企业官网建设流程全解析

简介：面向对智能体开发有一定基础的技术人员，以及希望借助AI辅助朋友圈文案创作的写作者，这份PDF文档系统讲解如何在Coze平台从零搭建一个情绪文案自动生成智能体。内容涵盖智能体项目创建、工作流编排、开始节点与大模型节点的提示词设计、ByteArtist插件调用、结束节点与消息节点设置等关键环节，并针对消息节点时序、生成图片展示方式等细节给出优化建议与多次效果测试过程，帮助读者掌握“心情输入—文案生成—配图匹配”的完整实现思路。通过该案例还可学习智能体人设与回复逻辑的优化方法，确保其聚焦处理心情相关内容，并了解发布上线与日常使用技巧。资源为1个PDF文件，压缩包大小约5.92MB，结构紧凑、便于随时查阅与对照实践，已有152人学习浏览，适合希望通过实际案例快速上手Coze智能体开发的入门及进阶用户。

1. 用 Coze 做朋友圈情绪文案智能体：不加班也能日更十条

周末深夜瘫在沙发上，想发一条记录当天心情的朋友圈，结果打了半天字又全删了——这种“憋不出文案”的时刻几乎人人都有。做私域运营的人更痛苦，每天要发三五条朋友圈维持曝光，翻来覆去就是“今天天气不错”“产品又出单了”，发出去自己都不想看。这个标题要解决的，就是把“发朋友圈”这件原本靠灵感的事，变成一个在 Coze（扣子）平台上搭建的自动化智能体：你告诉它此刻的情绪、场景和想表达的方向，它给你生成几条像人话、有画面感、带情绪温度的文案。这篇文章会从情绪文案的生成逻辑讲起，落到 Coze 工作流搭建、提示词参数调优和实际踩坑，按步骤走完，你就能做出一个能日常使用的情绪文案生成智能体。适合两类人：一是自己爱发朋友圈但写不出好文案的普通人，二是把朋友圈当运营阵地、需要持续产出内容的从业者。

2. 朋友圈文案为什么难写：情绪拆解与结构化生成逻辑

2.1 先想明白：什么样的文案才算“有情绪”

很多人以为情绪文案就是堆砌“开心”“难过”“感动”这类情绪词，这是最大的误解。你翻一下自己朋友圈里点赞最高的几条，会发现它们几乎都是“带场景的具体描述”加“一个克制的情绪落点”。比如“今晚加班到十点，楼下便利店的热包子还在冒着气，突然觉得这座城市也没那么冷”——这里面没有一个情绪词，但读的人能感受到疲惫、温暖和被治愈。所以做情绪文案生成智能体，第一步不是写提示词，而是把“情绪”这个抽象概念，拆成可被大模型理解和组合的结构化要素。

我一般把朋友圈情绪文案拆成六个维度：情绪类型（喜、怒、哀、惧、平静）、触发场景（下班路上、深夜独处、拿到结果、与朋友重逢）、感官细节（视觉、听觉、味觉、触觉）、叙事视角（第一人称、第三人称旁观）、文案长度（短句冲击型、中段叙事型、长文治愈型）、结尾态度（留白、反问、总结式点睛）。这六个维度组合起来，基本能覆盖朋友圈文案的常见形态。

2.2 情绪类型映射表：让大模型知道你要什么

大模型不是读心术，你说“我现在很烦”它只能给你一个泛泛的回复。但如果把情绪拆成类型和强度，并用结构化输入喂给提示词，输出质量会完全不同。下面是我在 Coze 智能体里用的情绪类型映射表，实际搭建时可以直接抄：

这里的关键点在于“文案落点倾向”——同样是不爽，抑郁质的人是“深夜emo”，而高能量的人是“吐槽之后给自己打气”。所以在智能体输入设计里，除了情绪类型，还要让用户选一个“表达姿态”：自嘲型、治愈型、犀利型还是佛系型。这个姿态参数直接决定文案的语气基调。

2.3 用 Python 代码把用户输入转成结构化参数

在 Coze 的工作流里，用户输入是自然语言，但大模型节点需要结构化参数。常见做法是先接一个代码节点，把用户输入做一次轻量分类，输出 JSON 传给后续提示词节点。这个代码节点不是必需的，但加上之后能明显提升稳定性和可调试性。我一般这样写：

import json def main(user_input: str) -> dict: # 简单的关键词规则 + 默认值兜底 text = user_input.strip() emotion = "平静" # 默认情绪 attitude = "治愈" # 默认表达姿态 scene = "日常" emotion_keywords = { "喜": ["开心", "爽", "太棒了", "拿下", "高兴", "兴奋"], "怒": ["无语", "气死", "什么玩意", "烦", "恶心"], "哀": ["累了", "难过", "想哭", "失落", "丧", "emo"], "惧": ["焦虑", "不安", "害怕", "迷茫", "慌"], } for key, words in emotion_keywords.items(): for word in words: if word in text: emotion = key break # 场景识别同样做关键词匹配 scene_keywords = { "深夜": ["深夜", "凌晨", "睡不着", "失眠"], "工作": ["上班", "加班", "开会", "客户", "项目"], "周末": ["周末", "休息", "咖啡", "遛弯", "宅"] } for key, words in scene_keywords.items(): for word in words: if word in text: scene = key break return { "emotion": emotion, "attitude": attitude, "scene": scene, "raw_input": text, "length": "medium" # 也可根据字数判定 }

这段代码的逻辑很简单：用关键词映射把用户输入的情绪、场景识别出来，再和原始文本一起传给下游。代码节点在这个位置有两个作用——一是“兜底”，用户不写清楚情绪时给默认值；二是“降噪”，避免大模型把无关的闲聊内容也当成文案素材。实际运行时你会发现，即便关键词匹配错了也没关系，后续大模型节点里会有一个“修正”机制，这个后面第 4 章会细讲。

2.4 为什么先结构化再生成比直接让 AI 自由发挥更稳

如果你试试直接在 Coze 里创建一个智能体，提示词只写“帮我写朋友圈文案”，大概率得到的东西是“恭喜您取得这样的成就！继续保持……”这种洋溢着一股陌生人尬夸味的文字。原因很简单：朋友圈文案的高度个性化，让它无法靠单一提示词覆盖所有场景。先结构化、再按结构生成，本质上是把“一次性说清楚需求”变成了“分两步走”——第一步确定要素，第二步让大模型在要素约束下发挥。这既控制了输出方差，也让后续调试有了抓手：文案不好，你能定位到是情绪识别错了，还是提示词的落点倾向不对，而不是对着整个智能体无从下手。

这么设计还有一层考虑：Coze 工作流里每个节点都有输入输出，结构化 JSON 在节点间流转时，你能直观看到每一步发生了什么。这对后续查“为什么今天生成的文案这么水”非常有帮助。如果你只在提示词里说“按心情生成”，出问题的时候连排查的方向都没有。

3. 在 Coze 上搭建工作流：从创建智能体到发布可用

3.1 搭建前的规划：用一个工作流还是一个智能体

Coze 支持两种形态：一种是最简单的“单智能体”，直接把提示词配好就能对话；另一种是先搭建工作流（Workflow），再把它挂到智能体上。做朋友圈情绪文案生成器，我建议走“工作流 + 智能体”的组合。原因有二：第一，这个场景至少需要“情绪识别 → 文案生成”两步，用工作流可以分步调试，中间结果看得见；第二，后续你想加敏感词过滤、加多版本改写，工作流节点直接往下挂就行，不必推翻重来。

工作流里我一般配置五个节点，按顺序串起来：用户输入节点 → 代码节点（情绪结构化）→ 大模型节点（文案生成）→ 代码节点（敏感词过滤）→ 结束节点（输出文案）。其中敏感词过滤是朋友圈文案场景特别容易被忽略的——朋友圈是公开的，生成文案里如果带了违禁词、夸大承诺词，轻则被折叠，重则可能触发账号限制。

3.2 大模型节点的核心配置：模型、温度与系统提示词

在 Coze 工作流里创建大模型节点时，几个关键参数我会这么设定：

系统提示词是大模型节点的灵魂。基于前文所述的结构化输入，我在系统提示词里会写清楚几个硬性要求：禁止问候语开场、禁止“首先/其次/总之”这种作文套路词、情绪落点必须和识别出的情绪类型一致、每条文案结尾要么留白要么反问、不得出现“在这个充满挑战的时代”等空话套话。

3.3 粘贴可复用的系统提示词模板

下面这套提示词是我在 Coze 里验证过多次的版本，可以直接复制到大模型节点的系统提示词框里。注意里面的“输出格式”部分对稳定生成很重要：

你是一位资深朋友圈文案写手，擅长把日常情绪写成有画面感、有共鸣的短文案。 用户会输入以下结构化信息： - 情绪类型：{emotion} - 表达姿态：{attitude} - 场景：{scene} - 原始描述：{raw_input} - 文案长度：{length} 你的任务是生成 3 条备选文案，要求： 1. 禁止使用"幸福""快乐""感动"等直接情绪词，用具体的感官细节或场景白描表达情绪。 2. 每条文案不超过 60 字，不用分段。 3. 结尾使用留白、反问或一句轻收尾，禁止总结升华。 4. 根据{attitude}调整语气： - 自嘲型：用自我调侃化解情绪 - 治愈型：温暖、平静、缓慢 - 犀利型：冷静、直接、带锋芒 - 佛系型：无所谓、松弛、不较劲 5. 如果用户输入的原始描述里有具体细节（地点、时间、物品），优先使用这些细节。 6. 三条文案的切入角度要不同，不要换汤不换药。 7. 不得出现任何违禁词、医疗承诺、投资承诺、夸大宣传用语。 输出格式（必须是合法JSON，不要输出其他内容）： { "copywritings": [ {"version": 1, "content": "..."}, {"version": 2, "content": "..."}, {"version": 3, "content": "..."} ], "emotion_note": "一句话说明各条文案的情绪落点" }

这套提示词有几个细节值得说明：第 1 条“禁止直接情绪词”是把朋友圈文案从“说明文”变成“氛围文”的关键；第 4 条把表达姿态作为变量传入，让智能体能同时服务不同性格的用户；第 7 条加了个安全兜底，因为 Coze 平台本身有审核，但生成端多做一层约束能减少被拦截的概率。

3.4 敏感词过滤代码节点与结束节点

大模型生成完，在输出给用户之前，我习惯再加一个代码节点做敏感词过滤。这算是血泪经验——之前有一版提示词不加过滤，用户输入“今天很生气”，生成出来的文案里有“去死吧”这种词，发出去朋友圈可能被举报。过滤节点非常轻量，只是一次字符串匹配：

import json # 敏感词表：实际使用时可扩充 blacklist = ["去死", "傻逼", "无语死了", "崩溃了", "不想活了", "傻x", "cnm"] def main(output_text: str) -> str: parsed = json.loads(output_text) for item in parsed.get("copywritings", []): content = item["content"] for word in blacklist: if word in content: content = content.replace(word, "***") item["content"] = content return json.dumps(parsed, ensure_ascii=False)

这段代码的逻辑是：把大模型节点的输出解析成 JSON，然后遍历每一条文案，命中的敏感词直接替换成***。这里的黑名单只放了几个示例，实际使用时要根据你的用户群体扩充——如果有私域运营场景，还要加行业敏感词，比如“最”“第一”“绝对有效”这类广告法违禁词。过滤完再通过结束节点返回给用户。为什么这个节点放在最后而不是放在大模型提示词里？因为提示词拦截不是 100% 稳定，模型偶尔会“忘了”约束，而代码节点是硬过滤，命中即替换，不会有任何例外。两层的差别就是“软约束”和“硬规则”的差别。

4. 提示词调优与参数设置：让文案从“能看”到“想发”

4.1 三个最值得调节的参数：温度、输出格式、上下文长度

Coze 大模型节点里参数非常多，但真正影响朋友圈文案质量的，第一是温度（Temperature），第二是输出格式约束，第三是是否带上下文。温度我在前文建议设 0.8 到 1.0，这里展开说说为什么。温度低于 0.5 时，模型偏向选择概率最高的词序列，生成的文案会非常“正确”但也非常平庸，前后两批文案高度相似；温度高于 1.2 时，模型开始随机挑选低概率词，语句流畅度下降，容易出现“句子很美但整体跑偏”。0.8 到 1.0 这个区间，基本能在语句通顺和风格多样之间取得平衡。如果你发现文案不够“灵”，优先把温度往上调 0.1 再测试，而不是去改提示词。如果文案直接跑偏不搭边，温度回调到 0.7 试试。

4.2 处理“模型带出来的废词”：few-shot 示例比规则描述更有效

纯靠系统提示词规则约束，模型还是会在开头带出“好的呢”“以下是为您生成的备选文案”这类废话。我的经验是，在与用户对话的输入框里塞一组 few-shot 示例，比在系统提示词里反复强调“不要输出介绍语”有效得多。

用户输入： { "emotion": "哀", "attitude": "治愈", "scene": "深夜", "raw_input": "刚加完班回到出租屋，小区路灯下看到一只流浪猫蹲在垃圾桶旁边", "length": "medium" } 参考输出： { "copywritings": [ {"version": 1, "content": "垃圾桶旁蹲着的那只猫，让我知道今晚不止我一个人还没睡。它没看我，我也没打扰它，各蹲各的，挺好。"}, {"version": 2, "content": "凌晨一点的楼下，猫比人自在。它等的是明天的早餐，我等的是周末。"}, {"version": 3, "content": "它大概觉得路灯底下暖和，我大概觉得加班夜的路灯底下有人气。人和猫，今晚都凑合活。"} ], "emotion_note": "三条都用场景白描，不直接说孤独或累。" }

这个示例的作用是给模型一个“边界样本”——它看到同样的输入对应的目标输出长什么样，就会把输出风格往这个方向收敛。只写规则不给示例，模型对“不直接说情绪词”的理解会打折扣，因为“治愈”“自嘲”这些姿态词对模型来说是抽象的；给一个具体范例，它就能直接模仿结构。对朋友圈文案这种高度吃语感的生成任务，示例的权重比规则还高。

4.3 多版本输出的取舍逻辑：让用户挑而不是让 AI 猜

很多人在做文案生成智能体时犯一个错：让 AI 只生成一条文案，然后指望它“精准命中”用户的心。这不现实。朋友圈文案的好坏是高度主观的，同一个场景，有人想发高冷的，有人想发搞笑的，AI 猜不中太正常。所以我在智能体设计里，默认强制生成 3 条不同切入角度的文案，并且要求三条的角度差异足够大（一条偏场景白描、一条偏情绪自嘲、一条偏态度表达）。用户看到三条后自己挑，这个体验远好于“让 AI 一次猜中”。这也意味着在提示词里，你要刻意让模型把三条写成三个不同“物种”的文案，而不是同一种风格换三个说法。

三条文案的差异化要求： - 第一条：场景叙事型，像一个电影镜头的文字描述，不直接评价。 - 第二条：态度表达型，用一句话把当下的情绪态度亮出来，适合个性签名风格。 - 第三条：生活切片型，像随手拍的照片配文，轻松、自然、不刻意。

把这段加到系统提示词里，大模型会明确知道要“分配风格”，而不是把第一条换个词凑成第二条。实际体验差别很大——之前在没做差异化约束时，三条文案全是“场景叙事型”，用户觉得是同一个模板在偷懒；加上这段之后，三条文案的整体形态不同了，用户挑出满意文案的概率明显提升。

4.4 把用户的不满意变成下一次优化方向

智能体发布之后，你一定会收到“这条不好”“太矫情了”“不是我要的感觉”这类反馈。这不是失败，而是调优入口。我建议在智能体的开场引导语里就写明：用户可以对结果提出修改要求，比如“第二条太短了，加长一点”“换个自嘲的语气”“不要出现猫这个意象”。Coze 的对话式交互天然支持这种多轮修正，你不必把智能体做成一次生成定终身。这套机制的背后，是把“文案生成”从单向生成任务变成“生成—反馈—修改”的多轮交互，用户的参与感更强，最终留下的文案也更贴合本人气质。

这里有个参数层面的细节：如果你在 Coze 里用了多轮对话，建议把大模型节点的“上下文”策略设置为“仅带最近 2 轮对话”，不要无限带历史。因为朋友圈文案是短文本生成任务，历史对话带上 10 轮之后，模型会被之前的文本干扰，输出的文案越来越像之前的结果而缺乏新鲜感。只带最近一轮的修改意见，足够让模型知道方向，又不会被旧文本带跑。

5. 搭建与调优中的四个避坑：现象、原因与解决方案

5.1 工作流里大模型节点只认一个“严格输出格式”，加了多余字段就解析失败

现象：大模型节点配置了 JSON 输出格式，结果节点经常报“解析失败”，但预览时明明看到模型输出了合理的 JSON。

原因：这是我最早翻车的地方。Coze 大模型节点的输出格式校验比较严格，如果系统提示词里的输出格式示例和节点配置的输出 JSON Schema 不完全一致——比如多了一个字段、字段名拼写不同、带了一个示例值没替换——节点就会判定输出不合法。模型倒是“努力”按提示词输出了，但两边对不上。

解决：把系统提示词里的 JSON 示例直接复制到大模型节点的输出格式配置里，并删掉注释文字。更稳妥的做法是把结构简化成两层，不要嵌套太深。嵌套越浅，解析越不容易出错。

5.2 代码节点中文字符串返回时被转义成 Unicode 乱码

现象：敏感词过滤代码节点返回的 JSON 里，中文全变成了\u60c5\u7eea形式的 Unicode 转义字符，后续节点读不到真实文本。

原因：Python 的json.dumps默认ensure_ascii=True，中文会被转义。在 Coze 代码节点里，这个现象尤其常见，因为节点间的传参走的是 JSON 序列化。

解决：在json.dumps(parsed)里改成json.dumps(parsed, ensure_ascii=False)。这个坑几乎每个初用 Coze 代码节点的人都会遇到，顺手记一下能省不少排查时间。

5.3 温度设成 0.3 之后，生成的文案“正确但毫无灵魂”

现象：用户反馈文案写得都对，但读起来像 AI 客服发的工作汇报，毫无发朋友圈的冲动。

原因：温度太低，模型每次都走概率最高的词路径，结果就是所有句子都是“最安全”的组合。朋友圈文案需要的是“意料之外、情理之中”的表达，低温生成恰恰杀死了所有意外。

解决：把温度调回 0.9 左右，并且把 few-shot 示例里的文案风格调整成“口语、松弛、带一点小机灵”的调性。模型会跟着示例的语气走，而不是跟着规则里的“生动活泼”这种抽象描述走。

5.4 用户输入太短，生成出来的文案全靠编、细节全无

现象：用户只输入“今天很开心”四个字，生成的三条文案全是“今天天气不错，心情也跟着好了起来”“愿你和我一样开心”这种正确的废话。

原因：朋友圈文案的感染力靠的是具体细节——“开心”不是情绪，是结果；读者看不到用户为什么开心，就无法共鸣。而模型在缺少细节时，只能反向填充通用场景，结果就是空泛。

解决：在智能体的开场对话里引导用户给出一个具体画面，比如“最近一次让你有这种感觉的场景是什么？在哪里，身边有什么，天气怎么样”。用预设问题把输入从四个字扩成一句话，文案质量立竿见影。同时在系统提示词里加一条：如果没有具体细节，宁可写“留白式文案”也不要用空词凑字数。

6. 进阶：让智能体记住你的风格，并验证文案是否真的“像你”

基础版的智能体已经能用了，但要让它越用越顺，还有一个关键动作：把用户的“风格偏好”沉淀下来。我一般会在工作流里加一个记忆节点，把用户每次最终选定的文案存下来，作为下一次生成的 few-shot 参考。常见做法有两条路：一是用 Coze 的变量记忆功能，把用户风格参数（比如“喜欢短句”“讨厌用阳光这个词”“倾向自嘲”）写进变量里，下次生成前把这些变量插入提示词；二是更简单的方式——在开场引导语里让用户做一次风格初始化，把风格选择结果拼到上下文中。后者虽然笨，但在 Coze 里改动最小，也最稳定。

验证生成质量，我常用一个很朴素的方法：把智能体生成的文案发给我身边三个不同性格的朋友，问他们一句话——“这条朋友圈，你觉得像谁发的？”如果三个人给出的画像各不相同，说明文案没有鲜明的风格；如果至少两个人说“有点像你自己”，说明风格立住了。这比盯着提示词反复调参数更真实。顺带说一句，我自己的习惯是每周翻一次用户留存下来的“采纳记录”——被用户选走的那条文案，往往能反推出当下的主流偏好，这些数据就是下次调提示词的方向。因为没有数据支撑的调优，说到底还是靠感觉。

最后给你一个我自己的教训：别指望一次搭完就一劳永逸。朋友圈的流行语境每隔一阵子就会变，以前流行“深夜emo风”，过一阵可能又流行“冷静克制风”。所以把智能体建成“生成 + 用户挑 + 风格沉淀”的闭环，比你一次性把提示词写到完美更值得投入。希望帮到你。

本文还有配套的精品资源，点击获取