Coze（扣子）平台：
字节跳动推出的 AI Agent（智能体） 开放平台，定位为低代码/零代码的 AI 应用构建工具 。
Coze的核心 = 智能体（Agent、Prompt） + 工作流（固定类） + 插件系统（Tools） + 记忆系统（知识库【非结构化，PDF、word等】、数据库【结构化，csv、excel、sql等】）
LLM = 发动机
Coze = 汽车工厂 ------ 不需要造发动机，只需要拼装工作流，就能跑起来一个 AI 应用
Coze低代码
Coze平台 的核心定位：基于云端的自然语言编程环境。
用户通过持续的自然语言对话，构建 AI Agent、工作流、Web 应用和移动 App，并支持一键部署上线。
Coze编程接到我给的指令后，就行进行执行阶段，该执行阶段跟Trae的编程是一样的。
简单来说，Coze编程是Trae的网页版本！
Coze编程，如下图所示：
Trae Idea编程，如下图所示：
Coze编程也可以设置Skill，在输入框底部 --> 技能，进行设置Skill：
Coze编程可以选择平台的Skill，也可以自己创建Skill：
Trae的Skill设置在 设置 --> 规则和技能 --> 技能，进行设置Skill:
简单来说：Coze平台是低代码平台，Trae idea是高代码平台。
低代码平台是入门低，但是没办法修改代码，几乎不会去查看代码。
高代码Idea，是通过Vibe coding进行，通过Trae Idea进行AI编程，可以看到代码，并且可以进行修改，入门难度中等，需要有一定编程基础。
Coze编程平台 是 简化版的Trae Idea!
Coze编程最后实现的样式：
查看源码：
Coze编程平台可以直接一键部署：
Coze平台的部署参数，直接使用默认参数即可：
部署构建日志：
部署完成，会有链接：
完整网站，如下图所示：
低代码平台：
| 维度 | Coze | Dify | n8n |
|---|---|---|---|
| 技术门槛 | 低（包括vibe Coding和低代码） | 中等，需理解工作流逻辑和API | 中等，需理解工作流逻辑和 API |
| 开源性 | 部分组件开源 | 开源（Apache 2.0） | Fair-code（Sustainable Use License），可自托管，但限制商业化转售 |
| 部署方式 | 纯Saas（字节云端） | 云版 + 私有化部署（Docker） | 云版 + 私有化部署（Docker 轻量） |
| 集成能力 | 字节生态（飞书、微信、抖音）为主 | AI 模型 + 知识库为主，业务系统集成较弱 | 超强，400+ 原生节点（CRM、ERP、数据库、Slack 等） |
| RAG知识库 | 功能完善（包括文本、表格、图像） | 功能完善（分段、清洗、召回测试、重排序） | 2.0 版本已原生支持，但企业级功能（如可视化召回测试）不如 Dify，适合"工作流+RAG"混合场景 |
| 工作流复杂度 | 适合简单到中等流程 | 适合 LLM 应用内工作流 | 适合复杂跨系统业务流程（条件分支、循环、人工审核、多 Agent 编排） |
| 适应场景 | 快速搭建社交生态聊天机器人 | 企业级 AI 应用（知识库、对话系统） | 业务流程自动化 + AI 增强（需连接多系统的场景） |
Coze平台搭建智能体
step1：创建智能体：
step2：选择 头条搜索 插件：
使用效果，如下：
step3：自定义插件：
创建插件：
创建成功后：
step4：插件内创建工具：
编辑工具：
工具参数设置好后，进行试运行，确保工具能够正常使用：
正常的插件，如下图所示：
step5：最后把插件 "发布" 出去，就可以在Agent内使用。
然后可以在添加插件 --> 资源库工具 内找到刚刚发布的 插件：
为什么要自定义插件？
Coze平台的插件有共用的插件，也有其他企业/个人发布的插件，尤其是其他企业/个人发布的插件稳定性差，可能会导致后期使用Agent出现各自问题。
自定义插件，可以根据私有化的要求进行定制，稳定性强。
比如链接OA系统进行打卡，这个时候Coze平台没有这样的插件，就需要自己去自定义插件，链接自己企业OA系统的后端接口，进行对接。
工作流的使用
以上面案例进行拓展，新闻搜索工作流。
step1：编排内，进行添加工作流：
step2：创建工作流：
创建好后，如图所示：
step3：添加 插件节点：
把 插件节点，进行连接，并且配置参数：
step4：进行工作流试运行，确保工作流正常：
step5：试运行成功后，把工作流进行发布，这样Agent才能找到这个工作流，并且可以添加调用这个工作流：
如果插件与工作流的实现目的一样，会有AI来调度，50%使用插件，50%使用工作流！
插件与工作流：从物理上来看，它们都是一样，都是工具/技能，都是通过第三方函数、流程来去实现目的。
插件与工作流的区别：
- 插件来自插件市场
- 工作流来自低代码的拖拉拽形式的插件
案例：意图识别Agent:
工作流：
大模型参数设置：
变量聚合参数配置：
意图识别连接：
RAG知识库
RAG (Retrieval-Augmented Generation 检索增强生成)：在回答问题或生成文本时，先从大规模文档库中检索相关信息，然后利用这些检索到的信息来生成响应或文本，从而提高回复内容的质量。
RAG 的两个关键阶段：
- 检索阶段：使用编码模型基于问题检索相关文档。
- 生成阶段：使用检索到的上下文作为条件生成文本。
RAG 技术可以很好地解决大模型的胡乱编造的问题。
扣子的知识库功能支持上传外部数据，上传后可自动分段和编码，然后在 Bot 开发界面选择导入指定的知识库。
知识库的应用场景：
-
语料补充：
创建一个虚拟形象与用户交流，你可以在知识库中保存该形象相关的语料。后续 Bot 会通过向量召回最相关的语料，模仿该虚拟形象的语言风格进行回答。
-
客服场景：
将用户高频咨询的产品问题和产品使用手册等内容上传到扣子知识，Bot 可以通过这些知识精准回答用户问题。
-
垂直场景：
创建一个包含各种车型详细参数的汽车知识。当用户查询某一车型的百公里油耗是多少时，可通过该车型召回对应的记录，然后进一步识别出百公里油耗。
案例：智能问答助手：
step1：新增知识库：
step2：创建知识库：
step3：上传文件：
step4：使用默认配置进行创建：
分段预览：
step5：把数据上传到Coze服务器内：
step6：RAG知识库添加到Agent:
step7：使用知识库来问答：
可以设置知识库参数：
结构化RAG：
step1：添加表格：
step2：创建知识库：
预览：
step3：数据上传到Coze服务器：
step4：Agent添加 结构化数据：
使用知识库，效果如下：
Coze Studio部署
Coze Studio\]([coze-dev/coze-studio: An AI agent development platform with all-in-one visual tools, simplifying agent creation, debugging, and deployment like never before. Coze your way to AI Agent creation.](https://github.com/coze-dev/coze-studio)) 是一站式 AI Agent 开发工具，提供Prompt、RAG、Plugin、Workflow，使得开发者可以聚焦创造 AI 核心价值。  **技术架构:** * **后端：** Golang（基于微服务架构，遵循 DDD 领域驱动设计） * **前端：** React + TypeScript * **核心引擎：** Eino 框架（Agent 和工作流运行时） **Step1：创建/编辑 Docker 配置文件：** 在C:\\Users\\你的用户名.docker\\daemon.json配置： { "builder": { "gc": { "defaultKeepStorage": "20GB", "enabled": true } }, "experimental": false, "registry-mirrors": [ "https://docker.1panel.live", "https://hub.rat.dev", "https://docker.m.daocloud.io" ] } **Step2：重启 Docker Desktop：** 完全退出 Docker Desktop 重新打开，等待启动完成  **C 盘空间紧张，如何迁移到D盘？** 1）创建 D 盘目录 在powershell中执行： New-Item -ItemType Directory -Path "D:\\Docker" -Force 2）在 Docker Desktop 中修改路径 打开 Docker Desktop → Settings → Resources → Advanced Disk image location → 点击Browse 选择 D:\\Docker 点击 Apply \& Restart **Step3：部署 Coze Studio：** 1）克隆代码 git clone https://github.com/coze-dev/coze-studio.git cd coze-studio/docker 2）复制环境配置文件 在 powershell中执行： copy .env.example .env 3）手动拉取镜像（避免网络超时） 由于部分镜像版本较新，镜像源可能不存在，需要逐个拉取： # 基础镜像（使用镜像源） docker pull docker.1panel.live/library/mysql:8.4.5 docker pull docker.1panel.live/bitnamilegacy/elasticsearch:8.18.0 docker pull docker.1panel.live/bitnamilegacy/redis:8.0 docker pull docker.1panel.live/nsqio/nsq:v1.2.1 # 以下镜像需要从 Docker Hub 直接拉取 docker pull minio/minio:RELEASE.2025-06-13T11-33-47Z-cpuv1 docker pull bitnamilegacy/etcd:3.5 docker pull milvusdb/milvus:v2.5.10 docker pull cozedev/coze-studio-server:latest docker pull cozedev/coze-studio-web:latest 4）启动服务 docker compose -f docker-compose.yml up --d 5）查看状态 docker compose ps 所有服务状态应为 running 或 healthy。  **Step4：访问 Coze Studio：** http://localhost:8888/sign 注册账号 http://localhost:8888/admin/#model-management 配置 AI 模型 http://localhost:8888/ **Step5：开始使用：**  ## AI杂论 我们都想做一个Agent应用，那么它是怎么从零到一进行构建？ 1. 需求描述 ==\> 场景示例 比如：用户提问XXX AI回复 XXX 2. 技术选型 Agent 还是 工作流，里面是否有 Tool，是否有RAG（知识库）？ 高代码：LangChain、LangGraph、Qwen-Agent、LlamaIndex 低代码：Coze、Dify 3. 实现细节 高代码：AI编程，比如Cursor、Trae 低代码：Coze、Dify拖拉拽方法 4. 整理一些测试问题 // ====================================================== 目前哪些模型比较好用？ 国外：Claude Opus 4.6，GPT 5.4 国内：Qwen3-Coder-plus，GLM，kimi 2.5，MiniMax 传统RAG和angetic RAG的区别： * 传统RAG：工作流，固定类 * angetic RAG：灵活的，探索类 Agent与Copilot的区别 * Compilot 网络聊天、对话的形式、辅助的形式，如果用车的智能驾驶来说，这是L2，目前这个很少人使用。 * Agent就是L3驾驶，你把活派给它，它做完后把结果交给你。