｜工作流 + 批处理 + 插件调用 + 卡片绑定 ｜ AI帮你规划完美行程

从基础入门到卡片制作、插件开发、工作流编排，再到智能客服实战，你已经掌握了Coze平台9成的核心功能。最后一篇实战案例，我们来做一个综合性强、成就感爆棚的项目——旅游规划智能体。

这是本专栏的收官实战案例，将综合运用前九篇所学的全部知识：

— ✅ 大模型节点（解析用户输入 + 生成行程规划）

— ✅ 批处理模式（循环处理多个景点）

— ✅ 插件调用（必应图片搜索 + 墨迹天气）

— ✅ 知识库节点（进阶场景可选，本案例暂不涉及，但结构可扩展）

— ✅ 消息节点（流式反馈进度）

— ✅ 卡片绑定（图文并茂展示景点信息）

用户只需说一句“5月4号到6号我想去北京玩”，智能体就能自动：

1. 推荐该城市必玩的10个景点

2. 获取每个景点的详细介绍、游玩时长、室内外属性

3. 为每个景点配上3张图片

4. 查询旅行期间的每日天气

5. 结合天气，生成上午—下午—晚上的详细行程规划

 📌 本篇你将学到什么？

— ✅ 如何设计一个完整的多阶段工作流（四大阶段）

— ✅ 批处理模式的高级用法：同时处理多个数据源并自动对齐

— ✅ 如何在多个大模型节点之间传递复杂数据结构

— ✅ 如何调用图片搜索插件为景点配图

— ✅ 如何调用天气插件获取多日天气预报

— ✅ 如何用自定义卡片展示图文并茂的景点信息

— ✅ 如何解决日期格式解析、大模型幻觉等实战问题

 一、为什么选“旅游规划”作为收官案例？

这是一个多步推理 + 多源数据 + 富媒体展示的典型案例，非常适合用来检验和巩固你对工作流的掌握程度。

流程拆解（用户说“5月4号到6号我想去北京玩”）：

1. 解析用户输入：识别出城市（北京）、开始日期（5月4号）、结束日期（5月6号）

2. 获取景点列表：查找北京的必玩景点（10个）

3. 获取景点详情：为每个景点获取介绍、游玩时长、室内室外属性

4. 获取景点配图：为每个景点搜索3张图片

5. 整合数据：将文字信息与图片信息一一对应

6. 查询天气：获取5月4日—6日的天气预报

7. 生成行程规划：结合天气和景点属性，按天推荐景点并附理由

8. 卡片展示：用卡片批量展示10个景点的详细信息

每一步都要用到不同的节点类型。这个案例将是前九篇文章知识的一次完整大阅兵。

 二、整体工作流设计

 2.1 工作流名称与描述

— 名称：`travel_planner`（仅字母、数字、下划线）

— 描述：`接收用户的旅行需求，提供景点推荐、详细信息、配套图片，并结合天气生成每日行程规划。`

 2.2 四大阶段概览

阶段	节点构成	核心功能
阶段一：解析与景点列表	大模型节点1（解析时间+城市）→ 大模型节点2（生成景点列表）	从用户输入中提取城市和日期，生成该城市的10个必玩景点名称
阶段二：景点详情与配图	大模型节点3（获取景点详情，批处理）→ 必应图片插件（获取配图，批处理）	为每个景点获取介绍、时长、室内外属性，并搜索3张图片
阶段三：数据整合	大模型节点4（批处理，同时处理文字和图片数组）	将每个景点的5项文字信息和3张图片信息整合到一个对象中
阶段四：天气查询与行程规划	墨迹天气插件 → 大模型节点5（生成行程规划）	获取多日天气预报，结合景点信息生成每日行程

数据流向图（建议在文章中画一张流程图，让读者一目了然）：

```

用户输入 → [阶段一] → 景点列表(数组) → [阶段二批处理] → 景点详情+图片 → [阶段三] → 完整景点数据                                                       ↓

                        墨迹天气插件 → 天气数据 → [阶段四] → 最终行程规划

```

 2.3 流式反馈节点设计

为了提升用户体验，在工作流执行过程中插入两个消息节点，实时反馈进度，让用户知道机器人在“干活”。

— 消息节点1（置于大模型节点2之后）：

   我已经收到您的请求，并为您推荐了以下景点：{{景点1}}、{{景点2}}……正在为您查询景点的详细信息和图片，请稍等……

  将数组元素逐个写出，避免机器人以JSON格式输出。

— 消息节点2（置于大模型节点4之后）：

   景点信息查询完成，正在为您规划行程……

  不编写额外回答内容，仅用于绑定后续的卡片数据。

 三、阶段一：解析用户输入并获取景点列表

 3.1 开始节点

添加一个输入参数：

— 名称：`input`

— 类型：`string`

— 描述：`用户输入的旅行需求，例如“5月4号到6号我想去北京玩”`

 3.2 大模型节点1：解析时间与城市

配置项	内容
输入参数	引用开始节点的 input
运行模式	单次处理
模型选择	豆包 Pro 或 云雀
提示词	见下方
输出参数	city（字符串）、start_date（字符串）、end_date（字符串）

提示词：

```

你是一个信息提取助手。从用户输入 {{input}} 中解析出以下三个信息：

1. 目标城市（city）

2. 旅行的开始日期（start_date）

3. 旅行的结束日期（end_date）

日期格式必须为 YYYY—MM—DD，例如 2025—05—04。

如果用户输入的是“5月4号到6号”，则 start_date 为 2025—05—04，end_date 为 2025—05—06。

只输出 JSON 格式，不要有其他内容。

```

 关键点：日期格式必须为 `YYYY—MM—DD`，否则后续天气插件无法识别。

 3.3 大模型节点2：生成景点列表

配置项	内容
输入参数	引用大模型节点1的 city
运行模式	单次处理
提示词	见下方
输出参数	name_list（数组<string>）

提示词：

```

输出城市 {{city}} 必玩的10个旅游景点名称，将名称赋值给字符串类型的数组。

输出格式示例：["故宫博物院", "长城", "颐和园", "天坛", ...]

只输出数组，不要有任何其他内容。

```

 测试：输入“北京”，节点应输出10个北京必玩景点名称。

 四、阶段二：获取景点详细信息及配套图片

 4.1 大模型节点3：获取景点详情（批处理）

配置项	内容
运行模式	批处理
循环数组	引用大模型节点2的 name_list
循环项变量名	item（代表当前景点名称）
输入参数	引用 item
提示词	见下方
输出参数	见下方

提示词：

```

根据景点名称 {{item}}，输出以下信息：

— 景点名称（name）

— 景点介绍（description，50字左右）

— 建议游玩时长（duration，如“2—3小时”）

— 室内/室外属性（indoor_outdoor，值为“室内”或“室外”）

— 所在行政区（district，如“东城区”）

输出 JSON 格式，不要有其他内容。

```

输出参数（均为字符串）：

— `name`

— `description`

— `duration`

— `indoor_outdoor`

— `district`

 4.2 必应图片搜索插件节点（批处理）

配置项	内容
插件名称	Bing Image Search
运行模式	批处理
循环数组	引用大模型节点2的 name_list
循环项变量名	item
参数设置	query：引用 item（必填）；count：留空（使用默认值）；offset：留空
输出	图片信息列表，核心字段为 data.value[].contentUrl（图片直链）和 hostPageUrl（来源网页）

 测试：输入“故宫博物院”，插件应返回多张图片的URL列表。

⚠️ 常见问题：必应图片插件返回的部分图片 `contentUrl` 可能已失效，导致图片无法显示。后续优化中可考虑更换其他图片搜索插件，或通过代码节点对链接进行有效性校验。

 五、阶段三：整合文字信息与图片信息（核心难点）

 5.1 问题分析

大模型节点3输出的是10个景点的文字信息（数组），必应图片插件输出的是10个景点的图片信息（数组）。

两个数组的第N个元素都是同一个景点的信息——这是批处理模式的重要特性，Coze会按数组下标自动对齐，即第N个景点文字对应第N个景点的图片。

 5.2 大模型节点4：数据整合（批处理）

配置项	内容
运行模式	批处理
循环数组	同时循环两个数组——大模型节点3的 output_list（文字信息）和图片插件的 output_list（图片信息）
输入变量绑定	文字部分：name、description、duration、indoor_outdoor、district；图片部分：image_list（从插件输出中提取 data.value 数组）
提示词	见下方
输出变量	共11个（5个文字变量 + 6个图片变量）

提示词：

```

将 name、description、duration、indoor_outdoor、district 分别赋值给对应的输出变量。

从 image_list 中取出前 3 张图片的 contentUrl 和 hostPageUrl，分别赋值给图片1、图片2、图片3 的对应输出变量。

输出 JSON 格式。

```

输出变量列表：

— `name`（字符串）

— `description`（字符串）

— `duration`（字符串）

— `indoor_outdoor`（字符串）

— `district`（字符串）

— `img1_url`（字符串）

— `img1_page`（字符串）

— `img2_url`（字符串）

— `img2_page`（字符串）

— `img3_url`（字符串）

— `img3_page`（字符串）

 为什么需要11个输出变量？ 因为我们需要把每个景点的文字信息（5项）和三张图片的信息（URL+来源页，共6项）全部提取出来，才能在卡片中完整展示。

 六、阶段四：天气查询与行程规划

 6.1 墨迹天气插件节点

— 输入参数：

  — `city`：引用大模型节点1的 `city`

  — `start_date`：引用大模型节点1的 `start_date`

  — `end_date`：引用大模型节点1的 `end_date`

  — 省份、区县、乡村：留空（非必填）

— 输出：`weather_data`（包含时间段内每日天气信息，如“晴”“小雨”“18—25℃”等）

 6.2 大模型节点5：生成行程规划

配置项	内容
运行模式	单次处理（不批处理，避免景点重复安排）
输入参数	attractions（引用大模型节点4的 output_list，含景点详细信息）；weather（引用墨迹天气插件的 weather_data）
模型选择	豆包 Pro（对长文本处理能力更强）
提示词	见下方
输出参数	itinerary（字符串）

提示词（重点，长度篇幅较长，建议在文章中完整列出）：

```

你是一个专业的旅游规划师。请根据以下信息，为用户制定每日行程安排。

景点信息：{{attractions}}

天气信息：{{weather}}

要求：

1. 按照用户提供的开始时间和结束时间，为每一天分别安排景点。

2. 所有安排的景点不可重复。

3. 根据天气调整：晴天优先安排室外景点，雨雪天优先安排室内景点。

4. 按白天8小时游玩时间计算。若时间充足且景点距离较近，可以上午、下午各安排1个景点；晚上可安排适合夜游的景点。

5. 为每一个安排给出具体的推荐理由，理由需结合景点特点、游玩时长、室内外属性和当日天气。

输出格式示例（请严格按此格式）：

2025年5月4日（晴天）：

— 上午：故宫博物院（室外，游玩3—4小时）—— 晴天适合参观宫殿建筑群......

— 下午：景山公园（室外，游玩1—2小时）—— 登高俯瞰故宫全景......

— 晚上：前门大街（室内外结合，游玩2小时）—— 品尝老北京小吃......

2025年5月5日（小雨）：

— 上午：国家博物馆（室内，游玩3—4小时）—— 雨雪天适合室内文化体验......

— ...

```

 为什么这里不能用批处理？ 如果对大模型节点5开启批处理，会导致每个景点被独立处理，产生重复的行程安排（比如每个景点都会生成一整天）。单次处理才能让大模型“看到”所有景点，统筹安排。

 七、景点信息卡片绑定

为了让景点信息展示更直观，我们为大模型节点4的输出绑定一个自定义卡片。

 7.1 卡片布局设计

采用单列布局，按以下顺序添加组件：

1. 景点名称（加粗、中等字号）

2. 室内/室外属性 + 所在行政区（合并显示，例如 `室内，东城区`）

3. 游玩时长

4. 景点详细介绍（设置最大行数为20行）

5. 三张景点图片（可并排或纵向排列）

 7.2 变量绑定与循环渲染

— 数据源：设置为数组对象，字段与大模型节点4的输出变量一致（11个字段）

— 循环渲染：开启卡片的循环渲染功能，绑定大模型节点4的 `output_list`，实现10个景点信息的批量展示

— 图片模块设置：

  — `资源` 项绑定对应图片的 `img_url`

  — 开启 “点击事件”，绑定 `img_page`，实现点击图片跳转至来源网页

 7.3 卡片发布与关联

1. 完成卡片设置后点击 “发布”

2. 返回智能体编辑页，在 “卡片” 设置中，将回复方式改为 “我的卡片”，选择刚发布的景点信息卡片

3. 设置数据来源为消息节点2的输出，最大长度设为10

4. 确认保存

 八、测试、问题排查与优化

 8.1 首次试运行可能遇到的问题

问题	现象	原因	解决方法
天气插件无输出	weather_data 为空	用户输入的中文日期格式（如“5月4号”）无法被插件识别	在大模型节点1提示词中强制要求输出 YYYY-MM-DD 格式
行程规划时间异常	有时只输出一天，有时输出多天	大模型节点5提示词未明确输出格式	在提示词中添加输出格式示例，明确要求按用户输入的时间范围输出
大模型幻觉	出现不合理建议（如“圆明园晚上游玩”）	大模型不知道景点的真实开放时间	建立景点专属知识库，录入各景点的开放时间、夜游属性等
图片失效	部分图片无法显示	必应图片插件的部分链接已失效	更换其他图片搜索插件，或通过代码节点对URL进行有效性校验

 8.2 避坑指南

1. 日期格式：用户输入的“5月4号”必须被大模型转换为 `2025—05—04`，这是导致天气查询失败的最常见原因。

2. 批处理数值限制：批处理模式最大批处理次数为10。如果要推荐10个景点，数组长度不要超过10。

3. 大模型输出稳定性：大模型节点5的行程规划输出可能不稳定，建议在提示词中加入“严格按输出格式，不要新增额外内容”的约束。

4. 卡片循环渲染的字段匹配：卡片中绑定的字段名必须与大模型节点4的输出变量名严格一致，否则无法显示。

 九、案例总结

完成这个旅游规划智能体后，你已经掌握了：

— ✅ 工作流的完整编排思路（多阶段、多节点协同）

— ✅ 批处理模式的高级用法（同时处理文字和图片数组，自动对齐）

— ✅ 复杂数据的整合与传递

— ✅ 两个外部插件的同时调用（墨迹天气 + 必应图片搜索）

— ✅ 自定义卡片的循环渲染

— ✅ 实战问题的排查与解决

这是对前九篇文章所学知识的一次完整检验。把这个案例做出来，你就正式从入门走到了精通。

 十、下篇预告：Coze 2.0 新特性与进阶技巧

10篇实战案例到此结束。最后一篇（第十一篇）将是进阶特辑，介绍Coze 2.0及之后版本的新特性，包括：

— 多Agent模式（多个智能体协同工作）

— 变量节点（工作流与智能体数据互通）

— 快捷指令（可视化变量赋值）

— 照片知识库（专门存储和检索图片）

— 触发器（定时任务推送）

这些新功能将让你的机器人在自动化、复用性上更加强大。

点击关注，精彩继续。

这个旅游规划智能体的工作流非常长，你花了多长时间搭建？哪个环节卡住了？欢迎评论区交流。

柒柒  

2026年5月

---

 📌 本文已同步收录于专栏《无代码AI智能体开发实战：从零到一搭建你的专属机器人》，欢迎订阅持续学习。