Coze智能体企业行政通知

一、整体链路总览

节点连线顺序:开始节点 → getCurrentTime获取当前时间节点 → 大模型处理节点 → 结束输出节点
变量流转:用户输入文本 str.input +系统当前时间 str.currentTime 送入大模型,格式化后输出正式通知 str.output 。

二、逐个节点搭建配置

节点1:开始节点(入口)

1. 画布拖拽【开始】组件;
2. 设置输入变量:字符串类型 input (接收用户口语化原始文字,例如聊天式开会消息);
3. 该变量输出为 str.input ,作为全流程原始文本来源。

节点2:getCurrentTime 获取当前时间节点

1. 在画布添加【获取当前时间】组件;
2. 无需配置输入,组件自动读取系统实时时间;
3. 输出变量命名: str.currentTime ,用于通知落款的自动日期填充;
4. 连线:开始节点 → 本时间节点,并行送入大模型。

节点3:大模型核心处理节点(最关键)

1)输入变量绑定

新增两个输入变量,分别绑定上游节点:

  • 变量 input :取值为「开始-input」,承接用户原始口语内容;
  • 变量 currentTime :取值为「getCurrentTime-currentTime」,承接系统当前时间;
    模型选择:豆包1.8·深度思考。

2)系统提示词完整粘贴设置

plaintext

你是一名企业行政文秘。请将用户输入的口语化文字改写为正式的企业通知/公告,要求:
(1) 使用书面化语言,去除口语词语;
(2) 按“标题—正文—落款”结构组织;
(3) 时间地点等关键信息单独成行突出;
(4) 不添加原文未提及的内容。

用户输入内容:{{input}}
落款日期请使用给定的当前时间:{{currentTime}}
请直接输出改写结果,不要解释。
 

3)输出设置

大模型输出两个变量: str.output (最终正式通知文本)、 str.reasoning_content ;
连线将output传递至结束节点。

节点4:结束节点

接收大模型的 str.output 变量,作为工作流最终对外返回结果。

三、异常边界补充规则(配套约束)

1. 若用户输入为空 → 输出提示:请提供原始文案内容;
2. 若输入字符数<5字 → 输出提示:输入内容过短,请补充信息。

四、测试试运行配置

1. 在试运行区域填写口语化测试文本,示例:
 明天下午三点开个会,所有人都要来,二楼会议室,记得带电脑啊 
2. AI自动补全运行,校验输出格式:标题+分段正文(时间/地点分行)+落款部门+自动时间;
3. 核对四点规则:无口语、三段式结构、关键信息分行、无额外编造内容。

Coze智能体RAG企业行政问答智能体

该工作流为意图识别分支判断+知识库检索+大模型润色输出标准RAG架构,用于员工查询企业行政制度(请假、考勤、加班、报销等),下面从前置准备、节点搭建、配置细节、连线逻辑、试运行全流程拆解。

一、前期前置准备(必须先完成)

1. 进入扣子后台,新建知识库,命名为:企业行政制度库

2. 上传文档:把《员工加班加点补贴计算规则》《请假流程》《考勤规则》《报销要求》等行政制度文档导入知识库并完成切片向量化;

3. 新建空白工作流,命名为「RAG行政问答助手」,画布依次摆放5个节点:开始→意图识别→知识库检索→大模型→结束。

二、节点1:【开始】入口节点(用户提问输入)

1. 拖拽「开始」节点到画布最左侧;

2. 添加输入变量:- 变量名: input ,类型:字符串String;

3. 作用:接收员工自然语言提问,例如“企业的加班工资是如何结算的”“请假需要什么流程”;

4. 输出 str input ,连线接入意图识别的query输入。

三、节点2:【意图识别】节点(分类判断问题类型)

1. 基础模式选择

打开节点,选择极速模式,模型选用:豆包·2.0·lite。

2. 输入绑定

query变量绑定: 开始.input (用户原始提问)。

3. 意图匹配选项(逐条添加)

1. 企业管理制度类:请假流程、考勤规则、报销要求、入职资料、加班政策、学生自选部门补充制度

2. 非企业管理制度类

3. 其他意图

4. 输出设置

输出变量: classificationId (整数Integer),用来标记问题所属分类;

5. 连线规则(核心分支逻辑)

– 当 classificationId=1 (企业管理制度类):同时触发知识库检索+将分类信号送入大模型;

– 非1分类:直接把问题送入大模型统一兜底回复;

最终三条输出线全部接入大模型输入。

四、节点3:【知识库检索】节点(召回匹配制度内容)

只有命中「企业管理制度类」才会执行检索,配置如下:

1. 输入绑定

Query字符串绑定: 开始.input (用户原问题)。

2. 知识库配置

– 知识库来源:扣子知识库

– 目标知识库:选择提前建好的企业行政制度库

3. 检索参数设置

– 搜索策略:混合(关键词+向量混合检索,匹配更准)

– 最大召回数量:1(只返回最相关1条制度)

– 最小匹配度:0.01(放宽匹配,无结果则交给大模型兜底话术)

– 勾选:查询改写、结果重排(优化问句,提升检索精度)

4. 输出

输出数组变量 outputList ,连线送入大模型节点作为参考资料。

五、节点4:【大模型】节点(结合检索内容生成结构化回答)

模型选择:豆包1.8·深度思考,技能保持未配置。

1. 输入变量绑定

输入变量: outputList =知识库检索.outputList,接收召回的制度原文。

2. 系统提示词(完整复制粘贴)

plaintext

 你是企业行政助理。

用户问题:{{input}}

知识库匹配结果:{{outputList}}

回答规则:

(1)必须严格基于”知识库匹配结果”作答,禁止编造信息;

(2)如果知识库匹配结果为空、和问题无关,统一回复:暂未在制度库中检索到相关内容,请联系HR核实;

(3)回答使用结构化分层格式(标题+要点/步骤),排版清晰易读;

(4)不要透露知识库、检索相关字眼,以行政助理口吻自然回复。

3. 用户提示词

留白无需额外填写,依托系统提示词完成问答。

4. 输出设置

输出变量: output (字符串String)、 reasoning_content (推理日志,用于调试);

output最终连线至结束节点。

六、节点5:【结束】节点(对外输出最终答案)

拖拽结束节点放在画布最右侧,输入绑定大模型.output;

输出类型:返回变量,把整理好的行政答案给到提问用户。

七、整体完整连线逻辑(顺序不能错乱)

1. 开始(input)→意图识别(query)

2. 意图识别三条分支:- 分类1(行政制度类):一路连知识库检索,知识库检索结果连大模型;分类ID同时连大模型

– 非1分类:直接连线大模型

3. 大模型→结束,对外输出回答

整体链路:用户提问→意图判断→命中制度则检索知识库→大模型结合资料作答;未命中则兜底话术。

八、试运行测试验证(标准测试用例)

1. 点击右上角【试运行】,关闭JSON模式;

2. 在input输入框填写测试问题:企业的加班工资是如何结算的;

3. 执行运行,节点依次跑通:- 意图识别:判定为「企业管理制度类」,classificationId=1;

– 知识库检索:召回《员工加班加点补贴计算规则》全文;

– 大模型按照规则结构化整理答案;

4. 标准输出结果(和截图一致):

plaintext

 ### 员工加班加点补贴计算规则

1. **标准工作日8小时以外加班**

– 加班方式:加点

– 计算方法:按劳动规定支付时薪的150%,公式为:加点工资=加班工时×时薪×150%

– 适用场景:通常指周一至周五每天8小时以外的工作时间

2. **公休日8小时以外加班**

– 加班方式:加点

– 计算方法:按劳动规定支付时薪的200%,公式为:加点工资=加班工时×时薪×200%

– 适用场景:通常指周六和周日上班8小时以外的上班时间

3. **法定节假日8小时以外加班**

– 加班方式:加点

– 计算方法:按劳动规定支付时薪的300%,公式为:加点工资=加班工时×时薪×300%

– 适用场景:法定节假日8小时以外的上班时间

特别说明

以上为公司一般的加班薪酬计算方法,实际应用中公司可根据实际情况进行适当调整。 

输出格式结构化、内容完全取自知识库=搭建成功。

九、常见优化&排错要点

1. 检索内容不匹配:开启「查询改写」,同时调高最大召回数量;

2. 大模型随意编造答案:锁定系统提示词,强制要求仅参考outputList作答;

3. 非行政问题乱检索:依靠意图识别做分流,非制度类直接跳过知识库检索;

4. 答案排版杂乱:在系统提示词强制要求markdown分层要点格式。

Coze智能体会议纪要自动提取工作流

整体链路:开始节点→大模型提取结构化字段→文本处理拼接固定纪要格式→结束输出,下面逐节点详细操作、提示词配置、变量绑定、校验试运行全流程。

一、整体工作流逻辑总览

4个节点依次串联:

1. 开始:接收用户原始会议文字输入

2. 大模型节点:AI拆分出「时间/参会人/议题/决议/待办」5个独立字段

3. 文本处理:将5个字段拼接成固定排版的会议纪要文本

4. 结束:对外输出最终格式化纪要

二、节点1:【开始】节点搭建(入口输入)

1. 画布左侧拖拽开始节点到画布最左侧

2. 点开节点配置:- 添加输入变量:变量名 input ,类型字符串String

– 作用:接收用户输入的口语化会议文字(例:明天下午三点开个会,所有人都要来,二楼会议室,记得带电脑)

3. 节点输出: str input ,箭头连线指向第二个「大模型」节点输入。

三、节点2:【大模型】节点配置(核心AI字段提取)

拖拽大模型节点放在开始节点右侧,连线绑定开始的 input 作为输入,按以下逐项设置:

1. 模型基础设置

模型选择:豆包1.8·深度思考(和截图保持一致),技能保持未配置。

2. 系统提示词

plaintext

 你是一名会议纪要的记录者,通过提取、总结会议记录中的:

1.会议时间

2.参会人员(提及的所有人,未提及则填写“未明确”)

3.会议议题(提取会议主线内容不超过20字)

4.核心结论(需要分点列出,明确“做什么”,无结论填“未明确”)

5.待办事项(包含“任务+负责人+截止时间”,原文未提及则标注“未明确”)

严格输出JSON格式,字段固定为:time、conferee、topic、resolution、agenda,不要多余解释、不要自然语言回答。

3. 用户提示词(绑定输入变量)

plaintext

 根据输入{{input}}信息提取内容,只输出JSON:

{

“time”:”会议时间”,

“conferee”:”参会人”,

“topic”:”讨论议题”,

“resolution”:”决议结果”,

“agenda”:”待办事项”

}

4. 输出变量设置(关键,拆分5个独立字符串)

在节点下方「输出」区域,关闭JSON总输出之外,新建5个字符串变量:

–  time :字符串,对应JSON里的会议时间

–  conferee :字符串,对应参会人员

–  topic :字符串,对应会议主题

–  resolution :字符串,对应决议结果

–  agenda :字符串,对应待办事项

保留总输出 output (字符串),可开启reasoning_content推理内容用于调试。

5. 连线输出

将这5个变量分别引出,连接到下一个【文本处理】节点的5个String输入位。

四、节点3:【文本处理】节点(字符串拼接成固定纪要格式)

拖拽文本处理节点放在大模型右侧,应用模式选择:字符串拼接

1. 绑定5个输入变量

依次添加5条字符串输入,一一对应大模型输出字段:

– String1 = 大模型.time

– String2 = 大模型.conferee

– String3 = 大模型.topic

– String4 = 大模型.resolution

– String5 = 大模型.agenda

2. 拼接模板直接复制(固定排版)

plaintext

 【会议纪要】

会议时间:{{String1}}

参会人员:{{String2}}

会议主题:{{String3}}

决议结果:{{String4}}

待办事项:{{String5}}

3. 输出设置

输出变量: output ,类型字符串,连线指向最后「结束节点」。

五、节点4:【结束】节点(最终结果输出)

拖拽结束节点到最右侧,接入文本处理的output变量;

输出类型为返回变量,最终对外展示拼接完成的完整会议纪要文本。

六、整体连线校验(顺序不能乱)

开始(input) → 大模型(input) → 文本处理(String1~String5) → 结束(output)

箭头严格从左到右单向串联,无交叉回路。

七、试运行测试步骤(验证工作流可用)

1. 点击顶部【试运行】,关闭JSON模式;

2. 在input输入框粘贴测试文案: 明天下午三点开个会,所有人都要来,二楼会议室,记得带电脑 ;

3. 点击运行,等待执行完成(约10s左右);

4. 核对运行结果,标准输出如下:

plaintext

 【会议纪要】

会议时间:明天下午三点

参会人员:所有人

会议主题:二楼会议室召开线下会议

决议结果:未明确

待办事项:任务:到二楼会议室参加会议并携带电脑;负责人:所有人;截止时间:明天下午三点