扣子工作流实战：多节点串联打造 AI 内容自动化流水线

一、你为什么需要工作流串联

先用一张图说清楚问题：

你现在的流程（手动）： 打开ChatGPT → 复制粘贴 → 打开搜索引擎 → 查资料 → 切回编辑器 → 写初稿 → 打开图片工具 → 配图 → 打开发布平台 → 排版 → 发布 理想流程（工作流）： 输入主题 → [扣子工作流自动跑] → 输出完整文章+配图

前者每一步都是「打开→切换→复制→粘贴」，一天写一篇就累得够呛。后者只需输入一个主题，流水线自动跑完，你只做最后的审核发布。

这就是扣子工作流的核心价值：把多个 AI 节点串成一条生产线。

市面上大部分教程只讲单个节点怎么用——代码节点能干啥、大模型节点怎么配。但真正值钱的是多节点串联的能力，也就是本文的重点。

二、环境准备

前置知识：建议先了解工作流基本概念（开始节点、结束节点、连线）。如果是零基础，先看扣子官方文档 5 分钟即可。

三、核心实战：搭建一条「选题→成文」流水线

3.1 整体架构

我们要搭的工作流包含 6 个节点：

[开始] → [代码：生成搜索词] → [插件：必应搜索] ↓ [结束] ← [大模型：润色成文] ← [代码：清洗结果]

第一步：新建工作流

在扣子工作台点击「新建工作流」，命名为「AI 内容生成流水线」。

第二步：添加开始节点变量

在开始节点中定义两个输入变量：

3.2 代码节点①：生成搜索关键词

扣子的代码节点支持 JavaScript/Python，这里用 JS 写一个搜索词生成器：

// 代码节点：根据 topic 生成 3 个搜索关键词 function main({ topic, style }) { const prefixes = [ `${topic} 入门教程`, `${topic} 实战案例`, `${topic} 常见问题`, ]; const styleMap = { "教程体": " step by step", "测评体": " 对比评测", "故事体": " 经验分享", }; const suffix = styleMap[style] || ""; const queries = prefixes.map(p => p + suffix); return { query1: queries[0], query2: queries[1], query3: queries[2], }; }

新手坑点：代码节点的 main 函数必须接收一个对象参数，返回一个对象。直接 return 字符串会报错。

3.3 插件节点：调用必应搜索

扣子内置了「必应搜索」插件，直接拖进来即可。这里配置循环调用——让三个搜索词依次执行搜索。

关键操作：配置循环变量

1. 在左侧拖入「必应搜索」插件
2. 点击节点右上角「···」→「设置为循环节点」
3. 循环变量选代码节点输出的 query1, query2, query3

循环节点的输出是一个数组，后续节点需要通过索引取值。这是很多人踩的第一个坑——直接引用变量会发现取不到值。

正确写法：

{{搜索结果_循环.body[0]}} // 取第一次搜索的结果 {{搜索结果_循环.body[1]}} // 取第二次搜索的结果

3.4 代码节点②：清洗搜索结果

搜索返回的 JSON 里大量无用字段，需要用代码节点做一次清洗：

function main({ searchResults, topic }) { // searchResults 是必应搜索返回的 JSON 字符串 const parsed = typeof searchResults === 'string' ? JSON.parse(searchResults) : searchResults; const cleanResults = []; // 遍历搜索结果（可能是数组或嵌套对象） const items = parsed.webPages?.value || parsed.value || []; for (const item of items.slice(0, 10)) { cleanResults.push({ title: item.name || item.title || "", url: item.url || "", snippet: (item.snippet || item.summary || "").slice(0, 200), }); } // 格式化成大模型易读的文本 const formatted = cleanResults .map((r, i) => `[${i + 1}] ${r.title}\n ${r.snippet}\n 链接: ${r.url}`) .join('\n\n'); return { cleanText: formatted, resultCount: cleanResults.length }; }

踩坑记录：不同插件的输出结构不一样。必应搜索返回 webPages.value，头条搜索返回 data.list。写清洗代码前先用「调试运行」看原始 JSON 结构。

3.5 大模型节点：润色成文

把清洗后的资料喂给大模型，让它生成完整文章。

Prompt 配置：

你是一个技术内容编辑。请根据以下搜索资料，写一篇关于「{{开始.topic}}」的技术文章。 要求： 1. 风格为「{{开始.style}}」 2. 文章长度 1500-2000 字 3. 分 3-4 个小节，每节有小标题 4. 语言通俗易懂，避免学术腔 5. 文末加一个「实用建议」小节 搜索资料如下： {{代码2.cleanText}} 请直接输出 Markdown 格式的文章正文。

模型参数建议：

3.6 结束节点：组装最终输出

在结束节点中，将各环节的输出整理成一个结构化结果：

输出变量： - title: "关于「{{开始.topic}}」的技术文章" - article: {{大模型_output.output}} - sources: {{代码2.resultCount}} 条参考资料 - keywords: {{代码1.query1}}, {{代码1.query2}}, {{代码1.query3}}

点击「测试运行」，输入 topic=扣子工作流，style=教程体，看整条链路能否一次跑通。

四、进阶技巧：条件分支 + 变量引用

4.1 根据搜索结果数量做分支

如果搜索返回 0 条结果，没必要继续跑大模型。加一个条件分支：

[代码2：清洗结果] → [条件判断] ├→ resultCount >= 3 → [大模型：润色] └→ resultCount < 3 → [代码：生成兜底内容]

条件判断节点配置：

• 条件 1：{{代码2.resultCount}} >= 3
• 条件 2：{{代码2.resultCount}} < 3

分支 2 的兜底代码节点：

function main({ topic, style }) { return { fallback: `关于「${topic}」，目前搜索信息不足。以下是基于现有知识的概述：\n\n` + `（此处可接大模型做知识库问答）` }; }

4.2 变量引用的层级问题

扣子工作流中，循环节点内部的变量引用和非循环节点不一样：

关键规则：在循环内部引用变量，用不带 _循环 后缀的形式。在循环外部引用，必须带 _循环 后缀。

这是 80% 的新手会踩的坑——变量明明定义了但死活取不到值，通常就是后缀问题。

五、复盘：3 个容易忽略的问题

① 节点输出变量名不一致

每个节点的输出变量名由「节点名称」决定，改名后引用路径也会变。建议先定好节点名再连线，别中途改名。

② 大模型节点超时

默认超时 120 秒，但如果 Prompt 太长 + 搜索结果很多，可能超时。对策：清洗环节把搜索结果控制在 10 条以内，每条的 snippet 限制 200 字。

③ 免费额度不够用

扣子免费版每天有一定调用次数。如果你的工作流要高频使用，可以接自己的 API Key（在模型配置里切换为「自定义模型」），成本很低——豆包 API 千次调用不到 1 块钱。

六、总结

• 核心思路：扣子工作流不是单个节点的叠加，而是一条完整自动化流水线的设计
• 关键技能：代码节点做数据清洗 → 插件节点做外部调用 → 大模型节点做最终输出
• 踩坑重点：循环变量引用、输出结构解析、节点超时配置

如果你想把这条流水线做得更复杂——比如接入图片生成（文生图节点）、自动发布到 WordPress（HTTP 请求节点）、多个大模型对比输出——这些高级玩法需要更多节点串联技巧，本质上都是本文这套思路的延伸。

关于作者：专注 AI 工作流自动化，更多扣子工作流模板和进阶教程可搜索「米核AI易山」或访问 miheaii.com 获取。

本文部分内容由 AI 辅助完成。