Coze工作流实战：从零搭建历史主题图片生成器

最近我在Coze上搭了一个历史主题图片生成器，输入“宋代街头的茶坊”这种一句话，它就能给我生成四张宋代市井风味的图。这套东西折腾了两周，从最初只会输出“古装美女”的玩具，到后面能区分唐宋明清的服饰场景，中间踩了不少坑。今天把完整的搭建过程、节点配置和调试经验都整理出来。

这个生成器的核心玩法，是用Coze工作流把大模型的文案能力和图像生成插件串成一条流水线：用户输入历史主题，先让LLM节点把需求拆成结构化的画面要素，再去知识库里校验朝代、服饰、器物这些关键信息，最后交给图像生成节点出图。整个流程不需要写代码，在可视化画布里拖拽节点就能完成。

如果你平时做历史科普内容、古风设计，或者单纯想系统学一下Coze工作流的落地方法，这篇应该能给到一套可以直接照抄的参考方案。

1. 为什么用工作流做历史图片生成，而不是让Agent自由发挥

1.1 直接对话生成图片的三个坑

最早我想得简单，直接在Coze智能体里挂一个“图片生成”工具，然后开始对话让它画图。试下来的结果非常不稳定，主要就三个问题。

第一是意图漂移。我说“画一个唐代仕女”，它确实会画一个古装女性，但发型、妆容、服饰经常混搭，有时候会出现清代旗头配唐代襦裙这种离谱组合。原因是模型在自由对话状态下，很难主动去关联“唐代”背后那套复杂视觉知识。

第二是不可控的prompt发散。AI生成图片靠的是提示词，直接对话时，模型写的提示词风格每张都不同，有的偏水墨，有的偏写实，有的偏二次元。同一个历史主题，前后两次生成的结果风格跳跃很大，没法做系列图。

第三是没有“校验”这一步。历史图像最重要的是细节准确，比如宋代女子常穿褙子，唐代女子流行齐胸襦裙。直接丢给模型，它没有校验能力，经常画错。即使错了，你在对话里也很难查它到底哪来的依据。

所以用工作流，本质上是给AI加了一条可控的“流水线”，每个环节的职责都固定下来，输出自然就更稳定。

1.2 工作流等于一条“可视化生产流水线”

Coze工作流给我的感觉，很像工厂里的生产流水线。用户输入是原料，每个节点是一台加工设备，节点之间的连线就是传送带。原料经过打磨、质检、组装，最终变成成品图片。

和自由对话相比，工作流有一个核心优势：确定性。同一个输入进来，走的路径、调用的模型、使用的提示词模板都是固定的，不会每次自由发挥。这在批量做图的时候特别重要，尤其是历史主题这种需要风格统一、知识准确的内容。

另一个优势是“中间过程可干预”。你不喜欢最终图片，可以直接去看是哪个环节出了问题：是知识库没检索到内容，还是提示词生成得不好，还是图像插件本身画得不对。自由对话模式下，AI的思考过程是个黑盒，出了问题只能反复描述、反复试，效率很低。

还有一点，工作流可以把“专业经验”沉淀下来。比如我总结的“唐代仕女提示词模板”，放在工作流里之后，任何不懂历史的小白来用，都能生成质量稳定的图。这就是把个人经验变成了可复用的产品能力。

1.3 我为什么选Coze而不是Dify、n8n、ComfyUI

聊到工作流，绕不开几个同类工具：Coze、Dify、n8n、ComfyUI。我一开始也在纠结，后来逐个试了一遍，才确定Coze最适合这个场景。

先从ComfyUI说起。它是图像生成领域的神器，节点化控制Stable Diffusion很强，但它的节点管的是采样器、模型、LoRA这些底层参数，不负责理解自然语言。我输入“宋代茶坊”，它不会自动帮我拆解成提示词，还得另找一套LLM流程来配合。而且ComfyUI吃本地配置，没有好显卡玩不转。

Dify更偏向企业级的大模型应用开发，支持私有化部署、知识库、Agent编排，功能扎实。但对只想快速做一个小工具的人来说，门槛偏高，需要自己准备模型API、处理部署问题，折腾成本大。

n8n则偏自动化集成，擅长连接各种外部系统，比如把表单数据写到数据库、把通知发到IM，本身没有图像生成生态，做图片生成器还得绕很多弯。

Coze正好卡在这些工具的中间地带：不用部署、插件商店里直接找图像生成工具，有内置知识库，能快速接入对话。对“历史主题图片生成”这种偏内容创作的应用来说，它是最省事的选择。当然，如果以后要大规模商用或私有化，Dify还是值得迁移的，那是另一回事。

2. 历史主题图片生成器的整体设计与流程拆解

2.1 核心流程：从一句话到一张历史风格图

整套工作流我设计成六个环节：接收输入、意图理解、知识校验、提示词生成、图片生成、结果交付。每个环节都是独立节点，用连线串起来。

第一步接收输入。用户只要填一个主题词，比如“唐代仕女游春”“宋代点茶”“明清书斋一角”，再选一下画幅比例和风格偏好（工笔、水墨、写实等）。非必填项不填也有默认值。

第二步意图理解。一个大模型节点负责把所有输入参数转化成结构化的JSON数据，相当于“导演分镜”，把“唐代仕女游春”变成画面要素：时代背景、主体人物、服饰特点、场景环境、色调风格。

第三步知识校验。这是整套流程里最有价值的一环。系统拿上一步提取出的历史关键词，去历史知识库检索相关片段，再把检索结果附给大模型二次校对。校对完的关键词，比如“齐胸襦裙”“高髻”“披帛”，会被写进最后的图像提示词里。

第四步生成提示词。另一个大模型节点根据固定的模板和知识检索片段，生成完整英文提示词（图像插件对英文支持普遍更好），同时生成负面提示词。

第五步图片生成。提示词传给图片生成插件，按指定比例