客户基本信息表包含以下字段：企业名称、姓名、手机号码、微信号、详细地址。 问题与需求表包含以下字段：问题与需求描述、资质等级、资质类别、业务类型、人员补充、职称评审、学历提升。 智能体（智能客服）分类提取用户输入的基本信息，问题与需求分开写入到飞书多维表格对应的数据。 智能客服工作流该如何搭建，请附上详尽的Coze工作流所需节点（开始节点 →大模型节点（意图识别）（输入：变量名、变量值、系统提示词、用户提示词、输出：变量名、变量类型） →选择器（条件分支：如果＝？）→专门用于用户 query 改写输入：变量名、变量值、系统提示词、用户提示词、输出：变量名、变量类型）→知识库 →大模型节点（针对非建筑资质相关问题咨询的通用解答大模型（输入：变量名、变量值、系统提示词、用户提示词、输出：变量名、变量类型）→消息输出节点（输出变量：变量名、变量值，输出内容-流式输出：{{output}}）→大模型节点（针对建筑资质相关问题咨询的小助手解答和总结大模型（输入：变量名、变量值、系统提示词、用户提示词、输出：变量名、变量类型）→消息输出节点（输出变量：变量名、变量值，输出内容-流式输出：{{output}}）→大模型节点（提取信息（基本信息表）（输入：变量名、变量值、系统提示词、用户提示词、输出：变量名、变量类型）→ 大模型节点（提取信息（问题与需求）（输入：变量名、变量值、系统提示词、用户提示词、输出：变量名、变量类型） → 代码节点（解析数据） （编写完整的代码），请详细说明每个节点相互间的连接，比如哪个节点变量值路径连接哪个节点（每个节点路径相互连接的详尽描述） ↓ 飞书插件（基本信息表） → 飞书插件（问题与需求表） → 结束节点（返回变量（输出变量：变量名、变量值）或返回文本（输出变量：变量名、变量值、回答内容、流出输出） 搭建完整的流程配备结构图，因为结构图更直观些，结构图请从开始节点——结束节点，按照顺序执行，不要乱排列，不要生成代码结构流程。

<think>好的，我现在需要帮助用户设计一个智能客服的工作流，主要目标是将用户输入的基本信息和问题需求分类提取，并分别写入飞书多维表格的不同表单中。首先，我需要理清整个流程的步骤，并确定需要使用的Coze工作流节点以及它们之间的连接关系。 首先，用户的问题涉及几个关键点：分类提取信息和存储到不同的飞书表单。因此，工作流需要能够处理自然语言输入，识别出基本信息和问题需求，然后将它们分别存储。根据之前提供的引用内容，特别是引用[3]，工作流可以使用多种节点，如LLM、条件判断、代码节点等。我需要结合这些组件来设计流程。 第一步，用户输入处理。当用户发送消息时，需要一个触发节点来启动工作流。这可能是一个“用户输入”节点或者Webhook，具体取决于Coze的配置。接下来，可能需要使用自然语言处理（NLP）节点来分析用户的消息内容，提取实体或分类信息。例如，使用LLM节点来识别消息中的基本信息和问题部分。这里可能需要设计一个提示词，让LLM将输入分为两部分，比如“基本信息”和“问题描述”。例如，提示词可以是：“请将以下用户输入分为基本信息和问题需求两部分。基本信息包括姓名、联系方式等，问题需求是用户的主要问题。输出为JSON格式：{'basic_info': ..., 'problem': ...}”。 接下来，可能需要条件判断节点来确定用户输入中是否同时包含基本信息和问题。如果缺少某部分，可能需要触发不同的处理流程，比如回复用户要求补充信息。但根据用户需求，可能直接要求用户输入包含两部分，或者系统自动补全。这里需要确认是否处理这种情况，但用户的问题中没有提到异常处理，可能暂时忽略，专注于主要流程。 然后，提取后的信息需要分别写入飞书多维表格的不同表单中。根据引用[1]，Coze支持数据库操作，因此可能需要使用数据库节点或API调用节点连接到飞书。每个表单的写入可能需要单独的节点，例如一个节点处理基本信息的写入，另一个节点处理问题需求的写入。需要配置每个节点的参数，比如表单的ID、字段映射等。例如，基本信息表单可能包含姓名、电话等字段，而问题表单可能包含问题描述、时间等字段。 在节点连接方面，流程可能如下：用户输入 -> LLM处理（分类提取） -> 分解变量 -> 写入基本信息到表单A -> 写入问题到表单B。中间可能需要使用变量来传递提取后的数据。比如，LLM节点的输出是一个包含basic_info和problem的JSON对象，之后通过变量分解节点将这两个部分拆分为单独的变量，供后续节点使用。 关于变量连接，每个节点可能需要输出特定的变量，下一个节点接收这些变量作为输入。例如，LLM节点输出extracted_data变量，然后分解为basic_info和problem变量。飞书写入节点分别接收这两个变量，并将其对应到表单的各个字段。 需要确认Coze工作流中是否支持变量分解，或者是否需要使用自定义代码节点来处理JSON解析。如果LLM节点直接输出结构化的数据，可能可以直接在后续节点中引用其中的字段，比如${extracted_data.basic_info.name}。否则，可能需要一个代码节点来解析JSON，并将字段提取为单独的变量。 此外，是否需要错误处理节点？比如，如果写入飞书失败，是否需要重试或记录日志？用户需求中没有提到，但可能属于进阶配置，暂时可以忽略，专注于主要流程。 最后，工作流可能需要一个响应节点，向用户确认信息已接收或处理完成。例如，发送一条消息：“您的信息已提交，我们会尽快处理您的问题。” 现在需要总结所需的节点及其连接： 1. 触发节点：用户输入或Webhook触发工作流。 2. LLM处理节点：使用提示词提取分类信息，输出结构化数据。 3. （可选）变量分解节点：将LLM输出的JSON拆分为基本信息和问题变量。 4. 飞书多维表格节点（基本信息）：接收basic_info变量，写入表单A。 5. 飞书多维表格节点（问题）：接收problem变量，写入表单B。 6. 响应节点：发送确认消息给用户。 节点之间的连接顺序应为触发→LLM处理→分解变量→并行或依次写入两个表单→响应。或者，是否需要并行写入？可能Coze的工作流支持并行节点，或者需要依次执行。需要确认节点是否支持并行，如果支持，写入两个表单可以同时进行，否则按顺序执行。 另外，变量如何传递？每个节点需要正确引用前序节点的输出变量。例如，飞书节点配置时，表单字段的值应映射到对应的变量，如basic_info.name，problem.description等。 可能还需要测试工作流，确保变量传递正确，并且飞书API的调用权限正确配置，比如API密钥、表单ID等。这部分属于具体实施细节，可能在回答中需要提及配置步骤，但用户主要关注节点设计和连接关系。 总结：工作流需要触发、处理、分解、存储和响应节点，变量在节点间传递，确保数据正确分类存储。</think>以下是通过Coze平台搭建智能客服分类存储工作流的详细设计方案： ### 一、工作流架构设计 采用**四层处理结构**实现信息分类与存储： $$触发层 \rightarrow 解析层 \rightarrow 分发层 \rightarrow 存储层$$  ### 二、核心节点配置清单 | 节点类型 | 节点名称 | 功能描述 | 输出变量 | |---------|---------|---------|---------| | Webhook | 用户请求入口 | 接收用户原始消息 | raw_message | | LLM | 信息分类器 | 识别基础信息与问题需求 | $$extracted\_data = \{basic\_info: {...}, problem: {...}\}$$ | | Code | 数据清洗 | 格式标准化处理 | cleaned_data | | Condition | 类型校验 | 验证字段完整性 | validation_result | | Feishu | 基础信息存储 | 写入多维表格表单A | record_id_a | | Feishu | 问题需求存储 | 写入多维表格表单B | record_id_b | | Message | 结果通知 | 发送处理结果 | response_message | ### 三、节点连接与变量传递 1. **Webhook → LLM**： - 输入：`${raw_message}` - 配置分类提示词： ```text 请从用户输入中提取： 1. 基本信息（包含姓名、电话、邮箱） 2. 问题需求（包含问题类型、详细描述） 输出JSON格式，保留空值为null ``` 2. **LLM → Code**： - 输入：`${extracted_data}` - 清洗代码示例： ```python def clean_data(data): data['basic_info']['phone'] = data['basic_info']['phone'].replace('-','') return data ``` 3. **Code → Condition**： - 验证规则： ```javascript (cleaned_data.basic_info.name && cleaned_data.problem.type) ``` 4. **Condition分支处理**： - **验证通过**： - 并行执行Feishu节点： ```mermaid graph LR Condition --> Feishu_A Condition --> Feishu_B ``` - **验证失败**： ```python def gen_response(): return "请补充完整信息：姓名和问题类型是必填项" ``` ### 四、飞书节点配置要点 1. **表单A（基础信息）**： - 表格ID：`tblxxxxxxxx` - 字段映射： ```json { "姓名": "${cleaned_data.basic_info.name}", "联系方式": "${cleaned_data.basic_info.phone}", "邮箱": "${cleaned_data.basic_info.email}" } ``` 2. **表单B（问题需求）**： - 表格ID：`tblyyyyyyyy` - 字段映射： ```json { "问题类型": "${cleaned_data.problem.type}", "详情描述": "${cleaned_data.problem.desc}", "关联用户ID": "${record_id_a}" } ``` ### 五、异常处理机制 1. 数据库写入失败时自动重试3次 2. 错误信息记录到Coze日志系统 3. 触发飞书消息通知运维人员