要让扣子工作流稳定高效运行，需先画清流程再创建：登录coze.cn→进工作空间→资源库→+工作流→填名称（字母/数字/下划线开头）和描述→确认；创建时必须勾选所需输入类型并设为必填；避免滥用llm节点、condition分支超3个须拆分、loop必须设上限；通过加计时节点、合并code、插件前加缓存、llm强制json schema、静态资源走cdn五步优化性能。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要让扣子工作流稳定跑通、响应够快、维护不崩溃，而不是建完就扔进角落等它某天突然超时失败。
先画清楚流程再拖节点
打开Coze官网（coze.cn）→ 进入工作空间 → 资源库 → 点击 + 资源 → 选择 工作流 → 填写名称（必须以字母、数字或下划线开头）和描述 → 确认创建。
别急着往画布里拖节点。先在纸上或白板上画出完整路径：用户输入什么 → 经过哪几步处理 → 每个分支的判断条件是什么 → 最终输出格式要求是什么。这一步漏掉，后面90%的返工都源于此。
开始节点默认只带一个String输入框，如果需要接收文件、数组或多字段结构化数据，【必须在创建时就勾选对应类型并设为必填】，否则后续无法引用该变量，改起来要删掉整个工作流重来。
核心节点选型与避坑指南
方法一：LLM节点不是万能胶水
别把所有文本处理都塞进LLM节点。比如JSON字段提取、字符串截取、日期格式转换——这些用Code节点3行代码搞定的事，硬塞进LLM不仅慢，还容易因温度值波动导致结果不一致。
方法二：Condition节点超过3个分支必须拆
当你发现Condition节点里写了“如果A就走1，如果B就走2，如果C就走3，如果D就走4，否则走5”——立刻停手。这种写法会让调试时根本分不清哪条路径被触发。正确做法是：前两个条件走主干，其余封装成独立子工作流，用Workflow节点调用。
方法三：Loop节点不设上限=定时燃烧token
循环处理列表时，务必在Loop节点配置中手动填写“最大循环次数”。我见过最凶的一次：忘了设上限，一个含27条数据的数组被反复执行了186轮，单次运行烧掉4200 tokens，账单直接跳涨三倍。
性能优化五步实操
第一步：加计时诊断节点
在每个业务节点（LLM/Plugin/Code）输出后，追加一行 elapsed: Date.now()，传给下游；最后接一个纯诊断用Code节点，运行这段脚本：
function main({ timings }) { const report = Object.entries(timings || {}).sort((a, b) => b[1] - a[1]).map(([node, ms]) => `${node}: ${(ms / 1000).toFixed(1)}s`).join('\n'); return { report }; }
第二步：合并相邻Code节点
三个串行Code节点（解析→取字段→拼字符串）耗时≈0.3s + 0.15s启动开销；合并成一个后，耗时压到0.18s以内，且避免2次变量序列化损耗。
第三步：插件调用前加缓存判断
如果插件功能是查天气、搜新闻这类结果变化慢的服务，在调用前插入一个Code节点，用当前日期+关键词生成cacheKey，查本地变量是否存在。存在则跳过插件直取缓存，省下3–8秒等待时间。
第四步：大模型输出强制JSON Schema
在LLM节点配置里开启“结构化输出”，粘贴标准JSON Schema。不这么做的话，模型可能在返回末尾多加一句“以上就是全部内容”，导致下游JSON.parse()直接报错中断。
第五步：静态资源走CDN不走工作流
生成海报、导出PDF、压缩图片这类操作，别用Image节点或Code节点硬扛。直接调用已部署好的HTTP API，把压力从扣子运行时剥离出去。HTTP节点本身不计费，但Image节点每张图都要扣tokens。
