学习清单
工作流的上手门槛相对更高，需要自己编排节点和逻辑，但也有它的优势：支持的输入 / 输出格式更灵活，可以根据团队需求自由配置；同时，不同平台在大模型支持和使用成本上各有特点：
Coze：内置大模型，每天有免费额度，适合快速上手、快速验证流程；
Dify：支持自定义配置大模型 API Key，灵活性更强，适合需要深度定制和长期使用的场景。
目前我先整理出已有的教程清单，后续如果有对这方面的学习再进行补充。
目标： 搭建自动化工作流，让 AI 按预设规则执行测试环节，提升流程效率。
一、Coze 系列
Coze 更适合「标准化流程自动化」，比如「需求→用例→导出」这类固定链路，上手快、见效直接。
学习重点
- 掌握 Coze 工作流的核心组件：节点类型、触发条件、分支逻辑、提示词配置；
- 从 0 到 1 搭建「需求文本 → 结构化测试用例 → 导出到 Xmind/Excel/飞书表格」的完整流程；
- 学习如何优化工作流：增加异常处理、提升用例覆盖度、规范输出格式。
参考资料
- 从零搭建生成测试用例的 coze 工作流 V1：基础版流程，实现「需求→用例」的核心链路
- 《测试用例工作流优化 V2》：在 V1 基础上，优化用例生成逻辑、增加场景覆盖和格式规范
- Coze 生成测试用例到飞书 Excel 表格：打通 Coze 与飞书，实现「生成即归档」，方便团队协作
二、Dify 系列
Dify 更侧重「可交互智能体」，适合需要自然语言对话、多步骤逻辑的场景，比如数据库查询、复杂流程自动化。
学习重点
- 掌握 Dify 的部署方式（本地 / 云端）、环境要求和基础启动流程；
- 学会在 Dify 中配置大模型 API Key，选择合适的模型并调整参数；
- 搭建 Dify+MCP 数据库查询智能体，实现「自然语言 → SQL 查询 → 结果返回」的交互流程；
- 了解 Dify 的工作流编排：如何串联多个工具和节点，实现复杂逻辑。
参考文章
- Dify 安装教程：本地 / 云端部署指南，为后续搭建智能体做好准备
- Dify 如何配置大模型 LLM & 获取 API Key：接入主流大模型，掌握模型选择和参数调优
- Dify+MCP 搭建数据库查询智能体：结合 MCP 能力，让智能体直接操作测试数据库
学习建议
- 先 Coze 后 Dify：Coze 上手更快，适合先建立「工作流」的直观认知；Dify 更灵活，适合有一定基础后深入。
- 场景驱动：优先搭建你当前最需要的工作流（如测试用例生成、数据库查询），学完就能立刻落地提效。
- 迭代优化：工作流不是一次成型的，先搭出基础版本，再根据实际使用反馈不断调整节点、提示词和集成方式。
- 官方文档补充：工作流工具更新较快，遇到问题时，结合官方文档和社区案例，能更快找到解决方案。