在 Coze 工作流中，代码的使用方法如下： 首先进入 Coze，点击「个人空间-工作流-创建工作流」，打开创建工作流的弹窗。根据弹窗要求自定义工作流信息，点击确认后完成工作流的新建。 在编辑视图中，左侧「选择节点」模块中，代码节点支持编写简单的 Python、JS 脚本，对数据进行处理。 按照流程图，在编辑面板中拖入对应的代码节点。 例如在艾木的介绍中，利用“Code”组块插入一段 Python 代码，将 Google 搜索返回结果格式化成两个字符串，一个是由搜索结果相关信息拼接而成，另一个是由搜索出来的网页链接拼接而成。这段代码起到了粘合剂的作用，逻辑不复杂，理论上也可以让 AI 帮助生成。
首先进入Coze，点击「个人空间-工作流-创建工作流」，打开创建工作流的弹窗。根据弹窗要求，自定义工作流信息。点击确认后完成工作流的新建，可以看到整个编辑视图与功能如下：其中，左侧「选择节点」模块中，根据我们的子任务需要，实际用上的有：1.插件：提供一系列能力工具，拓展Agent的能力边界。本案例涉及的思维导图、英文音频，因为无法通过LLM生成，就需要依赖插件来实现。2.大模型：调用LLM，实现各项文本内容的生成。本案例的中文翻译、英文大纲、单词注释等都依赖大模型节点。3.代码：支持编写简单的Python、JS脚本，对数据进行处理。而编辑面板中的开始节点、结束节点，则分别对应1.2分解子任务流程图中的原文输入和结果输出环节。接下来，按照流程图，在编辑面板中拖入对应的LLM大模型、插件、代码节点，即可完成工作流框架的搭建。
首先进入Coze，点击「个人空间-工作流-创建工作流」，打开创建工作流的弹窗。根据弹窗要求，自定义工作流信息。点击确认后完成工作流的新建，可以看到整个编辑视图与功能如下：其中，左侧「选择节点」模块中，根据我们的子任务需要，实际用上的有：1.插件：提供一系列能力工具，拓展Agent的能力边界。本案例涉及的思维导图、英文音频，因为无法通过LLM生成，就需要依赖插件来实现。2.大模型：调用LLM，实现各项文本内容的生成。本案例的中文翻译、英文大纲、单词注释等都依赖大模型节点。3.代码：支持编写简单的Python、JS脚本，对数据进行处理。而编辑面板中的开始节点、结束节点，则分别对应1.2分解子任务流程图中的原文输入和结果输出环节。接下来，按照流程图，在编辑面板中拖入对应的LLM大模型、插件、代码节点，即可完成工作流框架的搭建。
如果你了解编程的话，你可以把Workflow看作是一个函数。整个Workflow的输入参数只有一个，就是用户的提问（query），它是一个字符串。2调用Google搜索插件搜索互联网上的信息这里使用了Coze提供的“Google Web Search”插件。`num`参数控制返回搜索结果的数量。论文里说增加这个数量可以提高回答准确率。但是考虑到响应速度以及用户易于接受的信息量，我这里把它设置成了7。3格式化搜索结果Google搜索插件返回的是一些结构化数据，这里我利用“Code”组块插入了一段代码，这段代码的作用就是把Google搜索返回结果格式化成两个字符串：一个字符串是由搜索结果相关的信息拼接而成（retrieved_contexts）；另一个字符串是由搜索出来的网页链接拼接而成(references)。前者将会被插入到LLM的提示词里，后者将会插入到Workflow的最终输出结果里，也就是大家在Dr.Know回复里看到的参考链接列表。这段Python代码相当于粘合剂，逻辑不复杂，理论上可以让AI帮助生成。[heading1]4获取用户的语言偏好[content]这里使用了一个“Variable”组块来获取Bot内设置的变量值。这个变量叫user_language，需要在Bot开发页面配置好。我用这个变量来记录用户的语言偏好，很方便。