终于！扣子（Coze）把他最核心的Agent 技术开源了（附完整部署指南）

作为一站式AI Agent开发平台，扣子（Coze）自发布以来，一直致力于降低AI的创造门槛。它的核心理念是，无论用户是否具备编程背景，都能通过直观、可视化的方式，快速将创意变为功能强大的AI智能体（Agent），并将其发布到各类平台。

今天，扣子平台将其核心能力全面开放，迈出了其发展历程中最重要的一步：正式开源其最核心的两个项目：

• Coze Studio（扣子开发平台）： 强大的 Agent 创造引擎。
• Coze Loop（扣子罗盘）： 专业的 Agent 开发运维（DevOps）与评估平台。

本文将为你详细解读这对开源“双子星”的核心能力，并提供完整的本地部署教学，带你全面拥抱这个强大的 AI Agent 工具链👇

01. Coze Studio：强大的 Agent 创造引擎

Coze Studio 是「扣子」平台最核心的业务引擎，遵循 Apache 2.0 许可证 开源，赋予开发者商业使用、专利授权和社区共建的广泛权利。它将复杂的AI技术封装成简洁、强大的功能，让你能专注于创意本身。

✅ 自由编排的工作流（Workflow）： 通过直观的拖拽节点方式，自由地设计、编排和调试任何复杂的业务逻辑流程。

✅ 无限扩展的插件（Plugin）框架： 允许你将任何第三方 API 或企业内部的私有能力，轻松封装成一个插件，无限扩展 Agent 的能力边界。

✅ 其核心功能清单如下

02. Coze Loop：专业的 Agent 开发运维平台

如果说 Studio 是造车的工厂，那么 Coze Loop 就是配套的研发实验室、测试场和监控中心。它解决了 AI Agent 开发过程中从调试到运维的全链路挑战。

✅ 精准的 Prompt 开发： 提供可视化的 Playground，让你从编写、调试、优化到版本管理，实现对提示词的全流程支持，并能直观比较不同大语言模型的输出效果。

✅ 系统化的评测能力： 提供多维度的自动化检测能力，能系统化地评测 Prompt 和智能体的输出效果，覆盖准确性、简洁性和合规性等关键指标。

✅ 全链路的可观测性： 完整记录从用户输入到 AI 输出的每个处理环节，包括模型调用和工具执行等关键节点，让你能清晰地洞察 Agent 的内部运作，快速定位并解决问题。

✅ 其核心功能清单如下

03. 上手实践：本地部署 Coze 开源“双子星”

现在，让我们动手将 Coze Studio 和 Coze Loop 全部部署到本地。

✅ 部署指南（一）：安装 Coze Studio (扣子开发平台)

1. 准备工作：

• 硬件： CPU 2核 及以上，内存 4GB及以上。
• 软件： 安装好 Docker 和 Docker Compose，并启动 Docker 服务。

2. 获取源码：git clone https://github.com/coze-dev/coze-studio.git

3. 配置模型服务：

cd coze-studio
# 复制模型配置模版
cp backend/conf/model/template/model_template_ark_doubao-seed-1.6.yaml backend/conf/model/ark_doubao-seed-1.6.yaml

然后，编辑 backend/conf/model/ark_doubao-seed-1.6.yaml 文件，填入你的模型 id, api_key 和 model。

4. 部署与访问：

# 启动服务cd docker
cp .env.example .env
docker compose --profile '*' up -d

部署成功后，通过浏览器访问 http://localhost:8888/。

部署指南（二）：安装 Coze Loop (扣子罗盘)

1. 准备工作：

• 硬件： 与Studio相同。
• 软件： 安装好 Docker、Docker Compose 及 Go (版本 >= 1.23.4)。
• 模型： 已开通 OpenAI 或火山方舟等在线模型服务。

2. 获取源码：

# 克隆代码 
git clone https://github.com/coze-dev/cozeloop.git

# 进入cozeloop目录下
cd cozeloop

3. 配置模型服务： 进入 conf/default/app/runtime/ 目录，编辑 model_config.yaml 文件。你可以用以下模板覆盖原文件，然后必须将 api_key 和 model 字段的 *** 替换为你的真实配置。

models:
  - id: 1
    name: "doubao"
    frame: "eino"
    protocol: "ark"
    protocol_config:
      api_key: "***"  # 火山方舟 API Key，获取方式可参考 https://www.volcengine.com/docs/82379/1541594
      model: "***"    # 方舟模型 ID，可参考 https://www.volcengine.com/docs/82379/1330310
    param_config:
      param_schemas:
        - name: "temperature"
          label: "生成随机性"
          desc: "调高温度会使得模型的输出更多样性和创新性，反之，降低温度会使输出内容更加遵循指令要求但减少多样性。建议不要与 “Top p” 同时调整。"
          type: "float"
          min: "0"
          max: "1.0"
          default_val: "0.7"
        - name: "max_tokens"
          label: "最大回复长度"
          desc: "控制模型输出的 Tokens 长度上限。通常 100 Tokens 约等于 150 个中文汉字。"
          type: "int"
          min: "1"
          max: "4096"
          default_val: "2048"
        - name: "top_p"
          label: "核采样概率"
          desc: "生成时选取累计概率达 top_p 的最小 token 集合，集合外 token 被排除，平衡多样性与合理性。"
          type: "float" #
          min: "0.001"
          max: "1.0"
          default_val: "0.7"
  - id: 2
    name: "openapi"
    frame: "eino"
    protocol: "openai"
    protocol_config:
      api_key: "***"  # OpenAI API Key
      model: "***"    # OpenAI 模型 ID
    param_config:
      param_schemas:
        - name: "temperature"
          label: "生成随机性"
          desc: "调高温度会使得模型的输出更多样性和创新性，反之，降低温度会使输出内容更加遵循指令要求但减少多样性。建议不要与 “Top p” 同时调整。"
          type: "float"
          min: "0"
          max: "1.0"
          default_val: "0.7"
        - name: "max_tokens"
          label: "最大回复长度"
          desc: "控制模型输出的 Tokens 长度上限。通常 100 Tokens 约等于 150 个中文汉字。"
          type: "int"
          min: "1"
          max: "4096"
          default_val: "2048"
        - name: "top_p"
          label: "核采样概率"
          desc: "生成时选取累计概率达 top_p 的最小 token 集合，集合外 token 被排除，平衡多样性与合理性。"
          type: "float" #
          min: "0.001"
          max: "1.0"
          default_val: "0.7"

4. 启动服务： 在 cozeloop 项目根目录下，执行以下命令。首次启动耗时较长，请耐心等待。

# 启动服务，默认为开发模式
docker compose up --build

5. 访问与验证：

• 访问平台： 启动服务后，通过浏览器访问 http://localhost:8082 即可打开 Coze Loop。

• 验证模型服务： 这是确保平台正常工作的关键一步。

✅ 根据页面提示注册账号并登录。

✅ 在左侧导航栏中单击 Playground。

✅ 在模型配置区，确认可选模型列表与你在 model_config.yaml 中配置的完全一致。

✅ 选择任一模型，在右侧预览与调试区展开对话，查看模型是否能正常响应。

✅ 在左侧导航栏中单击 Trace，查看调试过程中是否成功上报了 Trace 信息。

如果以上步骤均可正常执行且页面无报错，恭喜你，Coze Loop 已成功部署并可以正常调用模型服务！

下一步：体验核心功能

现在，你可以开始体验 Coze Loop 的强大功能了：

• Prompt 开发与调试： 在 Playground 中进行提示词的开发与迭代。
• 评测： 创建评测集和评估器，发起评测实验。
• Trace 上报与查询： 集成 SDK，实现对你的 Agent 的一键上报与观测。

附：常见问题

• 镜像拉取失败 (docker pull failed)

  docker pull golang:1.23.4
  docker pull nginx:latest
  docker pull clickhouse/clickhouse-server:latest
  docker pull mysql:latest
  docker pull minio/minio:latest
  docker pull apache/rocketmq:latest
  docker pull redis:latest
  docker pull moby/buildkit:latest # arm架构跨平台需要

• 原因： 启动服务。
•  建议先手动在本地拉取所有需要的镜像，成功后再使用 docker compose up --build 启动服务。
• Bash

小结

打造一个真正好用的AI智能体（Agent），挑战远不止于最初的搭建环节。Coze此次开源其核心工具链，正是为了解决这一根本问题，它提供的不再是单一的开发工具，而是一套完整的生态系统。

这套生态系统包含两大核心：

✅ 创意的实现平台 (Coze Studio)：它负责将天马行空的创意落地为功能实体，通过灵活的工作流和插件，让开发者可以自由组合各种能力，专注于应用逻辑本身。

✅ 质量的保障体系 (Coze Loop)：它扮演了“质量总监”和“运维中心”的角色，通过严谨的测试、评估与监控，确保交付的服务精准、可靠且易于维护。

通过将创造的自由度与工程的严谨性相结合，Coze让开发者得以在自己的环境中，构建出不仅功能强大，而且表现值得信赖的AI应用，真正实现了从0到1、再到持续优化的全流程闭环。

📌 从阅读到实践，我们与你同行

今天的分享暂告一段落。

我们深知，将一个系统化的方法应用到具体工作中并非易事。希望你能大胆尝试，持续迭代，亲手打造出解决你真实痛点的业务系统。

这条路你不是一个人在走。实践中若有困惑或心得，欢迎在评论区分享，我们更诚邀您根据自己需求通过以下方式加入幻象AI智能体共学社区系列社群，与更多优秀的实践者一同成长。