【AI智能体】基于Coze制作跨境电商客服助手工作流实战操作详解

小码农叔叔2025-12-25 11:04

目录

一、前言

[二、Coze 介绍](#二、Coze 介绍)

[2.1 Coze是什么](#2.1 Coze是什么)

[2.2 Coze 可以做什么](#2.2 Coze 可以做什么)

[2.3 Coze 相比其他智能体平台优势](#2.3 Coze 相比其他智能体平台优势)

[2.4 Coze 工作流介绍](#2.4 Coze 工作流介绍)

[2.5 Coze 工作流典型使用场景](#2.5 Coze 工作流典型使用场景)

[2.6 基于Coze 平台打造跨境电商客服助手介绍](#2.6 基于Coze 平台打造跨境电商客服助手介绍)

三、完整操作过程

[3.1 前置准备](#3.1 前置准备)

[3.2 自定义插件](#3.2 自定义插件)

[3.3 创建工作流](#3.3 创建工作流)

[3.4 配置工作流](#3.4 配置工作流)

[3.4.1 添加自定义插件](#3.4.1 添加自定义插件)

[3.4.2 增加选择器节点](#3.4.2 增加选择器节点)

[3.4.3 添加一个知识库检索节点](#3.4.3 添加一个知识库检索节点)

[3.4.4 增加选择器节点](#3.4.4 增加选择器节点)

[3.4.5 配置输出内容不为空的大模型节点](#3.4.5 配置输出内容不为空的大模型节点)

[3.4.6 配置输出内容空的大模型节点](#3.4.6 配置输出内容空的大模型节点)

[3.4.7 配置结束节点](#3.4.7 配置结束节点)

[3.4.8 整体效果测试](#3.4.8 整体效果测试)

四、写在文末

一、前言

2025年是AI人工智能大规模使用的一年。AI大模型能力在不断挖掘的同时，如何基于大模型做更进一步的升级呢，于是AI智能体就应运而生。AI智能体是结合了众多软件技术的合集，充分发掘大模型的能力，并且拓展大模型的能力，让更多使用者即使不懂大模型，也能低成本的快速掌握AI的使用。在众多的智能体平台中，像Coze ， Dify ，FastGPT等，都在构筑自己的智能体平台，为普通的非互联网人员也能快速打造属于自己的智能体应用，接下来以Coze平台为例，基于Coze制作一个跨境电商智能客服助手。

二、Coze 介绍

2.1 Coze是什么

coze是新一代AI应用发布平台，不管你是否有编程经验，都可以在coze这个平台上面快速搭建基于大模型的各类AI应用，并将AI应用发布到各个社交平台，通讯软件等，也可以通过API或者SDK将AI应用集成到你的业务系统中。平台入口：https://www.coze.cn/home

2.2 Coze 可以做什么

借助Coze平台可视化设计与编排工具，使用者可通过零代码、少代码方式，快速搭建基于大模型的各类AI项目，智能体应用，满足个性化需求，实现商业价值。

  • 智能体：

    • 智能体是基于对话的AI项目，它通过对话的方式接收用户输入，由大模型自动调用插件或工作流等方式执行用户指定的业务流程，并生成最终的回复。像智能客服，个人助理，心理咨询师，英语翻译助手等都是智能体的典型应用场景。

  • 应用：

    • 是指利用大模型技术开发的应用程序，在coze中搭建的AI具备完整的业务逻辑和可视化用户界面，属于独立的AI项目。通过coze开发的AI应用有明确的输入和输出，可以根据既定的业务逻辑和流程，完成一系列简单或复杂的任务，比如AI搜索，翻译助手，旅游助理等。

2.3 Coze 相比其他智能体平台优势

与市面上其他的AI智能体平台对比，Coze在以下几个方面表现尤为突出：

  • 强大的生态整合与发布渠道：Coze与字节跳动旗下的产品（如抖音、飞书）有深度集成，你构建的AI智能体可以非常方便地一键发布到这些主流平台，极大地简化了部署和推广流程。

  • 极致的用户体验与快速验证：Coze采用零代码和可视化拖拽的方式构建工作流，对非技术背景的用户（如产品经理、运营人员）非常友好。配合其海量的预制模板，你可以在极短的时间内（可能只需几分钟到几小时）搭建出功能完整的AI应用并验证想法的可行性。

  • 面向场景的AI办公能力：Coze在不断拓展其开箱即用的AI能力，例如直接生成和编辑PPT、处理Excel数据、进行多模态创作等。这意味着它不仅能做聊天机器人，还能直接成为提升个人和团队生产力的办公工具。

2.4 Coze 工作流介绍

Coze 工作流是一个通过可视化节点串联的方式，将大型语言模型、插件、代码等多种不同的模块组合成可重复调用的自动化流程的工具。即使您没有编程基础，也能用它来构建和部署复杂的AI应用。可以说如果没有工作流，一些复杂的智能体应用将无法做出来。下面这个表汇聚了Coze工作流的核心价值。

|------------------------------------|---------------------------------|
| 核心作用 | 关键特点 |
| 提升效率：自动化处理多步骤任务（如报告生成、数据采集） | 零代码可视化：通过拖拽节点搭建流程，无需编程基础 |
| 保证准确性：通过节点约束输出格式，避免大模型自由发挥导致的错误 | 灵活编排：支持条件分支、循环、并行处理等复杂逻辑 |
| 标准化流程：固化业务逻辑，确保不同执行者输出结果一致 | 动态调试：实时试运行并查看节点输出，快速定位问题 |
| 工具集成：无缝整合插件、API、数据库等外部资源，扩展大模型能力边界 | 跨平台发布：一键部署至飞书、豆包等平台，作为智能体功能模块调用 |

2.5 Coze 工作流典型使用场景

Coze工作流的应用范围非常广泛，也是Coze平台的一大特色，下面列举了一些典型的场景：

  • 📝 内容创作与运营

    • 批量内容生成：自动生成小红书爆款文案、新闻摘要、视频脚本等。

    • 多媒体内容制作：串联"文本生成→图生图→加字幕背景音乐"等节点，自动将古诗词生成短视频成片。

  • 🛠️ 办公自动化与数据处理

    • 智能客服与工单处理：自动分类用户咨询、回复常见问题，甚至能识别用户投诉情绪并触发优先处理流程。

    • 数据同步与报表生成：自动从小红书等平台采集数据，并同步到飞书多维表格，定时生成和发送报表。

    • 专业文档审查：例如法务合同审查工作流，可以自动读取合同文件，进行常规审查、法律引用条例审查，甚至查询甲方公司的经营风险。

  • 🎓 教育与培训

    • 自动出题组卷：根据用户输入的知识点、上传的文档或错题图片，自动生成包含选择、填空、简答等多种题型的试卷。

2.6 基于Coze 平台打造跨境电商客服助手介绍

基于Coze平台打造跨境电商客服助手，可以让你快速构建一个24小时在线、支持多语言的智能客服系统，有效降低人力成本并提升客户体验。下面汇总了基于Coze 平台打造跨境电商客服助手的核心特性和优势。

  • 核心价值

    • 降本增效：自动处理超80%常见问题，降低人力成本；

    • 提升体验：7x24小时即时响应，减少客户等待。

  • 自动化处理

    • 意图识别：自动识别订单、物流、售后等咨询意图

    • 标准化回复：基于知识库或工作流，提供准确、一致的答案

  • 个性化服务

    • 主动导购：可根据用户问题，主动推荐关联商品与优惠

    • 多轮对话：支持复杂咨询（如退换货流程）的连续性沟通

  • 多渠道部署

    • 可一键发布至独立站（Web SDK）、飞书、抖音等多个平台。

  • 技术门槛

    • 零代码/低代码：通过图形化拖拽工作流和配置即可完成，无需专业开发

三、完整操作过程

参考下面的操作步骤完成本次智能体的应用构建。

3.1 前置准备

本案例参考下面的几个步骤即可完成：

  • 创建新应用

  • 创建自定义插件

  • 编写应用提示词

    • 角色，技能，限制等

  • 自定义工作流

    • 结合实际业务场景配置工作流各个节点，以及各节点能力输出

  • 应用引入自定义工作流

  • 应用测试

  • 发布应用

完整工作流如下

3.2 自定义插件

首先，创建一个自定义插件，为后续配置工作流的使用，点击插件

填写下面的几个关键信息

插件运行时，还需要选择代码运行环境，这里我选择python

最后点击确认来到下面的配置界面

点击在IDE中创建工具，进入到下面的页面

点击左侧添加工具，根据你的需求，填写下面的工具名称和工具介绍

提前定义输入输出参数

然后将下面的代码拷贝到代码编辑区域

  • 我们这里的目的是为了根据用户输入的问题，通过代码的处理，返回期望的参数，从而指导后续的步骤，比如是打招呼的话，直接回复固定用语，而如果是与跨境电商业务相关的，则引导用户做其他动作
python 复制代码 
from runtime import Args
import random
"""
Each file needs to export a function named `handler`. This function is 
the entrance to the Tool.
Parameters:
args: parameters of the entry function.
args.input - input parameters, you can get test input value by 
args.input.xxx.
args.logger - logger instance used to print logs, injected by runtime.
Remember to fill in input/output in Metadata, it helps LLM to 
recognize and use tool.
Return:
The return data of the function, which should match the declared 
output parameters.
"""

def handler(args)->dict:
    query = args.input.query.strip()
    greeting_phrases = {

        # 基本问候
    "你好", "您好", "hi", "hello", "嗨", "哈喽", "哈罗",
    "早上好", "下午好", "晚上好", "上午好", "中午好", "晚安",
    "早", "午安", "good morning", "good afternoon", "good evening",
    # 询问身份
    "你是谁", "你是什么", "你叫什么", "你的名字", "介绍⼀下⾃⼰", 
    "⾃我介绍", "你是什么东⻄", "你是哪个", "你是啥",
    # 询问状态
    "你好吗", "怎么样", "还好吗", "你还好吗", "最近怎么样",
    "你在吗", "在不在", "还在吗", "在线吗", "你在线吗",
    # 询问能⼒
    "你能⼲什么", "你会做什么", "你能做什么", "你的功能", 
    "你有什么⽤", "你的作⽤", "你的职责", "你的⽤途",
    "你能帮我什么", "你可以做什么", "你会什么", "你懂什么",
    "能⼒介绍", "功能介绍", "你的能⼒", "你有什么功能",
    # 开始对话
    "开始", "开始咨询", "开始对话", "开始聊天", "我想咨询",
    "我有问题", "我想问问题", "我想了解", "咨询⼀下",
    # 测试类
    "测试", "试试", "试⼀试", "test", "testing", "试试看",
    "测试⼀下", "看看", "检查⼀下"
    }

    thank_phrases = {
    "谢谢", "感谢", "多谢", "谢了", "thanks", "thank you", 
    "thx", "3q", "3x", "谢谢你", "感谢你", "多谢了",
    "⾮常感谢", "⼗分感谢", "万分感谢", "太感谢了"
    }

    goodbye_phrases = {
    "再⻅", "拜拜", "bye","byebye","goodbye", "88", "⾛了", "告辞",
    "先⾛了", "下次⻅", "回头⻅", "有空再聊", "改天聊",
    "see you", "拜", "溜了", "闪了", "slip away"
    }

    human_service_phrases = {
    # 直接要求⼈⼯服务
    "⼈⼯服务", "⼈⼯客服", "⼈⼯坐席", "⼈⼯咨询", "⼈⼯帮助",
    "⼈⼯⽀持", "⼈⼯答疑", "⼈⼯解答", "⼈⼯回复", "⼈⼯对话",
    # 转接相关
    "转⼈⼯", "找⼈⼯", "要⼈⼯", "转接⼈⼯", "转接客服",
    "切换⼈⼯", "接⼊⼈⼯", "联系⼈⼯","答疑⼊⼝",
    # 真⼈服务
    "真⼈服务", "真⼈客服", "真⼈咨询", "真⼈对话", "真⼈帮助",
    "活⼈", "真⼈", "⼈类", "⼈⼯", "真的⼈",
    # 客服相关
    "客服", "在线客服", "联系客服", "找客服", "客服电话",
    "客服微信", "客服qq", "官⽅客服",
    # ⽼师/导师
    "联系⽼师", "找⽼师", "咨询⽼师", "请教⽼师", "⽼师帮忙",
    "专业⽼师", "课程⽼师", "指导⽼师",
    # 专业服务
    "专⼈服务", "专⼈客服", "专业咨询", "专业服务", "专家咨询",
    "顾问咨询", "⼀对⼀服务", "专属服务",
    # 投诉和问题
    "投诉", "举报", "反馈问题", "意⻅反馈", "服务投诉",
    "质量问题", "服务问题", "系统问题",
    # 售后相关
    "退款", "退货", "售后", "售后服务", "退换货", "申请退款",
    "退费", "取消订单", "订单问题",
    # 不满意
    "不满意", "有问题", "出问题", "不⾏", "太差了", "服务差",
    "回答不对", "答⾮所问", "听不懂", "不准确"
    }

    greeting_response = "你好，很⾼兴为您服务！我是您的跨境电商学习⼩助⼿，专业为您答疑解惑。"

    polite_responses = {
    "thank": [
    "不⽤客⽓，随时为您服务！", 
    "很⾼兴能帮助到您！", 
    "这是我应该做的，有问题随时找我哦！",
    "客⽓了，有什么问题尽管问！",
    "不客⽓，祝您跨境电商⽣意兴隆！"
    ],
    "goodbye": [
    "再⻅！期待下次为您服务！", 
    "祝您⽣活愉快，有问题随时来找我！", 
    "再⻅！祝您跨境电商⽣意兴隆！",
    "拜拜！有问题随时回来咨询！",
    "再⻅！祝您学习愉快！"
    ]
    }

    human_service_response = "同学，点击 https://www.123.com 可进⼊⼈⼯答疑"

    def normalize_text(text: str) -> str:
        """标准化⽂本：去除标点符号，转换为⼩写"""
        import re
        # 保留中⽂、英⽂、数字，去除标点符号和空格
        cleaned = re.sub(r'[^\w\u4e00-\u9fff]', '', text.lower().strip())
        return cleaned

    def exact_match_check(query_text: str, phrase_set) -> bool:
        normalized_query = normalize_text(query_text)
        for phrase in phrase_set:
            normalized_phrase = normalize_text(phrase)
            if normalized_phrase == normalized_query:
                return True
        return False

    def contains_match_check(query_text: str, phrase_set) -> bool:
        """包含匹配检查（⽤于短查询中包含关键短语的情况）"""
        normalized_query = normalize_text(query_text)
        # 只有当查询很短时才使⽤包含匹配（避免误匹配）
        if len(normalized_query) <= 10:
            for phrase in phrase_set:
                normalized_phrase = normalize_text(phrase)
                if normalized_phrase in normalized_query or normalized_query in normalized_phrase:
                    return True
        return False

    # 处理输⼊
    query = query.strip()

    if not query:
        return {
            "type": "error",
            "response": "请输⼊您的问题。",
            "need_rag": False,
            "original_query": query
        }    

    print(f"处理查询: '{query}'")
    print(f"标准化后: '{normalize_text(query)}'")

    # 1. 检查感谢类礼貌⽤语（精确匹配）
    if exact_match_check(query, thank_phrases):
        return {
                "type": "greeting",
                "response": random.choice(polite_responses["thank"]),
                "need_rag": False,
                "original_query": query
        }

    # 2. 检查告别类礼貌⽤语（精确匹配）
    if exact_match_check(query, goodbye_phrases):
        return {
        "type": "greeting", 
        "response": random.choice(polite_responses["goodbye"]),
        "need_rag": False,
        "original_query": query
        }    

    # 3. 检查打招呼（精确匹配 + 短语包含匹配）
    if exact_match_check(query, greeting_phrases) or contains_match_check(query, greeting_phrases):
        return {
            "type": "greeting",
            "response": greeting_response,
            "need_rag": False,
            "original_query": query
        }    

    # 4. 检查⼈⼯服务请求（精确匹配 + 短语包含匹配）
    if exact_match_check(query, human_service_phrases) or contains_match_check(query, human_service_phrases):
        return {
            "type": "human_service",
            "response": human_service_response,
            "need_rag": False,
            "original_query": query
        }

    # 5. 其他情况需要RAG检索
    return {
        "type": "rag_needed",
        "response": "",
        "need_rag": True,
        "original_query": query
    }

配置完成后，点击测试一下，下面选择了2组参数进行测试，可以看到返回了预期的结果

最后点击一下发布插件，发布之后，在我们的自定义工作流里面才能正常引用

3.3 创建工作流

如下，点击新建工作流，注意，这里的工作流选择对话流

确认后来到下面的工作流配置页面

3.4 配置工作流

3.4.1 添加自定义插件

点击添加插件节点，选择上一步自定义的那个插件

然后配置一下插件节点的输入参数为开始节点的参数

点击测试一下，分别测试两种场景，可以看到，如果是未能识别的问题，则会在输出结果的参数中，那个need_rag的参数为true，后续将会引导至知识库检索

3.4.2 增加选择器节点

增加一个选择器节点，用于判断接下来对用户的问题处理是否要走知识库检索

在选择器这里，根据是否需要走知识库检索，配置2个分支，如果不需要，直接结束

否则按照其他的分支继续走流程。

3.4.3 添加一个知识库检索节点

如下，在另一个分支节点增加一个知识库节点

这里使用自己本地的知识库，第一次还没有知识库，点击加号

点击创建知识库

在下面这个输入框中，按要求上传自己本地的知识库文档，一步步进行下一步即可完成知识库的创建

然后进行本地文档的导入

最后，再次从知识库那里选择时，就能看到这个知识库了

此时可以看到，本地的知识库就添加进来了

配置完成后，再次做一下测试，当走到下面的分支时，可以看到检索的问题就从本地知识库中获取的结果

3.4.4 增加选择器节点

根据上一步知识库检索是否检索出结果进⾏判断选择

  • 如果有结果，交给大模型，基于问题和上下⽂来让⼤模型回答

  • 如果没有结果，直接由大模型自己输出答案返回给用户

3.4.5 配置输出内容不为空的大模型节点

在这种情况下，该节点需要接受⽤户的query和上下⽂，经过⼤模型得到结果，在大模型节点中配置如下的提示词

bash 复制代码 
# ⻆⾊
你是⼀位专业且⾼效的跨境电商答疑⼩助⼿，精通跨境电商领域的各类知识，能够依据相关信息准确回答⽤户关于跨境电商的问题。

## 技能
### 技能 1: 基于上下⽂解答问题
1. 严格依据提供的上下⽂内容进⾏回答，不添加上下⽂中未出现的信息。
2. 回答需精准、简洁、有条理，重点突出，逻辑严密，避免歧义，采⽤清晰的格式呈现内容，将复杂概念以通俗易懂的⽅式表达。

### 技能 2: 答案优化
1. 若问题检索出来的上下⽂答案⽐较简单，需进⾏优化，但不能改变原来上下⽂中涉及到的答案核⼼内容。
2. 示例：
            - 问题： 是不是不能在⼀个⻚⾯⾥⾯同时操作设置两个素材（A图案对应⽩T，B图案对应⿊T）只能选⼀个通⽤于⽩⿊T的图案？
            - 检索上下⽂答案： 是的
            - 优化后给出答案： 是的，不能在⼀个⻚⾯⾥⾯同时操作设置两个素材（A图案对应⽩T，B图案对应⿊T），只能选⼀个通⽤于⽩⿊T的图案。

### 技能 3: 上下⽂不⾜信息内容补⻬
1. 若问题经过数据库检索，给出的上下⽂信息⾮常少或没有，需结合⾃身专业知识回答。

2. 示例：
       - 问题：如果我的产品标题中即有泰⽂和英⽂，算重复吗？
       - 上下⽂的信息：请不要在标题中出现叠词
       - 回答：本地知识库中未提供关于产品既有泰⽂和英⽂是否算重复的相关内容，结合专业知识，⽬前没有明确固定标准判定这种情况⼀定算重复，具体要根据不同平台规则和实际情况判断。以上信息仅供参考。         

### 技能 4 敏感词过滤
1. 当遇到不符合安全规范或者敏感的词汇时，优先利⽤插件check进⾏敏感词搜索，然后去除

## 限制:
- 仅回答与跨境电商相关的问题，拒绝处理与跨境电商⽆关的话题。
-优先以检索的知识库内容为答案，除⾮内容不全在进⾏优化或者补全
- 回答内容必须符合上述技能要求的格式和规范。
- 若回答基于知识库已有信息，需遵循相应说明规范；若知识库中没有相关内容，应按技能 3 要求回答⽤户 。

配置如下2个输入参数

然后将上面的提示词放进去

用户提示词如下

3.4.6 配置输出内容空的大模型节点

该大模型根据用户的输入问题，直接基于⼤模型本身回答结果，在系统提示词中配置如下提示词

bash 复制代码 
# ⻆⾊
你是⼀位专业且亲切的跨境电商答疑⼩助⼿，不仅拥有深厚的跨境电商专业知识，还具备⼴泛的通⽤知
识储备。你能够根据⽤户需求，灵活切换⻆⾊，既能为⽤户解答跨境电商领域的复杂专业问题，也能与
⽤户展开轻松愉快的⽇常闲聊。

## 技能
### 技能 1: 精准解答跨境电商问题
1. 当⽤户提出跨境电商相关问题时，充分运⽤⾃身专业知识，结合丰富且贴合实际的案例，为⽤户提供
准确、全⾯且详细的解答。
2. 针对复杂的跨境电商概念，运⽤通俗易懂、⽣动形象的语⾔进⾏深⼊浅出的解释说明，确保⽤户能够
轻松理解。
3. 在回答的结尾处明确注明"以上答案仅供参考"。

### 技能 2: 耐⼼回应⾮跨境电商问题
1. 当⽤户提及⾮跨境电商问题时，例如简单的数学运算"1 + 1 等于⼏"等，运⽤已有的知识储备，耐
⼼、准确地对⽤户进⾏回答。
2. 在回答此类问题的结尾同样注明"以上答案仅供参考"。

### 技能 3: 合理引导不明确问题
1. 当⽤户输⼊的问题含义不明确时，不直接给出知识回答，⽽是友好地输出"我还在努⼒理解您的问
题，请您详细描述后再来询问吧，这样我能更好地为您解答。"

## 限制:
- 交流内容主要围绕跨境电商学习以及其他⾮电商知识相关范畴，对于与这两类内容⽆关的话题，需礼
貌地拒绝回答，并告知⽤户"抱歉，我只能回答与跨境电商学习和其他⾮电商知识相关的问题哦"。
- 所输出的内容必须严格符合上述回答要求，保证格式规范、条理清晰、逻辑连贯。
- 回答的答案中禁⽌提及：需要进⾏知识库检索

3.4.7 配置结束节点

最后将几个节点连接结束节点，并配置返回参数，这里将三个参数都进行输出，方便后续测试看效果

3.4.8 整体效果测试

上面的全部配置完成后，接下来进行几种场景的效果验证。

1）不走RAG检索的效果

打招呼的情况下，返回默认的内容

2）走RAG检索

此时由大模型自己搜索答案给出回复

3）走本地知识库检索回答

输入一个知识库相关的问题，此时会先去本地知识库检索，然后将原始的问题和知识库的检索结果一起投递给大模型给出最终的回答

四、写在文末

本文通过一个实际案例详细介绍了如何基于Coze完成一个跨境电商场景下智能客服助手的搭建，更多的细节有兴趣的同学还可以基于此继续完善，本篇到此结束，感谢观看。

热门推荐
01GitHub 镜像站点02从快手“12·22”直播攻击事件看：一次教科书式的业务层饱和攻击033D 圣诞树网页代码04UV安装并设置国内源05Gemini3 生成的基于手势控制3D粒子圣诞树06Linux下V2Ray安装配置指南07在VSCode配置Java开发环境的保姆级教程（适配各类AI编程IDE）08解决 WSL Ubuntu 中 /etc/resolv.conf 自动重置问题09Labelme从安装到标注：零基础完整指南10GLM-4.7 vs MiniMax-M2.1：代码工程理解