開源版Coze實測，搭建Agent，VibeCoding都多餘了！

最近，字節跳動把他們的 AI Agent 開發平臺 Coze 開源了。

Coze 本身是一個無需程式設計就能快速建立、除錯和部署 AI Agent 的平臺。這次開源，他們直接把最核心的兩個專案Coze Studio 和 Coze Loop 都放了出來，而且還是非常寬鬆的 Apache 2.0 協議。

Apache 2.0 協議意味著所有人都可以免費商用、修改原始碼，甚至是在它的基礎上構建自己的商業產品，而不用擔心法律風險。

剛剛上線三天，兩個專案已經斬獲了 14k+ 的 star。

這兩天，也經常有人問我關於 Coze 開源的事情。尤其是很多人問，釦子為啥要開源，意義是什麼。

每次我都會說，你看，前兩天我正好從北京趕往上海，去看 WAIC 世界人工智慧大會，在高鐵上的時候，我就很想做點什麼不需要聯網的事情。Coze 開源後，我就能在高鐵上手擼 Agent 了！

（以上回復純屬開個玩笑

如果你是開發者或者企業管理人員，你肯定能很快 get 到它的價值。

開源有兩大魅力——

可以本地化、私有化部署，再也不用擔心資產託管在雲上的資料安全和運維安全問題。
可以二次開發，這對於難以標準化定義的業務場景尤其重要。

如果你自己想想，你會發現 Agent 自身的屬性就非常契合這兩點。首先 Agent 最大的價值是解決生產力問題，而對生產力問題最急迫的自然是開發者&企業端，國內企業又普遍喜歡私有化部署；其次，由於真實業務場景的複雜性，導致生產力任務/工作流的開發需求往往是多元多樣的，非常容易衍生出二次開發的需求。

接下來，我會手把手帶你走一遍開源版 Coze 的 Agent 搭建流程，然後咱們一起做一個有趣的 Agent 出來！

開源版 Coze 上手實測

Coze 這次開源了兩個專案，一個是釦子的核心引擎—— Coze Studio，另一個是釦子的 Agent 評估&監控引擎——Coze Loop。

前者比較好理解，其囊括了工作流、外掛、Prompt 管理、知識庫等 Agent 建立的全部原子能力；而後者，對於演算法背景的小夥伴來說一定深有體會——做演算法/策略最難的往往是無偏且高效的評估，以及線上資料迴流的負例富集效率，沒有強大的閉環能力，就做不出效果好&高可靠的 Agent 產品。

先貼開源傳送門：

Coze Studio：

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

Coze Loop：

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

我決定親手部署一套開源版的 Coze Studio，並嘗試建立一個簡單的 Agent 應用，下面詳細記錄這個過程。

第一步：環境準備與部署

說幹就幹！先在本地準備好 Docker 和 Docker Compose 環境。整個部署過程比我想象的要簡單：

獲取原始碼

首先，從 GitHub 克隆 Coze Studio 的專案原始碼。

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

配置模型

這是關鍵的一步。Coze Studio 需要連線模型才能工作。以火山方舟的 doubao-seed-1.6 為例，但它同樣支援 OpenAI 等多種模型。

原始碼中提供了多個模型配置檔案的模板，從模板目錄複製 doubao-seed-1.6 模型的模版檔案，並貼上到配置檔案目錄。

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，還要修改模版檔案，把 api_key、 model_id 換成自己的。

api_key：模型服務提供方分配的 API Key，火山方舟上的 API Key 獲取方式點選：https://www.volcengine.com/docs/82379/1541594
model：模型服務的 model ID，火山方舟上的獲取方式點選：https://www.volcengine.com/docs/82379/1099522

一鍵啟動服務

之後，只需要執行幾條簡單的命令，Docker Compose 就會自動拉取映象並啟動所有服務。

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

首次部署並啟動 Coze Studio 需要拉取映象、構建本地映象，可能耗時較久，請耐心等待。如果失敗了，不要慌，大機率是網路問題，重試兩次就行。

看到"Container coze-server Started" 的提示時就代表 Coze Studio 已經成功在你的本地執行起來了！

第二步：建立我的第一個 Agent

成功部署後，我透過瀏覽器訪問 http://localhost:8888，進入了 Coze Studio 的登入介面。

註冊登入後，就是一個清爽的開發介面。

在開發 Agent 之前，有必要先了解一下 Coze Studio 這個開源專案的“肌肉”。

Coze Studio 把開發一個強大的 AI Agent 所需的核心技術模組都為你打包好了：

Prompt 工程：精心設計 Agent 的人設與回覆邏輯。
RAG：透過掛載知識庫，讓 Agent 能基於私有資料或專業領域知識進行回答，有效解決大模型的幻覺問題。
Plugins (外掛)：無限擴充套件 Agent 的能力邊界，可以呼叫外部 API（如天氣、新聞），也可以連線私有服務，都不在話下。
Workflow (工作流)：這絕對是 Coze Studio 的“殺手鐧”。透過一個視覺化的畫布，你可以像搭積木一樣，透過拖拽節點來設計複雜的業務邏輯和任務流，實現零程式碼或低程式碼開發。

簡單來說，Coze Studio 把繁瑣的底層技術都處理好了，而且是一套源自字節跳動內部，服務了上萬家企業和數百萬開發者的、經過實戰檢驗的 AI Agent 開發引擎。開發者一定要學會在巨人的肩膀上做事，藉助這一套專案，你可以把全部精力聚焦在開發 AI Agent 上，且用最低的成本。

現在進入“整活”環節。點選 +，建立第一個智慧體。

我是一個深度奶茶愛好者，但隨著年齡增長，對“甜蜜的負擔”也越發警惕。於是，我萌生了一個想法：能不能建立一個 AI Agent，作為我的專屬“奶茶判官”。每天我想喝奶茶的時候，就問問它，讓它基於我的情況給出科學的建議和風險提示，甚至推薦更健康的喝法。

第一步：定義智慧體的人設與回覆邏輯

塑造 Agent 靈魂的第一步。在編排介面，給“奶茶判官”設定清晰的人設與提示詞（這個 Prompt 讓 Agent 有了明確的身份和行為準則）。

第二步，掛載知識庫。

在“知識”->“文字”中建立了一個名為“奶茶健康指南”的知識庫。

這是我從網上搜集了各種資料，結合奶茶店熱門單品熱量和糖分以及世界衛生組織關於成人每日糖分攝入建議，建立 100 條的問答對。我將這些文件和資料一股腦地餵給了知識庫。

第三步：配置外掛與工作流

如果希望 Agent 能處理更復雜的邏輯，這時候 Workflow 就派上了大用場。

在 Coze Studio 的視覺化畫布上，透過拖拽節點，就能快速搭建業務邏輯和任務流。

比如我設定了一個判斷條件，大致邏輯是如果 "True "(超標了)，工作流會走向“拒絕分支”。這個分支連線到一個大模型節點，回覆是必須嚴厲地拒絕使用者，告訴他糖分已超標，並引用知識庫中關於高糖危害的內容來警告他。

給它加入了一個“天氣外掛”，這樣在推薦奶茶時，它還能貼心地建議我喝熱飲還是冷飲。

開源版 Coze Studio 裡已經提供了一些現成的外掛可以直接接入到智慧體中。

整個搭建過程，我幾乎沒寫一行程式碼，完全是透過圖形化介面的拖拽和配置完成的。

我輸入我想喝奶茶，今天已經吃了肉鬆紅豆麵包，昨晚凌晨一點睡的，昨天喝過奶茶了。

最終得到“判官”毒舌又貼心的回覆時，我真實地感受到了 Coze Studio 作為一款專業開發工具的強大之處。

研究了 Coze 開源專案並跑完一次專案後，第一次覺得，vibe coding 都顯得多餘和低效了。

最讓我爽到的，莫過於 Coze Studio + Coze Loop 的一站式視覺化的 Agent 構建能力。

哦對了，我不是不會寫程式碼，我甚至曾經程式碼還寫的有點好（溜了…）但我依然覺得能用 Coze 框架搭，就不想自己寫程式碼去搭，原因很簡單——

Coze 框架的 Agent 搭建效率&debug 效率是真的太高了。

不用熟悉 API，不用自己加一堆斷點、日誌、eval 邏輯、單測邏輯等，免去了一大堆原本要在程式碼裡造輪子的事情，而且還不用擔心寫出來 bug，也不用擔心 coding 的時候被 AI 埋進去坑，這種全鏈路視覺化的離線開發體驗，試過一次就回不去了。

此外，很多 AI 應用，尤其是 Python 系的專案，雖然開發快速，但在效能、併發處理和長期維護性上常常會遇到瓶頸。當應用從小範圍測試走向大規模部署時，技術債會集中爆發。

在開源專案的 README 文件中，你可以看到這麼一段話——

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.

這段話雖然不起眼，但其實很重要。

很多 Agent 產品在 Demo 階段跑一跑沒問題，但當你的產品真的找到 PMF，開始湧入大量使用者的時候，對 Agent 的運維需也就隨之而來了。

此時正是 Coze Loop 的價值所在，Loop 是羅盤的意思，提供 Agent 開發、除錯、評估、到監控的全生命週期管理能力，讓 Agent 開發從“黑盒”變“白盒”。

你就會發現效能問題會讓你崩潰，這個技術債到最後很可能成為你的產品從 10 到 100 的瓶頸。

最重要的是，Coze 的後端使用 Golang 語言開發，前端是 React + TypeScript，整體採用微服務架構和 DDD 設計，這種企業級的技術架構，決定了 Coze Studio 不僅僅是一個“小工具”，而是一個具備無限擴充套件潛力的“平臺底座”。它能夠支撐從個人開發者的小專案，到大型企業複雜業務邏輯的各種需求，為二次開發提供了良好的基礎。

除此之外， Coze Studio 的開源並非從零開始，而是將其已經過商業化驗證、服務了上萬企業使用者和百萬級開發者的核心引擎開放出來。這在開源生態中也是比較稀有的專案。

“先商用，後開源” 的路徑，意味著其程式碼質量、架構健壯性、功能完備性都已經在最嚴苛的戰場上被打磨過，比如抖音電商，透過釦子搭建了一套智慧客服系統，承接商家、使用者、達人等不同業務模組的進線問題。