借助AI自动查询天气、日历并生成提醒邮件，听起来一气呵成。但在实际搭建扣子工作流时，许多人卡在第三步——变量传递失败、JSON格式混乱、流程报错频发。这往往不是单个插件的问题，而是整个数据流梳理不清晰导致的。

先跑通单节点：别急着连插件

最稳妥的做法是从最简结构起步。打开工作流编辑器，拖入【开始节点】、【大模型节点】和【结束节点】，用连线连成一条直线。

在开始节点中，仅设定一个字符串类型变量，命名为【query】，值填写“今天北京天气怎么样”。然后双击大模型节点，在Prompt框内写：“请用一句话回答{query}，不要加额外解释。”务必注意，大括号内的变量名必须与前面设定完全一致，即使少一个字符或多一个空格，变量都可能变为空，导致流程静默失败。

这个基础操作的核心在于变量类型必须与输入内容一致。很多人习惯性将参数类型选为Number，结果输入文字后节点无法处理，流程直接中断。确保单线能通，是搭建复杂工作流的基础前提。

多节点串联：用代码节点做数据清洗

当你开始引入天气插件、日历插件后，问题变得复杂。这些插件返回的往往是深层嵌套的JSON对象。例如，天气插件可能返回 {“data”:{“forecast”:[{“date”:”2026-06-13”,“temp”:”28°C”}]}}，而你真正需要的可能只是“28°C”这个字符串。

此时，直接让大模型从混乱的JSON中提取信息并不可靠，它可能产生“幻觉”输出错误数据。更稳健的做法是，在插件节点后添加一个【代码节点】进行数据清洗。

方法一：用代码节点提取关键字段

选择Python语言，粘贴类似以下代码：

def main(args):
 import json
 try:
  data = json.loads(args.input.get("weather_result", "{}"))
  temp = data.get("data", {}).get("forecast", [{}])[0].get("temp", "未知")
  return {"cleaned_temp": temp}
 except Exception as e:
  return {"cleaned_temp": "解析失败"}

这段代码的作用是精确提取所需字段，并提供基础容错能力。即使插件返回的JSON结构有微小变化，流程也不至于立即崩溃，而是返回一个“解析失败”提示，便于后续处理。

方法二：用变量节点中转并命名

经过代码节点清洗后，输出一个如cleaned_temp的字段。建议紧接着用一个【变量节点】，将这个字段赋值给新变量，例如【final_temp】。在后续大模型撰写邮件的Prompt中，引用{final_temp}。

这样做的好处是数据流清晰，调试时也能方便地单独查看关键变量的值，比跨越多个节点追踪原始字段更稳定。

加条件分支：让流程真正“懂判断”

要让工作流具备智能决策能力，条件分支不可或缺。例如，只有当成功获取温度数据后，才触发写邮件操作。

操作上，先在需要分流处插入一个【条件分支节点】。点击配置，在“判断条件”栏输入表达式，例如：

args.input.get("cleaned_temp", "").find("°C") != -1

这个表达式检查cleaned_temp字段是否包含“°C”字符。然后从节点拖出两条分支线，分别标注“是”和“否”。将“是”分支连接到生成邮件的大模型节点；“否”分支则连向一个【结束节点】，并设置输出提示，如“未获取到有效温度数据”。

很多流程失败，根源不在于下游模型能力不足，而是上游没有有效过滤或拦截“脏数据”。一个简单的条件判断，就能避免因空值或异常格式导致的连环崩溃。

需要牢记的是，条件分支的表达式必须返回布尔值（True或False），不能在其中写打印语句或赋值操作，否则判断逻辑会失效。

调试与发布：看得到每一步的输入输出

在点击最后的【发布】按钮前，务必进行充分调试。利用编辑器右上角的【测试】功能，输入测试值，然后仔细观察每个节点下方实时显示的Input（输入）和Output（输出）面板。

重点排查几个关键位置：开始节点是否准确接收原始query；插件节点是否返回非空JSON数据；代码节点输出的cleaned_temp字段是否存在且不为空。

只要发现任意一个节点的Output为空，就说明它前面的某个环节出了问题——可能是变量未正确传递，可能是配置有误，也可能是插件调用本身失败。记住一条原则：未经验证输出的工作流，上线即意味着故障。

只有确认所有节点都按预期工作后，再点击【发布】。最后，别忘了进入智能体的设置页面，将这个调试完毕的工作流绑定到预设的触发路径上。