低代码平台构建智能体实战：Coze、Dify、FastGPT 与 n8n 全解析（hello-agents 第 5 章）

低代码平台构建智能体实战：Coze、Dify、FastGPT 与 n8n 全解析（hello-agents 第 5 章）

【免费下载链接】hello-agents📚 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/datawhalechina/hello-agents

在 hello-agents 开源教程的第 4 章中，我们通过编写 Python 代码，从零实现了 ReAct、Plan-and-Solve、Reflection 等经典智能体范式，打下了扎实的技术底子。但面对快速演进的智能体领域，纯代码开发并不总是最高效的选择——尤其在需要快速验证想法、或非专业开发者参与构建的场景下。本文基于教程 第五章《低代码平台构建智能体》，完整展开 Coze、Dify、FastGPT、n8n 四大代表性低代码平台的定位、原理与实战案例，并结合仓库内对应的可导入工程文件，帮你掌握从"拖拽节点"到"发布上线"的完整链路，理解"平台化"与"代码化"两种开发范式的取舍。

一、为什么需要低代码平台

第 4 章中我们虽然封装了ReActAgent、PlanAndSolveAgent等可复用类，但当业务逻辑复杂化后，纯代码的维护成本和开发周期会急剧上升。低代码平台正是为解决这些痛点而生，其核心价值体现在四个方面：

1. 降低技术门槛：平台将 API 调用、状态管理、并发控制等复杂技术细节封装为"节点"或"模块"，产品经理、设计师、业务专家也能通过拖拽连线参与智能体构建，极大扩展了创新的边界。
2. 提升开发效率：原本需要数天编码的原型验证，用平台几小时甚至几分钟即可完成，开发者可以把精力投入到业务逻辑组织与提示词工程优化上。
3. 更好的可视化与可观测性：相比终端打印日志，图形化平台天然提供智能体运行轨迹的端到端可视化，能清晰看到数据如何在各节点间流动、哪条链路最耗时、哪个工具调用失败。
4. 标准化与最佳实践沉淀：优秀平台内置了 ReAct 预设模板、优化的知识库检索引擎、标准化的工具接入规范等，让团队在统一标准上协作。

需要强调的是：低代码平台不是要取代代码，而是提供更高层次的抽象，让我们从繁琐的底层实现中解放出来，聚焦智能体"思考"与"行动"本身的逻辑。

二、四大平台概览与选型

平台	核心定位	目标用户	关键特征
Coze	零代码/低代码 Agent 构建体验	AI 应用入门用户、产品经理、运营、个人创作者	极友好的可视化界面、丰富的插件库、一键发布到抖音/飞书/公众号等
Dify	开源全功能 LLM 应用开发与运维平台	有一定技术背景的开发者、需要构建可扩展企业级应用的团队	BaaS + LLMOps 理念、Agent 工作流、RAG Pipeline、数据标注、微调
FastGPT	开源知识库问答平台与 Agent 构建工具	想基于私有知识库快速构建智能客服/知识助手的开发者与中小团队	RAG 全链路深度优化、可视化 Flow 编排、模型中立、原生 MCP 支持
n8n	开源工作流自动化工具	需要将 AI 深度集成进现有业务流程的开发者与企业	数百个预设节点、强大的"连接"能力、支持私有化部署

四个平台的仓库配套文件分别为 HelloAgent_cozeCase.zip、HelloAgent_difyCase.yml、HelloAgent_fastgptCase.json 与 HelloAgent_n8nCase.json，下文四个案例均可据此对照还原。

三、平台一：Coze —— 零代码构建"每日 AI 简报"智能体

3.1 Coze 功能模块总览

Coze 是目前市场应用最广泛的智能体平台之一。其界面左侧边栏是开发工作区，包含核心项目开发、资源库、效果评估、空间配置；下方是配套物料空间，包括官方模板、插件商店、智能体社区、API 管理、教程文档与企业级通用管理。右侧则提供模板、更新公告、新手教程、关注与智能体推荐等内容。

Coze 的开发体验可以用"游戏"来类比：工作流是通关路线图，对话流是 NPC 对话关卡，插件是角色技能卡，知识库是游戏百科全书，卡片是快捷道具栏，提示词是角色移动按键，数据库是"云存档"，发布管理是关卡评审，模型管理是角色库，效果评估是评分系统。

• 项目空间：智能体仓库，存放所有开发或复制的智能体与应用；
• 资源库：存放工作流、知识库、卡片、提示词库等开发"武器装备"，决定智能体能力上限；
• 空间配置：统一管理智能体、插件、工作流、发布渠道以及调用的各类大模型。

3.2 案例目标与技能点

本案例构建"每日 AI 简报"智能体：自动从 36Kr、虎嗅、IT 之家、InfoQ、GitHub、arXiv 等信源抓取 AI 领域头条、学术论文与开源项目动态，整合成结构化的专业简报。你将掌握三项核心技能：

• 多源信息聚合：借助 Coze 插件生态实现跨平台、跨类型数据流的无缝集成；
• 智能体行为定义：通过角色设定与提示词工程精确控制任务执行与内容生成；
• 自动化工作流构建：把数据采集、内容处理、格式化输出等环节串联成高效流水线。

3.3 步骤一：添加并配置信源插件

在插件库中搜索并添加所需插件：通过RSS 插件订阅媒体平台的 RSS 订阅源，通过GitHub 插件追踪开源项目，通过arXiv 插件获取最新学术成果。随后对每个插件做细粒度配置：

RSS 链接配置 - 36Kr: https://www.36kr.com/feed - 虎嗅: https://rss.huxiu.com/ - IT之家: http://www.ithome.com/rss/ - InfoQ: https://feed.infoq.com/ai-ml-data-eng/ GitHub 插件配置 - q: AI - per_page: 10 - sort: updated Arxiv 插件配置 - count: 5 - search_query: AI - sort_by: 2

配置完成后，在可视化编排界面中把这些插件（如rss_24Hbj、searchRepository、arxiv等）作为数据输入节点，连接到后续的大模型处理模块，构成完整的数据处理链路。

3.4 步骤二：设置角色与提示词

将智能体设定为"资深权威的科技媒体主编"，并把提示词划分为System Prompt（定义长期行为准则与输出格式规范）与User Prompt（定义具体任务指令与数据来源）。

System Prompt 核心要点：开头显著展示"AI 每日简报 | 日期 | by@作者"；每个标题前根据内容加上独特 Emoji；所有内容必须与 AI、LLM、AIGC、大模型等高度相关；每条内容必须附原始链接并给出简明摘要。

User Prompt 核心要点：

- 信息提取与整合：从 {{articles}}、{{articles1}}、{{articles2}}、{{articles3}} 中筛取与 AI 相关的文章标题与链接，组织为"AI 科技快讯"模块； - 学术论文摘要：从 {{arxiv}} 中基于 arxiv_title 与 arxiv_link 字段归纳最新论文，形成"AI 学术论文"模块； - 开源项目筛选：从 {{GitHub}} 中筛出 5 个最突出的 AI 开源项目，组织为"AI 开源项目"模块； - 输出总量：10 条 AI 科技快讯、5 篇 AI 学术论文、5 个 AI 开源项目。

3.5 步骤三：测试调试与多渠道发布

在预览界面运行智能体，观察生成的简报是否符合预期。若内容不够精炼，修改提示词中的摘要要求；若数据抓取不准确，检查插件配置参数。调试通过后即可一键发布到微信、豆包、飞书等主流平台，也可以把智能体发布到 Coze 商店、集成进 AI 应用对外服务。发布前需为智能体配置合适的名称、头像与欢迎语，以提供更友好的用户体验。

3.6 Coze 的优势与局限

优势：插件生态强大，可轻松接入外部服务与数据源；可视化编排低门槛；通过角色设定与提示词可对输出做细粒度控制，并支持提示词管理与模板；支持多渠道一键发布，且越来越多的手机厂商与硬件厂商逐步支持 Coze 智能体发布。

局限：不支持 MCP（这一点在练习题中也有讨论，虽然feature-mcp已进入 Coze Studio 的 Q4 2025 产品路线图，但当时尚未落地）；部分需要 API Key 的插件配置复杂，复杂工作流编排仍需 JavaScript 或 Python 基础；无法直接导入 JSON 文件，导出/导入的是 ZIP 文件（可使用 Ctrl+A 全选复制布局作为变通方案）。

四、平台二：Dify —— 构建"超级智能体个人助手"

4.1 Dify 平台与生态

Dify 是开源的大模型应用开发平台，融合了BaaS（后端即服务）与 LLMOps理念，提供从原型设计到生产部署的全流程支持。它采用分层模块化架构，分为数据层、开发层、编排层与基础层，各层解耦、便于扩展。Dify 高度模型中立，内置支持数百种开源或商用大模型（GPT、DeepSeek、Llama 及任何兼容 OpenAI API 的模型），支持 Docker Compose 一键本地部署与云部署。

Dify Marketplace 提供插件的一站式管理与一键部署，涵盖Models、Tools、Agent Strategies、Extensions、Bundles五类插件。官方推荐插件包括 Google Search（langgenius/google）、Azure OpenAI（langgenius/azure_openai）、Notion（langgenius/notion）、DuckDuckGo（langgenius/duckduckgo）等。平台还支持与主流 IDE 协作的远程调试功能，插件操作会转发到本地环境进行测试。

4.2 案例目标与整体架构

本案例构建功能全面的"超级智能体个人助手"，涵盖：日常生活问答、文案润色优化、多模态内容生成（图片、视频）、数据查询与可视化分析、MCP 工具集成（高德地图、饮食推荐、新闻资讯）五大模块。多智能体架构使用问题分类器进行智能路由，为每个子智能体定义核心功能与任务范围，确保用户请求被精准分发到对应处理模块。完整的保姆级搭建流程可参考 Extra03-Dify智能体创建保姆级操作流程，整个案例的完整工作流可直接导入 HelloAgent_difyCase.yml。

4.3 插件安装与 MCP 配置

构建前先从 Dify 插件市场安装案例所需插件，然后配置 MCP（Model Context Protocol）。案例使用魔搭（ModelScope）社区 MCP 市场的托管服务进行演示：进入高德地图 MCP 主页后，右侧选择SSE 模式，点击连接配置生成专属的 MCP 配置 JSON。MCP 支持多种通信模式，但在 Dify 中使用SSE 模式更流畅稳定，因此推荐使用。

4.4 五大功能模块实现

（1）日常助手模块：基础对话模块，配置大语言模型与时间工具，作为兜底通用问答。提示词采用结构化 Persona 写法，包含 Profile（语言、描述、背景、性格、专长）、Skills（问题分析、解答提供、沟通表达）、Rules（回答原则与行为准则）、Workflows（目标与步骤）、Initialization（初始化声明）。

（2）文案优化模块：数据显示超 60% 的用户使用大模型做文本优化类任务，文案优化是高频率需求场景。提示词按五段式组织：Role（营销文案优化专家）、Background（原文案与优化背景）、Task（优化结构与语言、提升吸引力与转化潜力）、Limit（不改变核心信息、不虚构内容、避免技术术语）、Output Format（示例：把"我们的产品很好，快来买"优化为超过 500 字、富有感染力与细节的完整文案）。

（3）多模态生成模块：通过即梦（Jimeng）插件实现图片与视频生成。配置步骤：在工作流中添加即梦图片/视频生成插件 → 配置参数（如图片比例 1:1，模型选择等）→ 输出生成文件。从仓库的 HelloAgent_difyCase.yml 中可以看到，该工作流实际调用了即梦系列多个版本模型（如doubao-seedream-4-0/4-5/5-0系列图像模型与doubao-seedance-1-0/1-5/2-0系列视频模型），并通过循环节点进行视频任务轮询、配合参数检索与条件判断，保证了异步视频生成任务的可控性。

（4）数据查询与分析模块：先安装数据查询工具插件（案例使用rookie-text2data插件），关键是为大模型提供清晰的表结构与字段信息（直接提供 DDL 语句，或提供表名与字段名对应关系描述），再配置数据库连接信息（IP、数据库名、端口、账号、密码等），查询结果经大模型节点整理为自然语言输出。数据查询助手与数据分析助手的差异仅在于后者额外挂载了generate_pie_chart/generate_column_chart/generate_line_chart三个 BI 图表生成工具，两者都通过五段式提示词约束角色、任务、限制与输出格式。

（5）MCP 工具集成：选择支持 MCP 调用的 Agent 策略 → 选择 ReAct 模式 → 配置 MCP 服务（注意删除mcp-server前缀，选择 SSE 模式）→ 填写对应提示词。配置完成后，高德助手负责出行路线规划，饮食助手提供餐饮推荐，新闻助手提供资讯服务。

4.5 Dify 的优势与局限

核心优势：全栈开发体验（RAG 管道、AI 工作流、模型管理一体化）；低代码便利性与专业开发灵活性之间的良好平衡；企业级安全与合规（AES-256 加密、RBAC 权限控制、审计日志）；丰富的工具集成能力；活跃的开源社区。

主要局限：对零基础用户仍有一定学习曲线；高并发场景存在性能瓶颈（核心服务端组件基于 Python 实现，性能相对 C++/Golang/Rust 较弱）；多模态支持不足（目前以文本处理为主）；企业版定价较高；API 格式与 OpenAI 不兼容，可能限制与某些第三方系统的集成。

五、平台三：FastGPT —— 打造"智能投资顾问助手"

5.1 FastGPT 平台与核心能力

FastGPT 是开源、基于大模型的知识库问答平台与 Agent 构建工具，核心定位是"企业级 AI 生产力引擎"，围绕"数据导入 — 智能分块 — 向量检索 — 对话生成"完整链路深度优化。登录平台后，左侧导航将核心功能划分为对话框、工作台、知识库、账号四大模块，其中 Agent 模块细分为工作流、对话机器人、对话机器人 V2（Beta）三种类型；主区域提供"从模板创建"快捷入口，内置销售训练大师、文档翻译助手、行业趋势洞察简报等官方模板。

在知识库能力上，FastGPT 支持导入 Word、Markdown、PDF 等多种文件格式，系统自动分块与索引，状态变为"Ready"后即可在对话中检索引用。文件处理层面提供细粒度参数配置：可选用"分块存储"或"问答对抽取"处理方式，设置分块触发条件（如原文长度超过 1000 字符时触发分块），并支持多种索引增强选项——索引添加标题、自动生成补充索引、自动图片索引等。其中自动图片索引对图文混排的教材、研究报告尤其重要，能让大模型在回答时理解并引用文档中的视觉信息。上传后还能逐块查看内容预览与元数据（文件大小、原文长度、处理方式、图片索引状态），便于调试优化。

此外，FastGPT原生支持 MCP（Model Context Protocol）工具，可在"我的工具"模块中统一管理各类 MCP 服务。

5.2 案例目标

构建专业的"智能投资顾问助手"：能回答金融投资理论问题、查询实时股票行情、进行用户风险画像评估，并生成个性化投资策略分析报告。通过本案例掌握 FastGPT 的核心开发范式：知识库构建、MCP 工具集成、可视化工作流编排、多轮对话交互设计。

5.3 步骤一：配置 MCP 工具

智能投资顾问的核心能力之一是获取实时金融数据，本案例需要两类 MCP 服务：

1. 实时股票行情查询：获取个股实时价格、涨跌幅、成交量等数据；
2. 金融数据与图表生成：获取宏观经济金融数据并生成可视化图表。

案例从魔搭社区的 MCP 市场找到基于 TypeScript 开发的"可视化图表 MCP Server"，提供面积图、柱状图、饼图等多种图表生成能力；同时可在阿里云百炼平台的 MCP 管理中找"今日投资-金融"、"且慢"等金融 MCP 服务，以及实时股票行情查询、万象-视频生成等工具。在 FastGPT 的 MCP 工具配置界面填写服务地址与认证信息后即完成接入，每个 MCP 工具可配置独立的描述与调用参数，便于智能体决策时理解工具用途。

5.4 步骤二：设计智能投顾工作流

FastGPT 提供可视化 Flow 编排界面，通过拖拽节点、连接边来构建复杂对话流。整个"智能投资顾问助手"工作流包含多个处理分支：

1. 意图识别节点：先判断用户输入类型——金融概念咨询路由到知识库检索分支；股票查询路由到 MCP 工具调用分支；投资诊断则进入风险问卷收集流程；
2. 投资知识教育专家：连接预置金融知识库，检索投资理论、概念解释与案例；
3. 风险评估分析师：通过表单输入节点引导用户完成风险评估问卷（年龄、投资经验、月收入水平、风险承受能力、投资目标等维度），数据传递给后续大模型节点，结合市场环境、基本面与舆情分析，整合用户画像、市场数据与新闻信息生成结构化投资策略分析报告；
4. 市场资讯情报专家：根据用户需求调用实时股票 MCP 或图表生成 MCP 获取外部数据；
5. 通用咨询专家：响应"你好""在吗"等简单询问。

5.5 步骤三：配置提示词与知识库

为智能投顾助手设置专业的金融投资顾问角色，提示词按五段式组织：Role（专业金融投资顾问，擅长风险评估与资产组合管理）、Background（用户提供年龄、投资经验、月收入、最大可承受亏损、投资目标）、Task（基于以上信息输出风险等级评估结果如保守型/稳健型/进取型，并解释推理）、Limit（不提供具体金融产品推荐、不做保本承诺与预测、不基于假设扩展用户信息、保持客观中立）、Output Format（风险等级评估、评估推理、风险提示三段式输出）。

同时为助手配置金融知识库，上传投资基础、财务报表分析、宏观经济指标解读等文档并按前述流程完成分块与索引。当用户问"市盈率和市净率有什么区别"这类概念问题时，智能体可从知识库检索准确的定义与对比分析，而非完全依赖大模型的预训练知识，从而有效降低幻觉风险。

5.6 步骤四：测试与效果验证

在对话界面测试时，助手的开场白明确介绍三大功能（掌握金融投资理论、实时市场行情与数据、基于风险画像的资产配置建议），并提供一键触发常用任务的快捷按钮。点击"进行资产测评获取投资建议"后，助手依次展开风险评估问卷，基于收集的信息生成完整投资策略分析报告，报告包含四大核心模块：

• 用户风险评估：根据问卷结果分析风险承受等级（如稳健型）；
• 资产配置比例建议：以可视化饼图呈现股票、债券、现金等大类资产配置比例（如股票 45%、债券 40%、现金 15%）；
• 市场基本面分析：基于当前宏观经济环境与行业趋势给出市场判断；
• 再平衡策略：提供周期性组合再平衡建议，包括再平衡周期与触发条件。

在实时数据查询场景中，用户询问"查询贵州茅台的股票价格信息"时，智能体会自动调用 MCP 工具（get_stock_quote_realtime）获取实时行情，返回结果包含标题、数据来源、关键亮点（开盘价、最高价、盘中价格区间、成交量、总市值、流通市值等）以及潜在影响分析与操作建议。在概念解释场景中，回答"市盈率和市净率的区别"时，助手基于知识库与大模型理解给出系统性对比分析：先讲定义与计算方法，再从计算依据、适用行业、反映信息、局限性四个维度对比，最后给出实际应用建议——这正是 RAG 增强大模型在垂直领域问答中的典型优势。

5.7 FastGPT 的优势与局限

优势：知识库体验极致（从文件上传、智能分块、索引增强、图片识别到检索召回，每环都有细粒度配置与透明调试界面，开箱即用）；原生支持 MCP 协议，可与魔搭、阿里云百炼等生态的大量 MCP 服务无缝集成，工具扩展不再受平台内置插件库限制；模型中立设计，灵活接入 OpenAI、Claude、通义千问、DeepSeek 等国内外主流大模型；Flow 模块的可视化编排支持复杂多分支逻辑的快速构建。

局限：模板生态相对薄弱（相比 Coze 丰富的插件商店与 Dify 8000+ 插件的市场，FastGPT 的官方模板与内置工具数量有限）；免费版配额紧张（仅 100 积分、30 QPM 调用频率，知识库索引数与团队成员数也受限，难以支撑中等规模团队协作）；社区与英文文档仍在完善中。

六、平台四：n8n —— 构建"智能邮件助理"

6.1 n8n 的节点与工作流

n8n 的核心身份是通用工作流自动化平台而非纯 LLM 应用构建工具，其世界由两个最基本的概念组成：

• 节点（Node）：工作流中执行特定操作的最小单元，n8n 提供数百个预设节点（发送邮件、读写数据库、调用 API、处理文件等），分为两类：
  • 触发器节点：整个工作流的起点，如"收到新 Gmail 邮件""每小时触发一次""收到 Webhook 请求"——一个工作流必须有且只有一个触发器节点；
  • 普通节点：负责处理具体数据与逻辑，如"读取 Google Sheets""调用 OpenAI 模型""在数据库插入记录"。
• 工作流（Workflow）：由多个节点连接而成的自动化流程图，数据以结构化的 JSON 格式在节点间传递，可精确控制每个环节的输入输出。

n8n 的强大之处在于"连接"：把原本孤立的 CRM、社交媒体、数据库与大模型等应用和服务串成端到端自动化流程。环境配置与最基础的使用方法可参考仓库 N8N 安装指南（基于 Docker 一键部署，也可参考 Node.js 安装指南 准备相关运行环境）。本案例的完整工作流可直接从 HelloAgent_n8nCase.json 导入还原。

6.2 案例架构：从"线性流程"到"自主决策"

传统自动化流程是线性的，而本案例构建的智能邮件助理将通过核心AI Agent 节点"思考"：接收用户邮件 → 自主理解用户意图 → 在多个可用"工具"中做出决策选择 → 自动生成并发送高相关度的回复。整体决策逻辑为接收 -> AI Agent（思考 -> 决策 -> 工具调用）-> 回复。与把工具拆分成多个子工作流的传统方式不同，n8n 的AI Agent节点允许在统一界面中集成大语言模型（LLM）、记忆（Memory）与工具（Tools），大幅简化构建过程。构建分两步：先准备 Agent 的"记忆"（加载私有知识库），再构建 Agent 主体（接收邮件、思考、回复的主工作流）。

6.3 构建 Agent 私有知识库

为了让 Agent 能回答特定领域问题（如个人信息或项目文档），需要先为它准备"外部大脑"——向量知识库。使用Simple Vector Store节点即可在内存中快速构建，该准备工作通常在更新知识时运行一次。

（1）定义知识来源：使用Code节点以 JSON 格式存放原始知识文本：

return [ { "doc_id": "work-schedule-001", "content": "My working hours are Monday to Friday, 9 AM to 5 PM. The timezone is Australian Eastern Standard Time (AEST)." }, { "doc_id": "off-hours-policy-001", "content": "During non-working hours (including weekends and public holidays), I cannot reply to emails immediately." }, { "doc_id": "auto-reply-instruction-001", "content": "If an email is received during non-working hours, the AI assistant should inform the sender that the email has been received and I will process and reply as soon as possible between 9 AM and 5 PM on the next working day." } ];

（2）文本向量化：使用Embeddings Google Gemini节点（模型选择gemini-embedding-exp-03-07，仓库工程文件 HelloAgent_n8nCase.json 中对应配置为models/gemini-embedding-exp-03-07），连接在Code节点之后，自动把上游文本转换为向量数据。

（3）存入向量存储：使用Simple Vector Store节点，操作模式选择Insert Documents（写入模式），为知识库设置唯一名称（Memory Key），例如my-dailytime——这个 Key 相当于数据库的"表名"，Agent 后续将据此查找信息。配置完成后手动执行一次该流程，私有知识即被加载进 n8n 内存。

6.4 构建 Agent 主工作流

（1）配置 Gmail 触发器：新建名为Agent: Customer Support的工作流，使用Gmail节点作为触发器，Event 设为Message Received并配置邮箱账号（需在 Google Cloud 控制台创建凭据、选择 Web application 类型获取 client ID 与 client secret，把 n8n 提供的 OAuth Redirect URL 添加到授权重定向 URI，并在 Audience 中添加自己的邮箱）。配置完成后可点击Fetch Test Event获取真实邮件进行测试。

（2）配置 AI Agent 节点：从节点菜单拖入AI Agent节点并配置：

• Chat Model：连接所选大语言模型，如Google Gemini Chat Model，作为 Agent 的"思考核心"；
• Memory：连接Simple Memory节点，让 Agent 在同一邮件线程处理多轮往来邮件时记住历史对话；
• Tools：案例连接两个工具——SerpAPI（第 4 章案例中用过的 API，赋予 Agent 联网搜索公开信息的能力）与Simple Vector Store（赋予查询第一部分创建的私有知识库的能力）。

AI Agent节点的提示词设计是关键。User Message 注入上下文信息（当前时间、发件人、主题、邮件正文），System Message 定义角色目标（24/7 在线的专业 AI 邮件助理）、可用工具（Simple Vector Store2查询工作时间、SerpAPI作为主要信息源）、执行步骤（分析问题 → 并行收集信息 → 起草核心回复 → 根据是否工作时间拼接状态前缀 → 严格 JSON 格式输出），并约束输出格式：最终回复 JSON 的body字段中所有换行必须使用 HTML<br>标签。

（3）配置 Agent 的工具：Simple Vector Store工具需配置：操作模式为Retrieve Documents (As Tool for AI Agent)（作为工具读取）、Memory Key 与第一部分完全一致（my-dailytime）、Embeddings 使用与第一部分完全一致的Embeddings Google Gemini模型。只有当 Memory Key 与 Embeddings 模型完全一致，Agent 才能用正确的"钥匙"和"语言"访问知识库。同时为工具填写 Description 描述（说明该工具用于查询个人工作时间与邮件回复策略），供 AI Agent 调用时理解。Simple Memory则以每个邮箱的线程名作为唯一标识保证存储唯一性，Key 设为{{ $('Gmail').item.json.threadId }}。

（4）发送最终回复：将AI Agent节点输出连接到Gmail节点，Operation 设为Send，用 n8n 表达式把收件人、主题、正文关联到 AI Agent 输出的 JSON 字段：

- To: {{ $('Gmail').item.json.From }} - Subject: Re: {{ $('Gmail').item.json.Subject }} - Message: {{ $json.output }}

发送成功后可在个人邮箱收到真实回信。此后发送测试邮件即可验证整套"接收-思考-决策-回复"流程。该架构扩展性极强，未来可直接在AI Agent节点上增加更多工具（日历、数据库、CRM 等），只需在提示词中教会 Agent 如何使用它们。

6.5 n8n 的优势与局限

优势：开发效率高（把复杂逻辑抽象为直观可视化工作流，数据流与处理链路一目了然）；功能强大、集成度高（数百个预设节点，AI Agent节点把模型、记忆、工具管理高度集成，Code节点还提供自定义代码的灵活性）；支持私有化部署，可以把整个服务部署在自己的服务器上，确保内部邮件、客户数据等敏感信息不出自有环境。

局限：工作流复杂后调试与错误处理相对繁琐（数据格式错误时需逐个节点检查输入输出）；内置存储不持久（Simple Memory与Simple Vector Store都是基于内存的，服务重启后对话历史与知识库全部丢失，生产环境需替换为 Redis、Pinecone 等外部持久化数据库）；版本控制与多人协作不如传统代码成熟（工作流导出为 JSON 后对比变更远不如git diff清晰，多人同时编辑易冲突）；超高频并发场景下节点调度机制可能带来一定性能开销。

七、总结与选型建议

四个平台各具特色：

• Coze以零代码友好体验与丰富插件生态见长，"每日 AI 简报"案例演示了如何通过拖拽配置快速整合多源信息并一键发布到多个主流平台，适合无技术背景用户与快速验证想法的场景，但存在不支持 MCP、无法导出标准化配置文件等局限；
• Dify作为开源企业级平台展现全栈开发能力，"超级智能体个人助手"案例覆盖日常问答、文案优化、多模态生成、数据分析与 MCP 工具集成等多个模块，其丰富的插件市场、灵活的部署方式与企业级安全特性使其成为专业开发者与企业团队的理想选择，但学习曲线与高并发性能需要权衡；
• FastGPT以极致的 RAG 知识库体验在垂直领域问答场景中胜出，"智能投资顾问助手"案例演示了从知识库构建、MCP 工具集成到可视化工作流编排的完整开发范式，其分块、索引增强、图片识别的细粒度控制在企业知识助手与智能客服场景优势明显；
• n8n以独特的"连接"能力开辟另一条路径，"智能邮件助理"案例展示了如何将 AI 能力无缝嵌入复杂业务流程自动化，AI Agent节点高度集成模型、记忆与工具，配合数百个预设节点可实现高度定制化自动化方案，私有部署能力对重视数据安全的企业尤其重要。

基于四个平台的对比实践，可以得出如下选型建议：

场景	推荐平台
快速原型验证、非技术用户	优先 Coze
企业级应用、复杂业务逻辑、多模态生成	优先 Dify
基于私有知识库的问答系统、智能客服	优先 FastGPT
深度业务集成、通用自动化流程	优先 n8n

需要强调的是，低代码平台并非要取代代码开发，而是提供互补选择。实际项目中可以按阶段灵活切换：用低代码平台快速验证想法、用代码实现细粒度控制；用平台处理标准化流程、用代码处理特殊逻辑。这种"混合开发"思维才是智能体工程的最佳实践。

八、练习与思考

1. 平台定位对比：分析 Coze、Dify、FastGPT、n8n 在核心定位与设计理念上的差异，它们分别解决智能体开发中的哪些痛点？低代码平台、纯代码开发、"混合开发"三种模式各适合什么场景？
2. Coze 拓展：如何把"每日 AI 简报"从被动触发改为每天早上 8 点自动生成并推送指定飞书群或公众号？如何优化提示词让简报更专业、结构更清晰或新增"热点分析""趋势预测"功能？Coze 不支持 MCP 是重要局限（feature-mcp虽在 Coze Studio Q4 2025 产品路线图中但尚未实现），请说明 MCP 协议是什么、为何重要，以及 Coze 支持 MCP 后会带来哪些新可能。
3. Dify 深挖：多智能体架构中"问题分类器"智能路由相比单 Agent 处理所有任务有何优势？如果数据库有 50 张表、每表 20 个字段，直接把所有 DDL 塞进提示词会导致上下文过长，请设计更聪明的解决方案。对比 Dify 本地部署与云部署在数据安全、成本、性能、维护难度上的差异及适用场景。
4. FastGPT 深挖：对比 FastGPT 与 Dify 的知识库处理（文件分块、索引增强、图片识别）在设计理念与适用场景上的差异。如果 FastGPT 不原生支持 MCP，如何用替代方案实现同样功能？免费版仅 100 积分、30 QPM，为服务 1000 用户的创业团队设计兼顾成本与性能的方案。
5. n8n 深挖：把Simple Vector Store与Simple Memory替换为 Pinecone、Redis 等持久化存储并说明配置过程。如果用户邮件含 PDF、图片等附件，如何扩展工作流让 Agent 理解附件内容并回复？设计一个电商场景：客户下单后自动触发发送确认邮件、更新库存数据库、通知物流系统、在 CRM 记录客户信息的完整工作流，画出节点连接图并说明关键配置。
6. 提示词工程：对比四个案例（Coze、Dify、FastGPT、n8n）的提示词设计在结构、风格与侧重点上的差异，这些差异是否与平台特性相关？Dify 文案优化模块要求"输出超过 500 字"，这种硬性长度要求是否合理？什么情况下应限制输出长度、什么情况下应让模型自由表达？
7. 工具与插件扩展：如果四个平台都没有你需要的工具（如"连接公司内部系统 API"），你如何解决？研究并说明 MCP 协议与 RESTful API、Tool Calling 的差异，为什么 MCP 被称为智能体工具调用的"新标准"？若为 Dify 开发一个调用公司内部知识库系统的自定义插件，请概述开发流程与关键技术点。
8. 平台选型综合题：假设你是创业公司技术负责人，为以下三个应用选择最合适的方案（Coze、Dify、FastGPT、n8n 或纯代码），并从技术可行性、开发效率、成本控制、可维护性、可扩展性、数据安全与合规六个维度分析：
   • 应用 A：面向 C 端用户的"AI 写作助手"小程序，需快速上线验证市场需求、预算有限、团队只有 1 名前端工程师和 1 名产品经理；
   • 应用 B：面向企业客户的"智能合同审查系统"，需处理敏感法律文档、数据不能离开客户私有环境、需与客户现有 OA 与文档管理系统深度集成；
   • 应用 C：内部"研发效能提升工具"，需自动化代码审查、测试报告生成、缺陷跟踪、项目进度同步等研发环节，团队技术能力强。

参考资料

[1] Coze——下一代 AI 应用开发平台。 https://www.coze.cn/

[2] Dify——开源 LLM 应用开发平台。 https://dify.ai/

[3] FastGPT——开源知识库问答平台与 Agent 构建工具。 https://fastgpt.io/en/

[4] n8n——工作流自动化工具。 https://n8n.io/

【免费下载链接】hello-agents📚 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/datawhalechina/hello-agents