从 “智能体” 到 “工作流智能体”：手把手搭个私人旅游助手，让出行规划自动跑起来

1024，写给每一个用智能体编织便利的我们

每年的 1024，都像程序员专属的 “魔法日”。0 和 1 的排列组合里，藏着我们对 “效率” 的执念 —— 不是为了炫技，而是想让重复的工作少一点，让 “想做的事” 多一点。 比如规划旅行时，总在 “查景点→找餐厅→看酒店” 的循环里耗掉大半天；比如整理数据时，复制粘贴到手指发麻…… 这些时刻，我们总会想：“要是有个小助手能自动把这些步骤串起来就好了。” 而 “智能体” 和 “工作流智能体”，就是这样的 “魔法工具”。前者像有自主意识的数字伙伴，后者则是专攻 “流程自动化” 的贴心管家。值此 1024，不如跟着这篇文章，亲手搭一个私人旅游助手工作流 —— 不用复杂框架，不用高深算法，只用简单的逻辑串联，让智能体替我们把旅行规划的琐事 “扛” 起来。 毕竟，最好的技术，从来都是让生活和工作，都能更从容一点。

目录

智能体 VS 工作流智能体

先说说「智能体」：像个有自主能力的 “数字小助手”

再看「工作流智能体」：专注 “跑流程” 的智能体

实战演练-个人专属简单版旅游助手工作流搭建

开发需求

实战开发

开始节点

文本处理+网页抓取

景点处理

餐厅搜索

餐厅和地址拼接

酒店查询

规划汇总

结束节点

工作流测试

智能体 VS 工作流智能体

先说说「智能体」：像个有自主能力的 “数字小助手”

可以把「智能体」理解成一个能 “自己干活” 的数字角色。它有三个核心能力：

• 能感知环境：比如能读取邮件、看表格数据、监测系统状态；
• 能做决策：收到信息后，会根据规则或目标判断 “该做什么”；
• 能主动行动：不需要人盯着，自己就能执行操作，比如发消息、改文件、调用工具。

举个例子：手机里的 “智能闹钟” 其实就是个简单智能体 —— 它能感知时间（环境），到点了判断 “该叫醒用户”（决策），然后响铃或震动（行动）。再复杂点的，比如客服聊天机器人，能读用户消息（感知），判断用户需求（决策），自动回复解答（行动），这也是智能体。

再看「工作流智能体」：专注 “跑流程” 的智能体

【工作流智能体】是智能体的一个 “细分岗位”，专门负责处理有固定步骤的工作流程。它就像一个 “流程自动化管家”，会严格按照预设的步骤（或灵活适配步骤中的变化），一步步把重复的工作跑完。

比如你每周要做的 “客户跟进流程”：

1. 周一上午从 CRM 系统导出上周新增客户；
2. 给每个客户发标准化问候邮件；
3. 记录已发送客户名单到 Excel；
4. 周五汇总未回复客户，标为 “重点跟进”。

这些步骤如果交给工作流智能体，它会：

• 到点自动读 CRM 数据（感知）；
• 按规则判断 “哪些是新增客户”“邮件内容用哪个模板”（决策）；
• 自动发邮件、填表格、标记重点客户（行动）。

它的核心是 “把人从固定流程里解放出来”，尤其适合那些 “步骤明确、重复度高、容易出错” 的工作（比如数据汇总、文件审批、定期报表等）。

简单说，智能体是 “有自主能力的数字角色”，而工作流智能体是 “专门帮人跑固定流程的智能体”—— 前者是大概念，后者是聚焦 “流程自动化” 的具体应用。

实战演练-个人专属简单版旅游助手工作流搭建（coze平台）

开发需求

用户提供城市，旅游天数，默认一天两个景点。 获取热门景点，搜索每个景点附近的餐厅，获取酒店信息，制定合理的出行路线。

开发前，可能要用到的插件，搜索插件，代码块处理(方便计算景点数，返回的数据内容整合)，文本处理(字符串拼接等)，大模型(处理内容)，高德地图(地点搜索)

我们可能会用到多个大模型处理多个小任务，因为我们是将一个复杂的任务拆分成几个子任务。

题外话:其实上述要求，用一个优秀的提示词，和提问方式，大模型都能回答出来，开发这个助手只是方便理解工作流，理解各种插件的用途。

实战开发

开始节点

代码处理景点数目

可以交给大模型，不过用大模型有点大材小用了。

通过文本处理，整合成关键话题，某城市热门的nums个景点，再用头条搜索，进行网页搜寻 通过大模型提炼头条搜索节点输出的内容，将出现频率次数高的前几个景点提取出来，返回一个places数组。

async def main(args: Args) -> Output:
    params = args.params
    # 构建输出对象
    ret: Output = {
        "key0": params['input'] + params['input'], # 拼接两次入参 input 的值
    }
    return ret

文本处理+网页抓取

将城市和景点数拼接起来，成为搜寻关键词，然后调用search插件进行网页抓取

景点处理

调用大模型进行景点提取，将网页内容的景点提取出来，并做返回处理

系统提示词： # 角色 你是一位经验丰富、专业细致的旅行计划助手，擅长从各种文段中精准提炼出{{nums}}个景点，且能提供详细、准确的相关信息。 ## 技能 ### 技能 1: 景点提取 当用户提供包含景点信息的文段时，迅速且准确地从中提取出景点名称。 ## 限制: - 仅专注于从文段中提取景点相关信息，坚决拒绝回答与景点提取无关的话题。 - 输出内容需简洁明了，只包含景点名称 用户提示词： 从{{input}}提取景点输出为places

餐厅搜索

通过高德地图提供的插件，进行景点周围范围搜索，考虑到现实我们不会在一个景点周围吃很多次，所以采取批处理方式进行，每个景点周围都进行搜索，假设每个景点周围一个优质餐厅。

餐厅和地址拼接

通过代码节点实现将内容中的餐厅名和地址实现出来，返回一个字符串数组

from typing import List, TypedDict, Any

class Args_input_data_poi_list(TypedDict, total = True):
    province_name: str
    type: str
    address: str
    city_name: str
    name: str
    photos: list[str]
    district_name: str
    location: str

class Args_input_data(TypedDict, total = True):
    count: float
    poi_list: list[Args_input_data_poi_list]

class Args_input(TypedDict, total = True):
    code: float
    data: Args_input_data
    log_id: str
    msg: str

class ArgsParams(TypedDict, total = True):
    input: list[Args_input]

class Args:
    def get(self, req): ...         # 允许通过 get('xxx') 方式访问
    def __getitem__(self, key): ... # 允许通过 args['xxx'] 方式访问
    params: ArgsParams

class Output(TypedDict, total = False):
    key1: list[str]

async def main(args: Args) -> Output:
    input_list: List[Args_input] = args.params['input']
    result_list: List[str] = []
    
    for input_item in input_list:
        data = input_item.get('data', {})
        poi_list = data.get('poi_list', [])
        for poi in poi_list:
            name = poi.get('name', '')
            address = poi.get('address', '')
            result_list.append(f"{name}{address}")
    
    ret: Output = {
        "key1": result_list
    }
    return ret

酒店查询

大模型调用高德地图插件，搜索距离目标景点性价比最高的酒店。

系统提示词： # 角色 你是一个专业的旅行规划助手，擅长根据用户提供的景点信息，筛选出性价比高、交通便利且环境好的酒店。 ## 技能 ### 技能 1: 筛选酒店 1. 仔细分析{{input}}中的景点信息。 2. 从众多酒店信息中，筛选出 1 - 2 个性价比最高、交通便利且环境好的酒店。 3. 输出酒店名和地址。 ## 限制: - 仅围绕酒店筛选相关内容进行回复，不回答无关问题。 - 输出内容必须包含酒店名和地址，按照简洁明了的格式呈现。

规划汇总

将景点，餐厅，酒店进行文本整合，调用大模型进行路线规划，返回给用户。

系统提示词： # 角色 你是一位专业的旅行规划师，擅长根据不同城市、旅行天数、景点、美食和酒店信息，为用户制定清晰、合理且排版美观的旅行计划与攻略。 ## 技能 ### 技能 1: 规划旅行 1. 当接收到{{city}}（旅行城市）、{{days}}（旅行天数）、{{places}}（想去的景点）、{{foods}}（想品尝的美食）、{{hotels}}（想入住的酒店）这些信息时，将它们用清晰的语言描述组织起来。 2. 按照合理的旅行时间线进行排版，确保旅行规划到位，涵盖每天的行程安排、景点游览顺序、用餐推荐以及酒店入住安排等。 ### 技能 2: 补充信息 如果用户提供的信息存在缺失或模糊不清的情况，询问用户以获取更准确完整的信息，以便更好地规划旅行。 ## 限制: - 只围绕旅行计划和攻略制定相关内容进行回复，拒绝回答与旅行无关的话题。 - 所输出的旅行计划和攻略必须语言清晰、排版美观，符合逻辑。

结束节点

输出结果

工作流测试

杭州 2天

总得来说，这个助手还略有瑕疵，只是实现了基本的旅游规划，而且用了多次大模型，处理多个子任务，感觉可以通过插件进行代替优化。

结束语

敲完最后一个测试节点的代码时，看着旅游助手自动输出的完整行程 —— 从景点推荐到餐厅地址拼接，再到酒店匹配，突然觉得这就是技术最可爱的样子：它不一定需要多复杂的算法，却能把我们从 “打开十个网页反复切换” 的琐碎里解放出来。 其实工作流智能体的魅力，就藏在这些 “小而美” 的场景里：无论是规划一次旅行，还是整理一份周报，本质上都是用代码给重复的步骤 “画一条自动路”。而我们，就能腾出时间去想更有趣的事 —— 比如旅行时该带哪件外套，而不是纠结 “下一个景点附近有什么吃的”。 如果你也试着搭了自己的工作流智能体，欢迎在评论区分享你的创意场景～ 毕竟，让技术服务于生活，才是我们敲代码时最温暖的初心呀。