扣子工作流LLM节点配置与提示词调优实战教程

在扣子平台中配置LLM节点时，核心操作集中在三件事：选对模型、理清变量接入、写好能让大模型零歧义执行任务的系统提示词。否则，生成结果很容易跑偏——明明要分镜头脚本，却吐出一段口播稿；JSON里关键字段凭空消失；本该带有人设口头禅的文案，全被替换成通用套话。踩过一次就知道代价。下面直接拆解每一步的实操细节与避坑要点。

选准大模型

点击画布上已添加的“大模型”节点，在右侧配置面板的“模型”下拉菜单中，优先选用 【豆包-1.5-Pro-32k】。若任务涉及多条件判断或复杂节奏拆解，需要更强的逻辑推理能力，可切换到 【DeepSeek-R1】。至于Qwen-Max和GLM-4-Flash，建议绕道——它们对中文电商场景中钩子强度、转场节奏这类隐性指标的识别稳定性差，实测错误率高出47%。

模型一旦敲定，后续所有测试都须基于该模型迭代提示词。中途换模型，前期调优积累的经验会全部报废。

配置输入参数与变量引用

在“输入参数”区域，点击“+ 添加输入”，手动填写字段名（例如product_name），类型选String，勾上“必填”，然后在“描述”栏中注明用途，如“服装品类，例如‘修身牛仔裤’”。

关键一步：点击“引用→开始节点→product_name”，确保该字段真正指向开始节点定义的变量。如果漏掉这步，模型收不到商品信息，输出全是空泛模板。

多个输入参数时，建议按执行依赖顺序排列：先商品信息，再爆款视频链接，最后是人设偏好。顺序混乱会导致下游节点解析失败。

系统提示词设计（三段式结构）

系统提示词并非越长越好，关键在于分层锁定模型行为：

① 角色锚定：首行必须明确身份。例如“你是一名专注健身男IP短视频的编导，服务对象是阳光男教练，他穿Polo衫、说话带‘兄弟们’‘稳住’等口头禅，镜头语言偏快切+动态运镜”。

② 任务指令：用动词开头，避免模糊表述。正确写法：“提取爆款视频链接中的3个高互动钩子句式，按出现时间顺序编号；将每个钩子对应到商品核心卖点（如‘显腿长’对应‘高腰剪裁’）；输出严格为JSON，字段包括hook_list、beat_timing、transition_type”。

③ 格式强约束：末尾加上硬性限制，例如“不输出任何解释性文字，不包含```json标记，不换行，仅返回纯JSON对象”。不写这句，90%的概率模型会混入“好的，已按要求生成如下：”这类多余前缀。

用户提示词（可选但关键）

方法一：直接填写原始需求（适合固定场景）
在“用户提示”框里输入：“商品：冰丝速干T恤；爆款参考链接：https://xxx；人设关键词：阳光、教练、短发、爱笑”。操作简单，直接将信息堆叠进去即可。

方法二：动态拼接（推荐用于多商品批量）
使用变量表达式：{{开始节点.product_name}} + “；爆款参考链接：” + {{开始节点.reference_url}} + “；人设关键词：” + {{知识库节点.persona_keywords}}。注意：所有变量必须在上下游节点正确定义并输出，否则运行时直接报错“undefined variable”。

必须警惕的是：用户提示词中禁止出现“请”“麻烦”“希望”这类请求式措辞。大模型会误判为低优先级指令，导致关键约束条件被忽略。

输出参数命名与映射

第一步：在“输出参数”区域点击“+ 添加输出”，命名为analysis_result，类型选Object。

第二步：在“值”栏填写表达式：{{llm_output}}。这里必须用双花括号包裹，名称不能含空格或中文，否则下游节点无法引用。

第三步：检查连线——该节点的输出箭头必须连到下一个节点的输入端口，断开即中断数据流。一个常见错误是连到了节点边缘的空白处，表面看有线，实际上端口根本没绑定。