才敢动手：最左边是智能体的人设和回复逻辑，也就是写"它是谁、它能干啥"的地方；中间是它的各种本事，插件、工作流、触发器、知识库都挂在这；最右边是预览区，随时能试运行看效果。

我个人的建议是：别想着一上来就把概念全背熟。学智能体这事，主要还是靠操作，在动手过程中不断试、不断踩坑，概念自然就懂了。所以下面咱们直接开干。

补充一个背景：2025 年 7 月 26 日，字节跳动以 Apache 2.0 许可证正式开源了扣子的两大核心项目——Coze Studio（可视化开发工具）和 Coze Loop（运维管理平台），代码托管在 GitHub 上，支持免费商用，且对硬件要求不高，2 核 CPU 加 4GB 内存就能本地跑起来，这对想深入折腾的人是个利好。做好的智能体还能发布到抖音小程序、微信、飞书等多个渠道，或者以 API、SDK 的方式接进自己的系统里，落地路径很宽。

四、第一个智能体：用提示词搭一个会聊天的助手

第一个练手项目，我选最简单的——一个纯靠提示词驱动的聊天助手，连工作流和插件都不用碰。把这个跑通，你就理解了智能体最核心的那条链路：你写要求，大模型处理，给你回复。

4.1 人设与回复逻辑：把 Markdown 当"作文格式"

新建一个智能体、起好名字、传个图标（没有合适的图标，可以让平台根据主题自动生成一个），就进到开发界面了。最左边那块"人设与回复逻辑"，就是这个智能体的灵魂。

写人设的时候，我习惯用 Markdown 这种格式来组织，因为智能体对结构化的内容识别得更准。你可以把 Markdown 理解成写作文用的标点和分段规则——格式清楚，读的人（这里是大模型）才好理解。几个最常用的语法记住就够了：

# 一级标题（前面要有空格）
## 二级标题
### 三级标题
- 列表项
![图片描述](图片路径)

那一个会聊天的助手，人设大概长这样（这是我用通用化的写法重写过的示例，不是照搬任何现成模板）：

# 角色
你是一个温暖的情绪陪伴助手，专门陪内心有点低落的人聊聊天。

# 技能
1. 先认真听，再回应，不急着给建议。
2. 主动把话题往积极的方向引。

# 限制
- 始终保持正向、温和的风格。
- 不输出任何负面、消极的内容。

4.2 选大模型、调试、一键发布

人设写好，凭什么它就能给出像样的回复？关键在界面里那个"大模型"的选择项。你写的这一大段要求，会被交给你选定的大模型去处理，再返回结果。可选的模型有豆包、DeepSeek、Kimi 等好几种，新手随便选一个主流的就行，我一般默认用豆包。

选完直接在右边预览区试。比如我输入"你好，我今天失恋了，很难过"，它就能顺着我设定的提示词，给出一段温和、正向的回复。这个智能体就算成了——它能这么回，核心就是我给它设好了要求，大模型照着处理，再把结果递回来，就这么简单。

调好之后点发布，跳过多余步骤直接发，平台会列出一堆可发布的渠道，比如扣子商店、微信、掘金等等。发到扣子商店并授权后，会拿到一个链接，把链接发给朋友，任何人都能打开用。做一个能分享出去的智能体，门槛低到超出很多人想象。

4.3 提示词写不好？用"自动优化"兜底

经常有刚入门的朋友跟我说："我不会写提示词怎么办？"其实完全不用焦虑。你只要把"它要干什么、大概有哪些功能"用大白话写两句——这点你自己心里肯定是清楚的——然后点一下界面里的"自动优化"，平台会借助大模型，把你那两句粗糙的描述扩写成一段相当详细、专业的提示词。我自己很多智能体的初版提示词，都是先随手写几句、再点优化生成出来的，省事又好用。

五、让智能体有记性：变量、数据库与触发器

上一章那个聊天助手有个毛病：你删掉对话记录，它就把你叫什么都忘了。这就引出了"记忆"这个话题。在扣子里，给智能体加记性主要靠三样东西——变量、数据库、触发器。

5.1 变量：随时可变的临时值

变量，顾名思义就是"可变的量"。它适合存那种需要长期记住、但又可能随时被覆盖的单个值。

举个我常用的例子：智能体默认只能记住有限轮对话，聊着聊着就忘了你的名字。这时候新建一个叫"对象姓名"的变量，把名字存进去，它就能持久记住。后面你换个名字进来，这个变量的值会被新值覆盖——所以叫"可变量"。在提示词里引用变量，用双花括号 {{变量名}} 的写法。

5.2 数据库：结构化的长期存储

如果要存的不是一个值，而是一张表、很多条记录，那就该上数据库了。数据库适合做结构化、可查询的长期存储。

建数据库时，你给它定好字段，比如做一个记账助手，字段可以是交易时间、金额、类型（进账还是支出）、说明、年份、月份、日期。每一笔记账，就往里加一条记录。之后想查"2025 年 4 月 30 号所有支出"，智能体就能从数据库里把对应记录捞出来。变量和数据库可以配合用：变量存当前对话里那个临时的人名，数据库存所有历史明细。这套记账助手我自己也搭了一版，配合前面讲的意图识别，输入文字、上传支付截图都能自动归类入库，月底想看哪天花在哪，一句话就能查出来，比手动记省心不少。

5.3 触发器：定时和事件，让智能体自己动起来

前面两样解决"记住"，触发器解决的是"自动动起来"。触发器分两种：

一种是定时触发，固定时间自动执行。比如设成每天中午 12 点，自动给智能体发一句"你好，我叫小红"，让它按时干点啥。另一种是事件触发，当你对智能体发送特定内容时，自动触发某个事件，这里同样可以配合变量来引用动态信息。

5.4 两个绕不开的参数：上下文轮数和最大回复长度

讲记忆，必须提大模型节点里两个关键参数，我自己被它们坑过不止一次。

第一个是携带的上下文轮数。比如设成 3，那它只记得最近三轮对话，到第四轮就把更早的内容忘了。这就是为什么有时候你会发现智能体"前面还知道我是谁，聊几句又不认识我了"。想让它真正持久记住，就别只靠上下文，老老实实用变量或数据库。

第二个是最大回复长度。如果你要它输出很长的内容，这个值不够大，后面的内容会被直接截断。我后面做小红书提取那个案例时，就栽在这上面——数据明明对，就是写不全，最后把这个参数拉到最大才解决。记住这点能省你不少排查时间。

5.5 长期记忆与文件盒子：另外两种"记性"

除了变量和数据库，扣子还提供了两个偏自动化的记忆工具，我也一并讲了，凑齐这块拼图。

一个是长期记忆。打开它之后，智能体会在聊天过程中自动总结它认为重要的信息并存起来，下次对话再结合这些总结，给你更贴合、更个性化的回复。它总结什么不由我们精确控制，是大模型自己判断的。所以它适合的场景是：长期、多轮的对话里，希望回复越来越懂你。我的用法是，做那种需要持续陪伴、记住用户偏好的智能体时才打开它，普通一次性任务用不上。

另一个是文件盒子。聊天时我们常会上传文件——Word、图片等等。如果希望智能体能调取这些上传过的文件，就用文件盒子。比如设定一条规则：当用户输入某个指令时，就返回今天上传过的所有图片。它本质上是给上传的文件做了个可被调取的暂存区，图片、文档都能用。

这两样和变量、数据库一起，构成了扣子里完整的"记忆体系"：变量管单个临时值，数据库管结构化明细，长期记忆管自动沉淀的偏好，文件盒子管上传的文件。需要哪种记性，就挑对应的工具。

六、知识库：给大模型补上"私有知识"

聊完记忆，再补一块很实用的能力：知识库。

大模型回答问题，靠的是它训练时见过的通用知识。但很多时候我们要的是基于私有资料的回答。比如我上传一份自己的简历，问大模型"莫潇羽是什么时候、从哪个学校毕业的"，它肯定答不上来——这些信息它压根没见过。知识库就是来补这个缺口的：把你的文档传进去，让智能体基于这些资料来回答。这套思路在业界有个名字叫 RAG（检索增强生成），简单说就是"先去你的资料里检索，再结合检索结果生成回答"。

用法不复杂。新建一个知识库，文本、表格、图片都能传，文本格式支持 PDF、Word、Markdown 等等。传完文档，平台会自动提取、处理里面的数据，处理好挂到智能体上就行了。这时候再问"莫潇羽的简介"，它就会去检索这个知识库，把相关信息拼出来回给你。

我自己的一个体会是：知识库的威力，跟你喂进去的资料质量直接挂钩。如果一个场景里用户问的问题，绝大多数都能在某份资料里找到答案——比如一个活动的奖项设置、评审标准、时间安排——那把这份资料做成知识库，让智能体自动去答，基本就不用人工盯着回复了。第十一章那个邮件自动回复的综合案例，核心就是知识库在撑着。

七、插件与工具：智能体的"手脚"

回到第二章说的"行动"。大模型只会摆弄文字，真要查实时天气、识别图片、抓网页、发邮件，全得靠插件。扣子平台自带一大堆现成插件，新闻、生活、图像、实用工具应有尽有；遇到没有的，还能自己写。这一章我按"由易到难"分四种情况讲，把插件这条线彻底打通。

7.1 最省事：直接用平台现成插件

最简单的玩法，是直接挑一个现成插件挂上。拿天气查询智能体举例：大模型本身查不了天气，那就给它加个天气插件。在插件里搜"天气"，选一个像墨迹天气这样的官方插件添加进去，智能体立马就有了查天气的本事。我试着问"武汉未来两天天气"，它就自动调用插件，按我设定的格式（日期、星期、天气、温度）输出结果。整个过程几乎零配置，按需填参数即可。

顺便提一个实用细节：天气恶劣时（暴雨、大雪、大风、大雾），我会在提示词里要求它额外给出防护建议，这种小心思能让一个普通智能体显得贴心很多。

7.2 进阶一点：调第三方接口型插件

有些功能平台没有，但第三方提供了现成接口，这种情况也不用写代码，只要把参数传过去、接口返回结果就行。

我做过一个食物营养识别助手：上传一张食物图片，它能识别出食物名称、类型、热量、碳水化合物。做法是新建插件时选"基于已有服务"的那种类型，填好接口地址，配置好要传的参数（一个是接口密钥 key，一个是图片地址），再严格按接口文档配置好输出参数的结构，就能跑通。这里有个反复强调都不为过的点：调第三方接口，一定要照着它的文档来——它要求什么格式，你就给什么格式，输出参数是对象套数组还是数组套对象，热量字段是数值还是字符串，都得对齐，错一点结果就出不来。

7.3 真要写代码：自定义插件抓网页正文

平台插件和第三方接口都满足不了的需求，就得自己写代码做插件了。这块对没有编程基础的同学会稍微吃力，但思路其实清晰。

我举一个抓网页正文的例子。假设我拿到一篇文章的网址，想把正文内容抓下来。新建插件时选"在平台里写代码"的类型，语言用 Python，然后创建一个工具方法（方法名固定是 handler）。最关键的两件事，是先在元数据里把输入参数和输出参数定义清楚：输入是文章地址 url，输出是一个对象（比如叫 obj），对象里有个 content 字段装正文。

核心代码逻辑大致是这样（这是通用化的示意，帮你理解流程，不是任何课程的独家代码）：

import requests
from bs4 import BeautifulSoup

async def handler(args):
    url = args.input.url                 # 拿到传进来的网址
    resp = requests.get(url, timeout=10) # 用 requests 抓网页
    content = ""
    if resp.status_code == 200:          # 状态码 200 表示请求成功
        soup = BeautifulSoup(resp.text, "lxml")  # 解析 HTML
        node = soup.find(id="article-body")      # 按正文所在标签定位
        if node:
            content = node.get_text()    # 取出纯文字，去掉 HTML 标签
    return {"obj": {"content": content}} # 严格按定义好的输出结构返回

这里有几个工程细节值得记：requests 和 BeautifulSoup 都是第三方模块，得先在插件环境里装好才能用；BeautifulSoup 解析时常用 lxml 作为基础解析器，所以 lxml 也要一并装上，否则会报错。写完一定要先测试再发布——我自己就有好几次，明明改对了却没保存，导致死活用不了，养成"改完即存"的习惯能少很多无名火。

7.4 不写插件也能打接口：HTTP 节点 + 代码节点

还有一种更轻的玩法：在工作流里直接加一个 HTTP 请求节点去打接口，再加一个代码节点把返回数据整理成自己要的格式。这套组合拳，省去了单独做插件的麻烦。

我做过一个自动抓科技新闻、再写进飞书表格的小流程：用 HTTP 节点以 GET 方式请求一个新闻聚合接口，传 key、新闻类型、条数三个参数，拿到一串嵌套挺深的返回数据；接口返回的结构往往是"对象里套 result，result 里套 data，data 是个数组"，数组里才是一条条标题。这种结构没法直接喂给写表格的插件，于是我在代码节点里写几行 Python，把数组循环一遍、把每个标题拼成目标插件要求的二维结构，再返回。

async def main(args):
    raw = args.params['body']          # 接口返回的原始数据
    data_list = raw['result']['data']  # 一层层取到真正的数组
    rows = []
    for item in data_list:             # 循环每一条
        rows.append({"fields": {"标题": item['title']}})
    return {"rows": rows}              # 拼成写表格插件要的格式

7.5 不会写代码，就让大模型帮你写

讲到这你可能有点怵代码。我的实在建议是：学智能体确实需要一点点编程基础，至少得能看懂代码在干嘛。但具体每一行怎么写，真不用全自己憋。把"我有这样一份数据，想变成那样的格式"这个需求，连同示例数据一起丢给 DeepSeek 这类大模型，让它帮你生成，再贴回来微调，完全可行。你要掌握的核心是两头：怎么拿到传进来的参数、要输出成什么结构；中间的实现逻辑，借大模型补上就行。

八、工作流：把复杂任务串成一条流水线

前面那些案例步骤简单，一个大模型节点就搞定了。可一旦任务有好几步——先抓视频链接、再转文字、再二次创作——单靠一个大模型就不够了，这时候就该上工作流。工作流是做复杂智能体的主力，把它吃透，你的天花板会一下子抬高很多。

8.1 开始与结束：先把输入输出想清楚

每个工作流都有一个"开始"和一个"结束"节点。开始定义你要输入什么，结束定义你要得到什么。我自己的习惯是，动手搭之前先把这两头想明白：比如做抖音文案改写，输入是视频页面地址，输出是改写后的标题和内容。两头定清楚了，中间怎么连就有方向了。

中间的处理逻辑也好理解：后一个节点接收前一个节点的输出，处理完再往下传，像流水线一样一节接一节。

graph LR
    S[开始<br/>输入视频链接] --> D[下载插件<br/>取下载地址]
    D --> V[语音转文字<br/>拿到文案]
    V --> L[大模型<br/>二次创作]
    L --> E[结束<br/>输出标题+内容]

8.2 选择器与意图识别：让流程会分叉

真实任务经常要"分情况处理"，这就要用到选择器和意图识别。

选择器解决的是"有几种确定的情况"。我做过一个证件照生成器，背景色就三种——红、蓝、白。用选择器加三个条件分支：color 等于 red 走红底处理，等于 white 走白底，剩下的走蓝底。三条分支各自处理完，最后用"变量聚合"把结果合并成一个输出。

意图识别更智能一点，它能判断"你这句话到底想干嘛"。我做记账助手时就靠它分流：用户输入纯文字记账信息走一条线，输入图片（比如支付截图）走另一条线，输入查询请求走第三条线，跟记账无关的就走闲聊线。

graph TD
    A[用户输