开源版 Coze 实测，搭建 Agent，Vibe Coding 都多余了！

最近，字节跳动把他们的 AI Agent 开发平台 Coze 开源了。

Coze 本身是一个无需编程就能快速创建、调试和部署 AI Agent 的平台。 这次开源，他们直接把最核心的两个项目 Coze Studio 和 Coze Loop 都放了出来，而且还是非常宽松的 Apache 2.0 协议。

Apache 2.0 协议意味着所有人都可以免费商用、修改源码，甚至是在它的基础上构建自己的商业产品，而不用担心法律风险。

刚刚上线三天，两个项目已经斩获了 14k+ 的 star。

这两天，也经常有人问我关于 Coze 开源的事情。尤其是很多人问，扣子为啥要开源，意义是什么。

每次我都会说，你看，前两天我正好从北京赶往上海，去看 WAIC 世界人工智能大会，在高铁上的时候，我就很想做点什么不需要联网的事情。Coze 开源后，我就能在高铁上手撸 Agent 了！

（以上回复纯属开个玩笑

如果你是开发者或者企业管理人员，你肯定能很快 get 到它的价值。

开源有两大魅力——

1. 可以本地化、私有化部署，再也不用担心资产托管在云上的数据安全和运维安全问题。
2. 可以二次开发，这对于难以标准化定义的业务场景尤其重要。

如果你自己想想，你会发现 Agent 自身的属性就非常契合这两点。首先 Agent 最大的价值是解决生产力问题，而对生产力问题最急迫的自然是开发者&企业端，国内企业又普遍喜欢私有化部署；其次，由于真实业务场景的复杂性，导致生产力任务/工作流的开发需求往往是多元多样的，非常容易衍生出二次开发的需求。

接下来，我会手把手带你走一遍开源版 Coze 的 Agent 搭建流程，然后咱们一起做一个有趣的 Agent 出来！

开源版 Coze 上手实测

Coze 这次开源了两个项目，一个是扣子的核心引擎—— Coze Studio，另一个是扣子的 Agent 评估&监控引擎——Coze Loop。

前者比较好理解，其囊括了工作流、插件、Prompt 管理、知识库等 Agent 创建的全部原子能力；而后者，对于算法背景的小伙伴来说一定深有体会——做算法/策略最难的往往是无偏且高效的评估，以及线上数据回流的负例富集效率，没有强大的闭环能力，就做不出效果好&高可靠的 Agent 产品。

先贴开源传送门：

Coze Studio：

https://github.com/coze-dev/coze-studio

Coze Loop：

https://github.com/coze-dev/coze-loop

我决定亲手部署一套开源版的 Coze Studio，并尝试创建一个简单的 Agent 应用，下面详细记录这个过程。

第一步：环境准备与部署

说干就干！先在本地准备好 Docker 和 Docker Compose 环境。整个部署过程比我想象的要简单：

1. 获取源码

首先，从 GitHub 克隆 Coze Studio 的项目源码。

git clone https://github.com/coze-dev/coze-studio.git  

1. 配置模型

这是关键的一步。Coze Studio 需要连接模型才能工作。以火山方舟的 doubao-seed-1.6 为例，但它同样支持 OpenAI 等多种模型。

源码中提供了多个模型配置文件的模板，从模板目录复制 doubao-seed-1.6 模型的模版文件，并粘贴到配置文件目录。

cd coze-studio  
cp backend/conf/model/template/model_template_ark_doubao-seed-1.6.yaml backend/conf/model/ark_doubao-seed-1.6.yaml  

注意，还要修改模版文件，把 api_key、 model_id 换成自己的。

• api_key：模型服务提供方分配的 API Key，火山方舟上的 API Key 获取方式点击：https://www.volcengine.com/docs/82379/1541594
• model：模型服务的 model ID，火山方舟上的获取方式点击：https://www.volcengine.com/docs/82379/1099522

1. 一键启动服务

之后，只需要执行几条简单的命令，Docker Compose 就会自动拉取镜像并启动所有服务。

cd docker  
cp .env.example .env  
docker compose --profile "*" up -d  

首次部署并启动 Coze Studio 需要拉取镜像、构建本地镜像，可能耗时较久，请耐心等待。如果失败了，不要慌，大概率是网络问题，重试两次就行。

看到"Container coze-server Started" 的提示时就代表 Coze Studio 已经成功在你的本地运行起来了！

第二步：创建我的第一个 Agent

成功部署后，我通过浏览器访问 http://localhost:8888，进入了 Coze Studio 的登录界面。

注册登录后，就是一个清爽的开发界面。

在开发 Agent 之前，有必要先了解一下 Coze Studio 这个开源项目的“肌肉”。

Coze Studio 把开发一个强大的 AI Agent 所需的核心技术模块都为你打包好了：

• Prompt 工程：精心设计 Agent 的人设与回复逻辑。
• RAG：通过挂载知识库，让 Agent 能基于私有数据或专业领域知识进行回答，有效解决大模型的幻觉问题。
• Plugins (插件)：无限扩展 Agent 的能力边界，可以调用外部 API（如天气、新闻），也可以连接私有服务，都不在话下。
• Workflow (工作流)：这绝对是 Coze Studio 的“杀手锏”。通过一个可视化的画布，你可以像搭积木一样，通过拖拽节点来设计复杂的业务逻辑和任务流，实现零代码或低代码开发。

简单来说，Coze Studio 把繁琐的底层技术都处理好了，而且是一套源自字节跳动内部，服务了上万家企业和数百万开发者的、经过实战检验的 AI Agent 开发引擎。开发者一定要学会在巨人的肩膀上做事，借助这一套项目，你可以把全部精力聚焦在开发 AI Agent 上，且用最低的成本。

现在进入“整活”环节。点击 +，创建第一个智能体。

我是一个深度奶茶爱好者，但随着年龄增长，对“甜蜜的负担”也越发警惕。于是，我萌生了一个想法：能不能创建一个 AI Agent，作为我的专属“奶茶判官”。每天我想喝奶茶的时候，就问问它，让它基于我的情况给出科学的建议和风险提示，甚至推荐更健康的喝法。

第一步：定义智能体的人设与回复逻辑

塑造 Agent 灵魂的第一步。在 编排界面，给“奶茶判官”设定清晰的 人设与提示词（这个 Prompt 让 Agent 有了明确的身份和行为准则）。

第二步，挂载知识库。

在“知识”->“文本”中创建了一个名为“奶茶健康指南”的知识库。

这是我从网上搜集了各种资料，结合奶茶店热门单品热量和糖分以及世界卫生组织关于成人每日糖分摄入建议，创建 100 条的问答对。我将这些文档和数据一股脑地喂给了知识库。

第三步：配置插件与工作流

如果希望 Agent 能处理更复杂的逻辑，这时候 Workflow 就派上了大用场。

在 Coze Studio 的可视化画布上，通过拖拽节点，就能快速搭建业务逻辑和任务流。

比如我设置了一个判断条件，大致逻辑是如果 "True "(超标了)，工作流会走向“拒绝分支”。这个分支连接到一个 大模型节点，回复是必须严厉地拒绝用户，告诉他糖分已超标，并引用知识库中关于高糖危害的内容来警告他。

给它加入了一个“天气插件”，这样在推荐奶茶时，它还能贴心地建议我喝热饮还是冷饮。

开源版 Coze Studio 里已经提供了一些现成的插件可以直接接入到智能体中。

整个搭建过程，我几乎没写一行代码，完全是通过图形化界面的拖拽和配置完成的。

我输入我想喝奶茶，今天已经吃了肉松红豆面包，昨晚凌晨一点睡的，昨天喝过奶茶了。

最终得到“判官”毒舌又贴心的回复时，我真实地感受到了 Coze Studio 作为一款专业开发工具的强大之处。

研究了 Coze 开源项目并跑完一次项目后，第一次觉得，vibe coding 都显得多余和低效了。

最让我爽到的，莫过于 Coze Studio + Coze Loop 的一站式可视化的 Agent 构建能力。

哦对了，我不是不会写代码，我甚至曾经代码还写的有点好（溜了...）但我依然觉得能用 Coze 框架搭，就不想自己写代码去搭，原因很简单——

Coze 框架的 Agent 搭建效率&debug 效率是真的太高了。

不用熟悉 API，不用自己加一堆断点、日志、eval 逻辑、单测逻辑等，免去了一大堆原本要在代码里造轮子的事情，而且还不用担心写出来 bug，也不用担心 coding 的时候被 AI 埋进去坑，这种全链路可视化的离线开发体验，试过一次就回不去了。

此外，很多 AI 应用，尤其是 Python 系的项目，虽然开发快速，但在性能、并发处理和长期维护性上常常会遇到瓶颈。当应用从小范围测试走向大规模部署时，技术债会集中爆发。

在开源项目的 README 文档中，你可以看到这么一段话——

The backend of Coze Studio is developed using Golang, the frontend uses React + TypeScript, and the overall architecture is based on microservices and built following domain-driven design (DDD) principles.

这段话虽然不起眼，但其实很重要。

很多 Agent 产品在 Demo 阶段跑一跑没问题，但当你的产品真的找到 PMF，开始涌入大量用户的时候，对 Agent 的运维需也就随之而来了。

此时正是 Coze Loop 的价值所在，Loop 是罗盘的意思，提供 Agent 开发、调试、评估、到监控的全生命周期管理能力，让 Agent 开发从“黑盒”变“白盒”。

你就会发现性能问题会让你崩溃，这个技术债到最后很可能成为你的产品从 10 到 100 的瓶颈。

最重要的是，Coze 的后端使用 Golang 语言开发，前端是 React + TypeScript，整体采用微服务架构和 DDD 设计，这种企业级的技术架构，决定了 Coze Studio 不仅仅是一个“小工具”，而是一个具备无限扩展潜力的“平台底座”。它能够支撑从个人开发者的小项目，到大型企业复杂业务逻辑的各种需求，为二次开发提供了良好的基础。

除此之外， Coze Studio 的开源并非从零开始，而是将其已经过商业化验证、服务了上万企业用户和百万级开发者的核心引擎开放出来。这在开源生态中也是比较稀有的项目。

“先商用，后开源” 的路径，意味着其代码质量、架构健壮性、功能完备性都已经在最严苛的战场上被打磨过，比如抖音电商，通过扣子搭建了一套智能客服系统，承接商家、用户、达人等不同业务模块的进线问题。

对于希望将 AI Agent 用于严肃商业场景的开发者和企业而言，这几乎是“零风险”的技术选型，大大降低了试错成本和时间成本。

简单来说，这些背景和 features，能使 Coze Studio 迅速与其他开源 Agent 框架拉开差异化的竞争距离。字节这次的 Coze 框架开源，我觉得不只是对 Agent+ 企业级市场的一次强势入局，甚至可能会影响到企业级 Agent 定制化赛道的既有规则——

当企业主自己就能轻松拖拉拽完成 Agentic 业务流定义的时候，可能行业又要变天了。