夜雨聆风
你想做一个自动化的东西。
比如：用户问一个问题，系统自动查知识库、交给大模型整理、按固定格式输出、最后发到飞书群。
你脑子里想的是——这得写代码吧。接口怎么调。认证怎么搞。报错了怎么办。
我以前也这么想。直到用了扣子的工作流。
扣子把"搭一个AI流程"这件事，从写代码变成了画流程图。
拖几个节点，连几根线，配几个参数。跑起来。
这篇文章用一个我实际搭过的例子，把过程说清楚。不抽象，不画饼。
01 扣子的工作流，打开之后长这样
界面分三块。
左边——节点列表。大模型节点、知识库节点、代码节点、条件判断、循环、API 请求……一列排下来。全是直接能用的积木。
中间——画布。空的。等你拖。
右边——配置面板。点哪个节点，右边就出它的参数。
操作三步：拖节点到画布 → 连线到下一个 → 右边填参数。
就三步。循环。
比如你拖了个"大模型"节点。右边让你选模型、填提示词、设输出格式。填完。这个节点就能用了。
有意思的是跟写代码的对比：写代码你要管语法、管缩进、管变量声明、管异常处理。搭工作流你只管"这个节点干什么、输出传给谁"。
不是代码没用。是有些事真的不需要代码。
02 一个真实案例：选股工作流，基本面+技术面双线分析
说个我实际搭过的。
场景：我想看某只股票值不值得关注。以前是手动查财报、翻K线图、看各种指标，来回切七八个页面。后来我让扣子替我干了。
这个工作流分两条线，并行跑。
第一条线：基本面分析。
一个 API 请求节点，调股票数据接口，拉这些数据：市盈率、市净率、ROE、营收增速、净利润增速、资产负债率、现金流。
数据回来之后，给一个基本面分析提示词，让大模型节点来读：
"根据以下财务数据，评估该股票的基本面质量。分析维度：盈利能力、成长性、财务健康度、估值水平。给出综合评分（1-10分）和核心结论。不超过300字。"
第二条线：技术面分析。
另一个 API 请求节点，同时拉技术指标：当前价格、5日/20日/60日均线、MACD、RSI、成交量变化、布林带位置。
同样的，数据给另一个大模型节点，技术面分析提示词：
"根据以下技术指标，评估该股票的短期走势。分析维度：趋势方向、超买超卖、量价配合、支撑压力位。给出综合评分（1-10分）和核心结论。不超过300字。"
然后汇合。
两条线的分析结果，一起送进第三个大模型节点。提示词：
"以下是一只股票的基本面分析和技术面分析。请综合两者，生成一份选股简报。格式：📊 综合评分（1-10分）/ 💰 基本面要点 / 📈 技术面要点 / ⚠️ 风险提示 / 🎯 操作建议。不超过500字。"
最后，飞书消息节点把简报发出来。
这里有个关键点——提示词里一定要把输出格式写死。 你不写，模型自由发挥。第一次吐 JSON，第二次吐纯文本，第三次带 Markdown 标题。后续节点直接炸。
整个流程六个节点、两条并行线、一个汇合点。拖拖拽拽，十来分钟配完。
输入一只股票代码，输出一份结构化的选股简报。
这个流程的本质不是"AI 变聪明了"。是把以前要来回切七八个页面、手动拼信息的事情，变成了自动的。
03 工作流和 Agent，在扣子里看得特别清楚
扣子支持两种模式：工作流，和 Agent。
这个概念我之前聊过。但在扣子的界面里，两者的差别变得特别直观。
工作流：每一步是你画好的。 节点A → 节点B → 判断 → C或D。路径固定。它不思考"下一步该干嘛"，只执行你画的路线。
Agent：你给目标和工具。 它自己判断先搜知识库还是先调模型，搜出来的东西不够要不要再搜一轮。路径它自己选。
什么时候用工作流？
流程你已经想清楚了。 上面那个选股工作流——输入股票代码、基本面+技术面双线抓数据、大模型分别分析再综合、最后出简报。每一步确定。不需要 Agent 帮你做判断。
什么时候用 Agent？
你只有目标，不知道路径。 比如"帮我研究这三个竞品最近做什么，出个对比报告"。你不知道要搜几个来源、哪些信息重要、怎么组织。Agent 自己去拆。
扣子把两个都给你了。 不二选一。该用哪个用哪个。
04 三个最容易踩的坑
第一次用的时候我踩了不少。挑三个最疼的。
坑一：大模型节点忘了设输出格式。
模型自由输出。第一次 JSON，第二次纯文本，第三次带标题。下一个节点等着取某个字段——直接报错。
解决不复杂：提示词末尾加一句"严格按以下JSON格式输出"，把格式写出来。 或者在节点的输出格式配置里直接选 JSON。
坑二：参数引用写错了变量名。
节点 A 输出叫 `task_list`。节点 B 要引用。你在 B 的参数里写 `{{taskList}}`——少了下划线，多了大写。线连了，数据传不过去。
排查方法：先单独跑每个节点。 扣子支持单节点调试。点一下就看到它吐出什么、字段名叫什么。复制字段名，别手打。
坑三：知识库检索出一堆无关内容。
你把一堆文档丢进知识库，觉得"都在里面，问什么都能搜到"。结果大模型收到一堆不相关的内容——回答自然跑偏。
知识库上传不是终点，是起点。 文档要分段、要有关键词、问题和答案要对上。一个简单经验：你自己搜关键词都找不到想要的内容，模型也找不到。
05 说到底，扣子解决了什么
我后来想明白了一个问题。
AI 的能力早就在了。大模型能总结、能翻译、能分类、能生成。知识库能检索。API 能读数据、能发消息。
但问题是——这些能力是散的。 大模型在一边。知识库在另一边。飞书接口在第三个地方。你要把它们串起来。中间缺一个东西。
缺什么？缺"编排"。
扣子做的事，就是给这些散落的能力之间，加上连线。
它没发明新的 AI 能力。它只是让你不写代码就能把已有能力串成一条流水线。
这个洞察对我挺重要的：写代码是面向机器说话。搭工作流是面向流程说话。 有些事就应该面向流程。
一句话总结：
扣子的工作流不是"让你不写代码"，是用拖拽完成编排。流程确定用工作流，不确定用 Agent。踩过格式、参数、知识库三个坑之后，剩下的就是把你脑子里的流程画出来。
- 搭工作流就是画流程图：拖节点、连线条、填参数。三步循环。
- 一个案例六节点双线并行：基本面+技术面各走一条线，汇合后出选股简报。十来分钟的事。
- 流程确定用工作流，不确定用 Agent：扣子两个都支持。
- 三个坑：输出格式写死、参数引用核对、知识库先整再传。
- 扣子解决编排：AI 能力都在了，缺的是把它们串起来的那根线。