一、完整工作流

注：工作流最主要的不是大模型，是各个节点的逻辑性。

二、开始节点三、意图识别

注：意图识别是Coze 自带的 NLU 自然语言分类节点扣子。 作用：读懂用户说的话，按照语义分到不同分支，自动走不同的工作流链路，不用自己写大模型分类提示词。

通俗讲：判断「用户想干什么」，然后分流。 比如用户说 “生成课程大纲” 走 A 链路；用户闲聊提问，直接走兜底返回。

其中每一个分支与其输出的节点一一对应，根据工作流的逻辑性将其与大模型或者其他的节点一一连接；

排错小技巧：除了查看日志外也可以采用单节点独立运行法或其他的方法。

单节点独立试运行（隔离法，最高效）

不要一次性跑完整条链路，**单独测试每一个节点**，定位到底是哪一步坏了。

1. 只跑【意图识别】：在试运行输入测试问句，只看意图识别节点输出。
> 示例输入：`帮我生成AI课程大纲`，看输出的 classificationId 是不是预期值。
> 如果这里就分错，问题就在意图识别，和后面 RAG、大模型无关。

2. 单独测试【知识库检索节点】
直接给知识库检索写死查询词，跳过前面意图节点，单独运行。
看能不能召回参考文档。

- 返回空列表：知识库文档没上传、相似度阈值太高、查询词不对。
- 返回内容正常：代表 RAG 组件没问题，问题出在**上游传参，或者下游大模型没有读取变量**。

3. 单独测试【大模型节点】
手动把 RAG 参考文本直接粘贴到大模型 prompt 里面，跳过意图 + RAG。
如果此时可以正常输出大纲：证明大模型配置没问题，**问题是变量没有传递过来**。
> 现象：单独跑大模型能出结果，完整工作流跑为空，几乎都是**变量映射 / 连线错误**。
> 核心思路：切断链路，分段测试，缩小故障范围。

四、大模型节点

选择大模型，接着输入系统和用户提示词，如果自己写的提示词不如意也可让豆包直接生成，你再复制粘贴过来就行，输入的变量名要选择开始节点的不要选择意图识别。

系统提示词：

#角色
你是资深教研课程设计师，擅长结构化、标准化、职业化课程大纲生成。
你需要根据用户输入的课程信息，输出一套专业、可直接用于教学的完整课程大纲。

#技能
1. 结构必须统一：课程总览 → 模块章节大纲 → 综合项目 → 考核体系
2. 章节必须循序渐进、由浅入深、无重复、逻辑闭环
3. 每个小节必须包含：建议课时、学习目标、核心知识点、重难点、练习/作业
4. 严格匹配总课时，分配均匀合理
5. 输出标准 Markdown 层级结构，1、1.1、1.1.1 规范编号
6. 不闲聊、不解释、不前言，直接输出成品大纲

用户提示词：这个是用户的问题{{input}}

五、知识库检索节点

知识库检索的输入变量名需要选择意图识别，因为工作流的逻辑是先进行意图识别再进行知识的检索再由大模型进行思考生成，添加自己所需要的知识库，若没有自己的知识库，则可以使用火山或者第三方知识，这需要相关平台的账号，如果用coze自带的知识库，可以自己创建知识库。

六、输出节点