https://www.toutiao.com/article/7532703277281165858
Coze 本身是一个几乎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。
该项目采用Apache2.0许可证，这意味着相关代码：
可商用：可商业使用，无附加条款
专利授权：明确授权，无后顾之忧
社区共建：与全球开发者一起，共建未来
刚刚上线四天，两个项目已经斩获了 16k+ 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。
作为一个常年浸泡在代码中的程序员，每次尝试构建一个智能系统时，我都得耗费数周在调试和集成上，常常感觉身心俱疲。
直到这两天，实测部署了字节开源的 AI Agent 平台 Coze—— 包括 Coze Studio 和 Coze Loop—— 那一刻，我恍然发觉，传统的方法论已被高墙环绕，而 Coze 却开凿了一条捷径。
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——
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。
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。
对开发者来说，开源从来不是简单的 “代码共享”—— 它意味着你能拿到完整源码，可以基于开源协议做二次开发时，你不再受限于固定框架：可以定制专属功能适配细分场景，能嫁接自有技术栈打造差异化产品，甚至能从这些创新中孵化出全新的商业模式。
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。
详细安装步骤：
Coze开发平台开源了！超详细本地部署教程
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：
部署流程一共分为四步：
下载并安装Docker。Docker简单理解就是一个运行Coze等工具的软件，里面有各种Coze需要的组件，所以是安装Coze的前提，一定要安装。
下载Coze安装包。GitHub上下载源码或压缩包文件，这个文件码蜂AI已经为大家准备好了，不会下载的同学可以私信我领取。
进入到Coze安装包文件夹，用安装命令进行安装。
初始化Coze后台，设置用户名和密码等，然后登录使用就可以了。
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
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
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。
简单说，Coze Studio 已经搞定了所有繁琐的底层技术 —— 它的 AI Agent 开发引擎脱胎于字节跳动内部，不仅服务过上万家企业和数百万开发者，更经过了实打实的实战检验。
和公网 Coze 开发平台相比，本地版有这些差异：
功能上少了对话流、对话智能体、多 Agent 体系，也没有AI 应用模块；
缺少自定义空间功能；
发布渠道仅支持 WEB SDK 和 API—— 不过这一取舍其实颇为合理；
授权体系目前只支持个人令牌，且有效期仅能设 30 天。
好在核心功能基本都已覆盖，诚意虽有但不算太足。但对有开发能力的用户来说，它反倒比 Dify、N8N、FastGPT 等工具更值得一试。
现在进入“整活”环节。点击 +，创建第一个智能体。
比如每次馋奶茶时，直接问它：今天这杯能喝吗？它能结合我的身体状态、当天饮食，给点科学建议；要是实在想喝，还能提醒潜在的小风险，甚至推荐更健康的搭配或喝法。这样既不辜负对奶茶的喜欢，也能少点心理负担，多好。
第一步：定义智能体的人设与回复逻辑
第一步要在编排界面完成 —— 为 “奶茶智能体” 设定清晰的人设与提示词。这些 Prompt 会为它定下明确的身份定位和行为准则，让它清楚自己该是什么样、该做什么。
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。
Coze 框架的 Agent 搭建效率&debug 效率是真的太高了。
除此之外，Coze Studio 的开源并非从零起步，而是将其经过商业化验证的核心引擎开放了出来 —— 这套引擎已服务过上万企业用户和百万级开发者，这样的项目在开源生态中并不常见。
“先商用、后开源” 的路径，意味着其代码质量、架构稳定性和功能完整性，早已在最严苛的商业场景中经受过考验。比如抖音电商，就通过 Coze 搭建了智能客服系统，高效承接了商家、用户、达人等多模块的进线需求。
对想把 AI Agent 落地到严肃商业场景的开发者和企业来说，这几乎是 “零风险” 的技术选型 —— 试错成本和时间成本都被大幅降低。 简单讲，这些背景与特性，让 Coze Studio 能快速与其他开源 Agent 框架形成差异化竞争。当然，Dify 凭借更完善的企业级功能和性能表现，仍是更稳妥的技术选型。当企业主能靠 “拖拉拽” 轻松定义 Agent 业务流程时，行业或许又将迎来新的变革。
