企业官网建设流程全解析

1. 为什么要在百数里折腾 AI 工作流

百数这个平台，很多人第一反应是"低代码表单工具"，用来做进销存、审批流、客户管理这些传统业务系统。但最近一年，平台把 AI 工作流和智能体能力整合进来之后，玩法就完全不一样了。你可以把一个大模型驱动的智能体直接挂到业务流程的某个节点上，让它自动读表单数据、做判断、生成内容、回写结果，整个过程不需要你写一行后端代码。

我最初接触这套东西，是因为一个很具体的需求：客户提交的工单里有一大段自由文本描述，人工分类和打标签太慢，想用 AI 自动识别问题类型、判断紧急程度、生成初步处理建议，然后把结果写回表单字段。传统做法是调 API、写中间层、处理回调，一套下来至少两三天。用百数的 AI 工作流，从新建到跑通，我实际花了不到两个小时。

这篇内容就是把这套流程完整拆开讲清楚。从新建一个工作流开始，到配置节点、挂载智能体、定义输入输出、写入表单，一共九个步骤。每一步我都会说清楚"为什么这么做"以及"哪里容易翻车"。适合两类人看：一是已经在用百数做业务系统、想加 AI 能力的实施人员；二是刚接触 AI 工作流概念、想找一个具体平台练手的开发者。不需要你懂大模型底层原理，但需要你对表单字段、API 调用、JSON 结构这些有基本概念。

提示：百数的 AI 工作流能力在不同版本里入口位置和叫法可能有差异，本文以当前主流的"AI 工作流"模块为准，如果你在菜单里找不到对应入口，先确认版本是否支持。

2. 动手之前必须想清楚的三个设计问题

很多人一上来就点"新建工作流"，然后对着空白画布发呆。我踩过这个坑，后来养成的习惯是：动手之前先把三个问题想明白，后面配置会顺很多。

2.1 这个工作流到底由谁触发

触发方式决定了整个工作流的输入结构。百数里常见的触发方式有这么几种：

• 表单事件触发：某张表单新增或更新一条记录时自动跑。这是最常用的，适合"数据进来就处理"的场景，比如工单提交后自动分类。
• 手动触发：在表单里点一个按钮才跑。适合需要人工确认的场景，比如销售点"生成跟进建议"。
• 定时触发：按计划跑，适合批量处理，比如每天凌晨把前一天的数据汇总分析。
• API 触发：外部系统调接口进来。适合和其他系统对接。

我那个工单分类的需求，用的是表单事件触发，因为工单提交后希望立刻得到分类结果。如果你选错了触发方式，后面输入参数的设计会全部推倒重来，所以这一步必须先定。

2.2 智能体的输入从哪来、输出到哪去

这是整个工作流的核心链路。输入通常来自表单字段，输出通常写回表单字段。但中间有个关键问题：大模型的输出是非结构化的自然语言，而表单字段往往要求结构化数据。

举个例子，你让智能体判断工单紧急程度，它可能返回"这个工单看起来比较紧急，建议优先处理"。但你的表单里"紧急程度"字段是个下拉选项，只接受"高/中/低"三个值。这中间就需要一层"输出解析"，把自然语言转成结构化值。

我的做法是在智能体的提示词里强制要求输出 JSON 格式，比如：

{ "category": "技术问题", "urgency": "高", "suggestion": "建议先检查网络配置" }

然后在工作流里用解析节点把这个 JSON 拆成三个字段，分别写回表单。这样比让 AI 自由发挥再去做文本匹配要可靠得多。

2.3 失败了怎么办

AI 调用不是百分之百成功的。网络超时、模型限流、返回格式不对，这些都会发生。如果工作流没有容错设计，一条数据卡住可能导致整个流程异常。

我的经验是至少做两层保护：一是给 AI 节点设置超时和重试；二是在工作流末尾加一个"异常分支"，当解析失败时把原始返回内容写到一个备注字段里，同时把记录标记为"待人工处理"。这样即使 AI 抽风，业务也不会断。

把这三个问题想清楚，你就可以开始动手了。下面进入正式的九步操作。

3. 九步走完从新建到写入的完整链路

这一章是核心操作部分，我按实际点击顺序拆成九步。每一步都配了说明和注意事项，你可以对照着做。

3.1 第一步：新建工作流并选对模板类型

进入百数后台，找到"AI 工作流"模块，点新建。这时候会让你选模板类型。常见的有"空白工作流""表单数据处理""智能问答""内容生成"几类。

如果你要做的是表单数据自动处理，直接选"表单数据处理"模板，它会预置好表单触发器和基础的输入输出节点，省掉不少手动配置。我一开始图省事选了空白工作流，结果触发器、变量、输出节点全部要自己加，反而更慢。

新建完成后，给工作流起一个能看懂的名字。别用"工作流1""测试流程"这种，后面工作流一多你根本分不清。我的命名习惯是"业务对象+动作+AI"，比如"工单提交自动分类"。

3.2 第二步：绑定触发表单和触发条件

工作流建好后，第一件事是配置触发器。选择你之前想好的触发方式，然后绑定具体的表单。

这里有个容易忽略的点：触发条件要设精确。比如你绑定的是工单表，但工单表里有很多字段更新都会触发工作流，如果你只想在"工单状态变为待处理"时触发，就要在触发条件里加过滤。否则用户改个备注也会触发一次 AI 调用，白白消耗额度。

配置界面通常是这样的逻辑：

触发频率这块，如果你的数据量很大，实时触发可能造成并发压力，可以考虑改成批量。但批量会有延迟，看业务能不能接受。

3.3 第三步：定义输入变量，把表单字段映射进来

触发器配好后，需要定义这个工作流能拿到哪些数据。百数里通常是通过"变量"或"输入参数"来做的。

你要把智能体需要用到的表单字段，一个个映射成工作流的输入变量。比如工单分类场景，我需要这几个字段：工单标题、问题描述、提交人、提交时间。

映射的时候注意字段类型。文本字段直接映射成字符串，日期字段要注意格式，附件字段如果 AI 需要读内容，得先确认平台是否支持把附件转成文本。我遇到过附件字段直接映射过去变成一串文件 ID，AI 根本读不懂，后来是先用一个"文件解析"节点把附件内容提取出来再传给 AI。

注意：变量命名用英文或拼音，别用中文。虽然后面提示词里可以用中文引用，但变量名用中文在某些节点里会出问题，我踩过这个坑。

3.4 第四步：插入 AI 节点并选择智能体

这是整个流程最关键的一步。在工作流画布上添加一个"AI"类型的节点，然后选择你要挂载的智能体。

百数里挂载智能体有两种方式：一是用平台内置的智能体，二是接入你自己在外部平台创建好的智能体。如果你已经在别的平台调好了智能体，可以直接通过 API 方式接进来。

选择智能体后，要配置几个东西：

• 模型选择：不同模型能力和成本差异很大。简单分类任务用轻量模型就够，复杂推理才需要上大模型。我一般先用小模型试，效果不够再换。
• 温度参数：分类、抽取这类任务，温度调到 0 到 0.3，保证输出稳定。内容生成类可以调到 0.7 左右。
• 最大输出长度：根据你期望的输出内容长度设，设太大浪费，设太小会被截断。

这里我要多说一句模型选择的事。很多人一上来就用最强的模型，结果成本高得吓人。实际上像工单分类这种任务，一个中等规模的模型完全够用。我的做法是准备一批测试数据，分别用不同模型跑一遍，对比准确率和成本，选性价比最高的。

3.5 第五步：编写提示词，把输入变量嵌进去

智能体选好后，要写提示词。这是决定效果好坏的核心环节。

提示词的基本结构我总结成四段：角色设定、任务说明、输入数据、输出格式要求。以工单分类为例：

你是一个工单分类助手。 任务：根据工单内容，判断问题类型和紧急程度。 工单标题：{{title}} 问题描述：{{description}} 请严格按以下 JSON 格式输出，不要输出任何其他内容： { "category": "技术问题|账务问题|产品咨询|投诉建议", "urgency": "高|中|低", "suggestion": "一句话处理建议" }

几个实操要点：

第一，输出格式一定要写死。你告诉它输出 JSON，它大概率会输出 JSON，但偶尔会加一句"好的，以下是结果"。所以要在提示词里强调"不要输出任何其他内容"。

第二，枚举值要列全。category 的四个选项必须全部列出来，否则 AI 可能自己造一个类别出来，你后面解析就对不上。

第三，变量引用语法要对。百数里引用变量通常是双花括号，但不同版本可能不一样，配置界面一般会有提示，照着来就行。

第四，给例子。如果效果不稳定，在提示词里加一两个输入输出示例，准确率会明显提升。这叫少样本提示，实测很管用。

3.6 第六步：配置输出解析，把自然语言转成结构化数据

AI 节点跑完，返回的是一段文本。如果提示词写得好，这段文本就是一个 JSON 字符串。接下来要加一个"解析"节点，把这个 JSON 拆成独立字段。

百数里通常有 JSON 解析节点，你只需要把 AI 节点的输出连到解析节点，然后定义你要提取的字段路径，比如category、urgency、suggestion。

如果平台没有现成的 JSON 解析节点，可以用"代码节点"写一小段脚本处理。逻辑很简单：把返回文本里的 JSON 部分提取出来，解析成对象，再输出各个字段。

这里有个坑：AI 返回的 JSON 可能带 markdown 代码块标记，比如被json 和包起来。直接解析会失败。我的处理方式是在解析前先做一次字符串清洗，把代码块标记去掉。这个细节很多教程不讲，但实际经常遇到。

3.7 第七步：把解析结果写回表单字段

解析出结构化数据后，最后一步是写回表单。添加一个"更新记录"节点，绑定目标表单，然后把解析出来的字段映射到对应的表单字段上。

映射的时候注意类型匹配：

下拉字段是最容易出问题的。如果 AI 返回的"技术问题"和表单下拉选项里的"技术类问题"不完全一致，写进去会失败或者变成空值。解决办法有两个：一是提示词里的枚举值和表单选项严格对齐；二是在写回前加一个映射转换，把 AI 的输出转成表单认识的值。

我一般用第一种，简单直接。如果选项经常变，就用第二种，维护一个映射表。

3.8 第八步：加异常分支，处理 AI 调用失败

前面七步跑通后，主流程就完成了。但别忘了异常处理。

在工作流里加一个条件分支：判断解析节点是否成功输出了预期字段。如果成功，走正常写回；如果失败，走异常分支，把 AI 的原始返回写到一个"AI原始输出"备注字段，同时把记录状态标记为"待人工处理"。

这样即使 AI 返回格式不对，数据也不会丢，人工还能看到原始内容去判断。这个设计在实际运行中救过我好几次。

3.9 第九步：测试、发布、观察

工作流配好后，先别急着发布。用测试功能跑几条真实数据，看看：

• 触发是否正常
• 输入变量是否都拿到了值
• AI 返回格式是否符合预期
• 解析是否成功
• 写回字段是否正确

测试通过后再发布。发布后头几天要盯着运行日志，看看有没有异常。百数一般有工作流运行记录，能看到每次执行的输入、输出、耗时、状态。

我建议发布后先小范围用，比如只对某个部门的工单生效，观察一周没问题再全量放开。AI 工作流和传统流程不一样，它的输出有不确定性，全量放开后如果效果不好，影响面会比较大。

4. 提示词和输出格式的实战调优经验

九步走完，流程能跑了。但能跑和跑得好是两回事。这一章专门讲怎么把效果调上去，都是我实际踩坑总结出来的。

4.1 为什么你的 AI 总是不按格式输出

这是最常见的问题。你明明要求输出 JSON，它偏要加一段解释。原因通常有三个：

一是提示词里的格式要求不够强硬。把"请输出 JSON"改成"必须严格按以下 JSON 格式输出，不要输出任何解释性文字、不要使用 markdown 代码块"，效果会好很多。

二是模型本身的能力问题。有些小模型对格式遵循度就是差，这时候要么换模型，要么在解析层做兼容处理。

三是输入数据里有干扰。如果表单字段里本身包含大量特殊字符或者格式混乱的内容，AI 可能被带偏。这种情况可以先做一个"文本清洗"节点，把输入规范化再传给 AI。

我的经验是，格式遵循度这个事，七分靠提示词，三分靠模型。提示词写到位，大部分模型都能稳定输出。

4.2 枚举值对不齐导致的写回失败

前面提过下拉字段的问题，这里展开说。假设你的表单"问题类型"字段有四个选项：技术问题、账务问题、产品咨询、投诉建议。提示词里你也列了这四个。但 AI 有时候会返回"技术类问题"或者"技术相关问题"。

解决办法是在提示词里加一句："category 字段的值必须严格从以下四个中选择，不得使用同义词或变体：技术问题、账务问题、产品咨询、投诉建议。"

如果加了这句还是偶尔出错，就在解析后加一个"值映射"节点，用代码做一次模糊匹配。比如判断返回值里是否包含"技术"两个字，包含就映射成"技术问题"。这种兜底逻辑虽然土，但很有效。

4.3 长文本输入被截断怎么办

工单描述有时候会很长，几千字都有可能。而模型有上下文长度限制，超了就会被截断，导致 AI 只看到前半部分内容。

处理方式有几种：

• 截断：只取前 N 个字符。简单但会丢信息。
• 摘要：先用一个 AI 节点把长文本摘要成短文本，再传给分类节点。多一次调用，但信息保留更完整。
• 分段处理：把长文本切成多段分别处理，再合并结果。适合内容本身可以分段的场景。

我一般用摘要的方式。虽然多花一次调用成本，但分类准确率明显比直接截断高。具体做法是在工作流里加两个 AI 节点，第一个负责摘要，第二个负责分类。

4.4 成本控制的几个实用手段

AI 工作流跑起来后，成本是个绕不开的问题。几个我实际在用的控制手段：

第一，能不用 AI 就不用。有些判断用规则就能做，比如"描述为空就跳过"，没必要调 AI。在工作流前面加规则过滤，能挡掉不少无效调用。

第二，缓存重复结果。如果同样的输入反复出现，可以把结果缓存起来。比如同一个客户反复提交类似工单，第一次调 AI，后面直接查缓存。

第三，选对模型。分类任务用轻量模型，只有复杂生成任务才用大模型。我测算过，同样一个分类任务，轻量模型的成本可能只有大模型的十分之一，而准确率差距在可接受范围内。

第四，设置调用上限。给工作流设一个每日调用次数上限，防止异常情况下疯狂调用。

5. 几个真实场景的配置差异

不同业务场景，工作流的配置重点不一样。这一章我拿三个典型场景做对比，你可以对照自己的需求调整。

5.1 工单自动分类场景

这个前面讲得比较多了，核心是分类准确率和写回稳定性。配置重点：

• 触发方式：表单新增触发
• 输入：工单标题、描述
• 智能体任务：分类 + 紧急度判断 + 建议生成
• 输出：三个字段写回
• 容错：解析失败写备注字段

这个场景对实时性要求高，所以用实时触发。对准确率要求也高，所以提示词要反复调，最好准备一批标注数据做验证。

5.2 销售线索评分场景

销售线索进来后，用 AI 根据线索信息打分，判断优先级。配置差异：

• 输入：线索来源、公司规模、需求描述、预算范围
• 智能体任务：综合评分 + 优先级判断 + 跟进建议
• 输出：评分字段、优先级字段、建议字段

这个场景的特点是输入字段多，而且有些字段是结构化的（比如预算范围是数字）。提示词里要把这些结构化信息也描述清楚，让 AI 综合判断。另外评分标准要写明确，比如"满分 100 分，预算充足加 30 分，需求明确加 20 分"这种，否则 AI 打分很随机。

5.3 内容自动生成场景

比如根据产品信息自动生成营销文案。配置差异：

• 输入：产品名称、卖点、目标人群
• 智能体任务：生成一段推广文案
• 输出：文案字段

这个场景对格式要求没那么严，但对内容质量要求高。温度参数可以调高一点，让输出更有创意。提示词里要给出风格要求，比如"语气活泼、面向年轻人、控制在 100 字以内"。

三个场景对比下来，核心差异在提示词设计和输出解析的严格程度上。分类评分类要求严格，生成类可以宽松。

6. 上线之后才会暴露的那些问题

工作流测试通过不代表上线就没事。这一章讲几个上线后才会遇到的问题，以及我的处理方式。

6.1 并发触发导致的重复处理

如果短时间内大量数据同时触发工作流，可能出现同一条记录被处理两次的情况。这在表单事件触发里比较常见，因为更新操作可能触发多次。

解决办法是在工作流开头加一个"幂等检查"：先查一下这条记录是否已经有 AI 处理结果，有就跳过。或者在表单里加一个"AI处理状态"字段，处理前置为"处理中"，处理完改为"已完成"，触发时先判断状态。

6.2 模型接口不稳定导致的超时

AI 调用依赖外部服务，偶尔超时是正常的。如果工作流没有超时设置，一条记录可能卡很久。

我的做法是给 AI 节点设置超时时间，比如 30 秒。超时后走异常分支，把记录标记为"待重试"。然后加一个定时工作流，每天扫描"待重试"的记录重新处理。这样既不会卡住主流程，也不会丢数据。

6.3 输出质量波动

同样的提示词，AI 的输出质量可能时好时坏。这跟模型本身的特性有关，很难完全消除。

我的应对方式是建立人工抽检机制。每天随机抽一批 AI 处理过的记录，人工核对结果。如果发现某类问题准确率下降，就去调整提示词。另外可以在表单里加一个"AI结果反馈"按钮，让业务人员能标记"结果不对"，这些标记数据就是优化提示词的素材。

6.4 字段变更导致工作流失效

业务系统是会迭代的。今天表单里叫"问题描述"，明天可能改名叫"详细说明"。字段一改，工作流里的变量映射就断了。

这个问题没有特别好的自动化解决办法，只能靠流程管理。我的做法是：表单字段变更时，必须同步检查关联的 AI 工作流，把受影响的变量重新映射。可以在工作流里加一个"字段存在性检查"节点，如果引用的字段不存在就报警，这样至少能及时发现。

7. 关于智能体挂载方式的选择

最后聊一个很多人纠结的问题：智能体到底用平台内置的，还是自己在外