[智能体-441]：Coze：SDK应用、API应用、Web应用、智能体、工作流、资源、插件、RAG向量库、表数据库、大模型的关系

一、自底向上分层架构（从底层基座到前端交付）

第 1 层：底层基础设施（数据 / 算力底座）

大模型（LLM）整个平台的推理核心，智能体、工作流所有生成、理解、意图识别、摘要能力全部依赖大模型； 包含对话主模型、Embedding 向量模型、多模态模型，可在智能体 / 工作流节点自由切换。

资源层（统一共享数据资产，空间内全局复用）资源分为两类存储载体，都存于「空间资源库」，可被智能体、工作流全局引用：

1. RAG 向量数据库（知识库）存储非结构化文档（PDF/Word/ 网页），自动切片 + 向量化，提供语义相似度检索；只读，用于私有知识问答、消除模型幻觉。
2. 表数据库（结构化数据表）类关系型数据库，固定字段结构化存储；支持完整增删改查、SQL 聚合、业务状态持久化、表单数据存档。
3. 插件 Plugin（资源库统一管理） 标准化工具能力集合：内置插件（联网搜索、绘图、文件处理）、自定义 API 插件、Python 代码工具；提供外部系统打通能力，属于可被工作流 / 智能体调用的工具资源。

三者关系：大模型负责理解生成；向量库存文档知识；数据表存业务结构化数据；插件打通外部系统，全部作为底层可复用资源供给上层智能体 / 工作流。

第 2 层：逻辑编排执行层（核心调度引擎）

1. 工作流 Workflow

可视化 DAG 流水线引擎，Coze 通用任务编排载体，独立可运行单元，定位是「标准化多步骤任务流水线」。

• 可独立发布为 API、被智能体嵌套调用；
• 节点可挂载：大模型、知识库检索、数据表增删改查、插件、代码、意图识别、分支判断；
• 适用：复杂意图拆解、RAG 问答链路、数据处理、审批流程、批量生成、人在回路；
• 与资源关系：工作流消费资源，在节点内读取向量库、读写数据表、调用插件、调用大模型。

2. 智能体 Agent（Bot）

面向用户交互的顶层业务载体，对外提供对话能力，内置两种执行模式：

1. 自主规划模式：大模型自主决策调用插件 / 知识库；
2. 对话流模式：绑定指定工作流，严格按流水线执行任务。

• 智能体自带人设 Prompt、对话上下文记忆；
• 依赖关系：智能体可以直接调用资源（插件、知识库、数据表），也可以嵌套调用任意工作流，复用流水线逻辑；
• 本质：智能体 = 对话入口 + 大模型大脑 + 可挂载的资源 / 工作流技能包。

第 3 层：对外接入交付层（外部调用 / 前端访问渠道）

三类渠道是智能体 / 工作流的对外出口，不包含业务逻辑，仅做转发、鉴权、交互展示：

1. Web 应用Coze 一键生成网页对话界面，用户直接浏览器访问，底层封装调用对应智能体；纯前端交互载体。
2. API 应用（RESTful 接口）将智能体 / 工作流封装为 HTTP 接口，提供鉴权 Key，第三方系统（Java/Python 服务、小程序、飞书机器人）远程调用； 分为「智能体 API」和「工作流独立 API」两类。
3. SDK 应用Coze 官方 Python/JS SDK，对原生 API 做封装，提供会话管理、流式输出、错误重试、上下文维护，开发者在自有代码中便捷调用智能体 / 工作流能力。

二、层级依赖简图（从上到下调用链路）

plaintext

外部用户/第三方系统 ↓ Web应用 / API应用 / SDK应用 【接入层：访问入口】 ↓ 智能体 Agent 【交互业务主体，可直接调用资源/嵌套工作流】 ↘️ ↙️ 工作流 Workflow 【逻辑编排流水线，消费全部底层资源】 ↓ ┌─────────┬─────────┬─────────┐ │插件Plugin│向量数据库RAG│表数据库│ 【资源层：数据/工具资产】 └─────────┴─────────┴─────────┘ ↓ 大模型 LLM 【底层推理基座，所有理解生成依赖】

三、核心概念两两关系详解

1. 智能体 ↔ 工作流

1. 智能体可以不依赖工作流：简单问答直接挂载知识库 + 插件，靠大模型自主规划；
2. 智能体可以绑定 / 调用工作流：复杂标准化流程（文案生成、工单审批）封装为工作流，智能体收到指令后跳转执行；
3. 工作流可独立存在：不依附智能体，单独发布 API，用于后台自动化、批量处理，无需对话交互；
4. 复用关系：同一工作流可被多个智能体调用；同一空间资源可被智能体、工作流共享。

2. 工作流 ↔ 资源（插件 / RAG 向量库 / 数据表）

• 插件：工作流工具节点直接调用，用于联网、绘图、第三方接口、代码计算；
• RAG 向量库：知识库检索节点读取文档片段，作为上下文喂给大模型做问答；仅读不可写；
• 数据表：专用节点实现查询 / 新增 / 更新 / 删除 / SQL 统计，持久存储结构化业务数据；可读可写；
• 三者均为工作流的「数据 / 工具供给」，工作流是唯一能串联三者完成完整业务链路的载体。

3. RAG 向量库 VS 表数据库（资源层两大存储）

表格

4. Web 应用 / API / SDK 三者区别（接入层）

1. Web 应用零代码前端界面，面向终端用户聊天使用；底层封装智能体，无需开发；
2. API 应用原始 HTTP 接口，面向后端系统、小程序、机器人打通；提供原始请求 / 响应；
3. SDK 应用API 的代码封装包，面向开发者二次开发；简化会话、流式、异常处理，降低接入成本；统一底层：三者最终都会转发请求到对应智能体 / 工作流执行。

5. 大模型与其余所有概念的关系

大模型是基础能力提供者：

• 智能体靠大模型理解用户提问、生成回复、规划工具调用；
• 工作流内部 LLM 节点、意图识别、文本处理全部依赖大模型；
• RAG 检索出的文档必须送入大模型才能生成回答；
• 数据表查询的结构化数据，由大模型整合润色输出；
• 插件调用的入参、返回结果解析，由大模型完成 Function Calling。

四、标准完整业务链路示例（电商售后智能体）

1. 用户打开 Web 网页（Web 应用）发送提问：「耳机保修政策，帮我提交故障工单」
2. 请求转发至智能体；
3. 智能体意图识别，分流两个分支：
   • 分支 1（政策咨询）：调用工作流 RAG 问答流水线工作流节点：知识库检索节点（读取 RAG 向量库保修文档）→大模型生成政策回复
   • 分支 2（工单提交）：调用工单处理工作流工作流节点：提取用户故障信息 → 数据表新增节点（写入工单表数据库）→插件推送消息到企业微信
4. 所有节点的文本理解、内容生成、参数提取均依赖底层大模型；
5. 第三方 CRM 系统可通过 SDK/API 调用该智能体，同步工单数据。

五、一句话核心总结

1. 大模型：AI 大脑，一切理解与生成的底层算力；
2. 资源（RAG / 数据表 / 插件）：平台可复用的数据、工具资产；
3. 工作流：可视化任务流水线，串联资源与模型，标准化复杂逻辑；
4. 智能体：面向用户的对话 AI 主体，可直接使用资源或调用工作流；
5. Web/API/SDK：智能体、工作流对外提供服务的三类访问渠道。