七、Coze 工作原理与应用实例

一、Coze 基础认知

1.1 产品定位

Coze（扣子）是字节跳动推出的低代码 / 零代码 AI Agent（智能体）开发平台，核心定位为 AI 应用构建工具。

核心类比：LLM = 发动机，Coze = 汽车工厂，无需自研大模型，通过拼装工作流即可搭建 AI 应用。
适用产出：网页应用、移动应用、小程序、智能体、工作流、技能等。

1.2 核心组成

Coze 的核心 =智能体 + 工作流 + 插件系统 + 记忆系统（知识库 + 数据库），四大模块协同实现 AI 应用的搭建与落地。

1.3 核心能力

快速搭建基于大模型的各类 Bot，并支持发布至社交平台、通讯软件或部署到网站；
集成 60 款内置插件（资讯阅读、旅游出行等），同时支持自定义插件；
知识库支持多格式文件上传（TXT/PDF/DOCX/Excel/CSV）及 URL 在线内容获取；
具备持久化记忆能力，提供数据库级别的 AI 交互记忆；
灵活的工作流设计，可处理逻辑复杂、稳定性要求高的任务流；
智能体支持提示词对比和模型对比调试功能。

1.4 核心功能模块

当前 Coze 包含Coze 编程 + 低代码开发两大核心模块，可分别满足代码开发和可视化搭建的需求。

二、Coze 编程

2.1 基础定义

Coze 编程（Agent Coding，扣子编程）是字节跳动 2026 年 1 月 19 日 Coze 2.0 版本新增的云端 Vibe Coding 开发环境，访问地址：https://code.coze.cn。

核心定位：基于云端的自然语言编程环境；
核心能力：用户通过自然语言对话，构建 AI Agent、工作流、Web 应用和移动 App，支持一键部署上线；
运行环境：云端沙箱分配虚拟资源（如 vCPU、内存），内置运行环境与安全网络策略。

2.2 实战案例 - 搭建五子棋网页

环境初始化：云端沙箱自动分配资源、配置网络、拉取运行环境（coze-code:1.0.0）、挂载工作卷；
技术栈：Vite+TypeScript+Tailwind CSS，纯前端实现，无需后端；
核心功能：黑白棋交替落子、自动判胜负 / 平局、响应式布局、游戏重置、棋盘悬停高亮；
部署流程：完成开发后选择部署版本，可添加 / 购买域名，支持公开部署，部署成功后生成可访问的 coze.site 域名链接；
思考疑问：云端沙箱的资源配额是否有上限？纯前端应用如何实现数据的持久化存储？

三、Coze 低代码

低代码编程=几乎看不到代码的编程方式

3.1 跨平台对比

Coze 与主流低代码平台（Dify、n8n）的核心差异如下，突出 Coze技术门槛低、字节生态集成强的特点：

维度	Coze	Dify	n8n
技术门槛	低（Vibe Coding + 低代码）	中等（需理解工作流 / API）	中等（需理解工作流 / API）
开源性	部分组件开源	开源（Apache 2.0）	Fair-code（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	强，字节生态（飞书 / 微信 / 抖音）	较弱，AI 模型 + 知识库为主	超强，400 + 原生节点（CRM/ERP 等）
RAG / 知识库	功能完善，适合「工作流 + RAG」	功能完善（分段 / 清洗 / 召回测试）	无核心优势
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
适用场景	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

coze生态较好，支持表格检索，更细迭代也比较快。

3.2 实战：搭建第一个智能体（AI Bot）

3.2.1 标准创建步骤

Step1：点击创建 Bot，填写必填信息（智能体名称、功能介绍、工作空间、图标）；

Step2：进入 Bot 编排页面，配置人设与回复逻辑（描述 Bot 身份和任务，支持模板格式）；

“你是一个新闻助手，通过插件检索新闻，回答用户的问题”

Step3：为 Bot 配置技能，在技能面板添加插件 / 工具；

Step4：在右侧预览与调试面板实时调试，验证 Bot 响应效果。

3.2.2 实操示例 - AI 新闻助手

人设与回复逻辑：定义为「AI 领域新闻推送员，筛选并推送最新 AI 相关新闻」，可点击优化按钮优化提示词；
添加技能：选择「阅读新闻 > 头条新闻 > getToutiaoNews」插件，配置新闻搜索参数；
提示词结构化编写：采用 Markdown 语法，包含角色（Character）、技能（Skills）、约束（Constraints） 三部分；
调试要点：需明确告知 Bot 调用指定插件，否则可能无法按预期执行；
模型建议：推荐使用通义千问 - Max 引擎，提升推理质量；
思考疑问：不同大模型引擎对 Bot 响应效果的影响差异有哪些？如何选择适配的模型？

3.2.3 扣子助手快速创建

无需手动配置，直接在 Coze 输入「我想创建 AI Bot」，通过对话告知 Bot 用途（如「AI 新闻助手，收集 AI 资讯」），扣子助手将自动完成 Bot 的基础创建，后续可在编排页面调整配置。

四、插件使用

4.1 插件基础能力

内置插件：在「技能 => 添加插件」中可查看 60 多款官方插件（如必应搜索、头条新闻、图片理解、SpeechToText）；
核心能力：扩展 Bot 的功能边界，实现联网搜索、音频转文字、抖音内容解析等外部能力调用；
自定义插件：支持用户集成自有 API，满足个性化业务需求。

4.2 核心内置插件示例

bingWebSearch：必应搜索引擎，支持配置搜索结果数量（count）、偏移量（offset），适用于通用信息搜索；
getToutiaoNews：头条新闻搜索，44.4K+Bot 正在使用，适用于资讯类 Bot 开发；
SpeechToText：音频转文字插件，自动分析音频 URL 并转录，适用于音视频内容解析；
LinkReaderPlugin：解析 URL 对应的网页 / PDF / 抖音视频内容，支持多格式内容提取。

4.3 自定义插件创建步骤

插件是多个独立 API 服务（工具）的集合，同一插件内的工具需使用相同域名，创建流程如下：

Step1：在团队空间选择「插件 => 创建插件」，填写插件名称、描述、插件 URL，配置 Header 列表（如 API KEY、Content-Type）；

Step2：配置工具输入参数，定义参数名称、类型、传入方法、是否必填、默认值；

Step3：配置工具输出参数，支持自动解析快速生成；

Step4：点击试运行，验证插件调用效果，调试通过后完成创建；

5. 思考疑问：自定义插件的 API 服务需要满足哪些协议要求？如何处理插件调用的超时与异常情况？

五、工作流使用

5.1 基础定义

工作流由多个节点构成，是处理逻辑复杂、多步骤任务的核心工具，节点为工作流基本单元，支持插件、大模型、代码、知识库等多种类型。

5.2 实战案例 1：创建搜索新闻工作流（getNews_tasks）

核心目标：实现输入关键词搜索头条新闻的标准化流程

步骤

Step1：进入工作流页面，点击创建，填写工作流名称、描述；

Step2：添加节点，按「开始￫getToutiaoNews￫结束」顺序连接；

Step3：节点配置

开始节点：新增user_input参数，类型为 String；
getToutiaoNews 节点：参数q引用「开始 - user_input」；
结束节点：新增output参数，引用「getToutiaoNews-news」；Step4：点击试运行测试，测试通过后发布；

思考疑问：工作流的节点参数是否支持多值传递与逻辑判断？

5.3 实战案例 2：weather_news 工作流（基于意图识别）

核心目标：识别用户意图（天气查询 / 新闻查询 / 其他），并自动返回对应结果

步骤

Step1：创建工作流，填写名称（weather_news）、描述（意图识别 + 信息获取）；

Step2：添加节点，依次为「开始￫意图识别￫大模型 / 头条搜索￫变量聚合￫结束」；

Step3：核心节点配置

意图识别节点：极速模式，输入input引用「开始 - input」，输出classificationId（1 = 天气，2 = 新闻，3 = 其他）；
大模型节点：针对天气查询，提取用户问题中的参数（城市 / 时间 / 省份等），输出 JSON 格式；
天气插件（墨迹天气）：参数与大模型提取的 JSON 参数一一对应；
头条搜索插件：针对新闻查询，input_query直接引用「开始 - input」，无需额外解析；
变量聚合节点：核心为「多进一出」的智能选值器，合并多分支语义相同的变量，返回组内第一个非空值，解决多意图分支的结果统一输出问题；
结束节点：引用变量聚合的结果，实现统一返回；

思考疑问：意图识别的准确率如何提升？是否支持自定义意图标签与匹配规则？

六、RAG 知识库

6.1 RAG 基础认知

RAG（Retrieval-Augmented Generation，检索增强生成）：大模型生成回复前，先从文档库中检索相关信息，再基于检索内容生成响应，解决大模型 “胡说八道” 的问题。

核心两阶段：检索阶段（编码模型基于问题检索相关文档）+生成阶段（基于检索上下文生成文本）；
Coze 知识库能力：支持外部数据上传，自动分段 / 编码，可在 Bot 开发界面直接导入使用。

6.2 知识库应用场景

语料补充：上传虚拟形象相关语料，Bot 通过向量召回模仿其语言风格；
客服场景：上传产品手册 / 高频问题，Bot 精准回答用户咨询；
垂直场景：上传专业领域数据（如车型参数），实现精准的行业问题解答。

6.3 实战案例：创建飞连产品知识库

核心目标：搭建飞连产品问答 Bot，支持产品使用咨询 + 大模型定价查询

6.3.1 数据收集与整理

信息源确认：飞连产品使用手册、故障排查手册、用户常见问题、大模型定价表、产品官网内容；
数据格式：Word（手册）、Excel（定价 / 常见问题）、URL（官网 / 在线文档）。

6.3.2 知识库创建步骤

Step1：进入知识库页面，选择知识类型（文本 / 表格 / 照片），创建知识库；

Step2：添加单元，选择导入来源（本地文档 / URL / 飞书表格）；

Step3：选择分片方式，支持自动分段和自定义分段：

自定义分段：设置分段标识符（如 ###）、分段长度，适合长文档的精细化拆分；
实操要点：可在本地文档中手动添加分段标识符，保证检索准确性；Step4：特殊数据处理

在线数据采集：安装 Coze Scraper 浏览器插件，采集网页内容并标注，确认后上传至知识库；
表格数据：选择表格格式，上传 Excel/CSV，配置表结构索引（如模型品牌、input 价格），设置数据起始行与数据类型。

6.3.3 产品助手 Bot 搭建与使用

Step1：创建 Bot，选择对应知识库的工作空间，填写名称和描述；

Step2：配置人设与回复逻辑，结构化编写提示词（角色 + 技能 + 约束），明确 Bot 为「飞连产品问答小助手，基于知识库检索生成回答」；

Step3：添加知识库，在「知识」配置区分别添加文本知识库（飞连产品）和表格知识库（大模型定价）；

Step4：知识库配置，设置调用方式（自动 / 按需）、搜索策略（混合 / 语义 / 全文）、最大召回数量、最小匹配度；

Step5：预览与调试，验证问题响应效果（如「Qwen-Turbo 费用多少」「出差人员远程办公如何操作」）；

思考疑问：知识库的最小匹配度和最大召回数量如何设置才能平衡回答准确率和效率？混合搜索策略的底层检索逻辑是什么？

七、Coze 经典实战案例

7.1 案例 1：抖音文案提取 & 二创

核心目标：输入抖音视频 URL，自动提取文案并优化创作

工作流节点流程

开始￫输出（提取中提示）￫get_douyin_article_info（抖音文案解析）￫输出（音频地址）￫SpeechToText（音频转文字）￫输出（原文案）￫大模型（文案优化）￫结束

核心配置

抖音文案解析插件（get_douyin_article_info）：douyin_url引用开始节点的input；
音频转文字插件（SpeechToText）：url引用抖音插件的音频地址；
大模型节点：系统提示词定义为「抖音文案优化师」，要求保留核心内容、符合抖音调性，输出原文案 + 调整后文案；
中间输出节点：添加多个输出节点展示中间状态（如提取中、音频地址、原文案），提升用户体验；

思考疑问：若抖音视频无文案 / 音频，工作流如何处理异常？是否支持多风格的文案优化（如搞笑 / 专业）？

7.2 案例 2：LLM 联网搜索

核心目标：用户输入问题，自动提取关键字、联网搜索并总结结果

工作流节点流程

开始￫大模型（提取关键字）￫输出（关键字提示）￫bingWebSearch（必应搜索）￫大模型（内容总结）￫结束

核心配置

关键字提取大模型：系统提示词要求「提取关键字，多关键字用空格隔开」；
必应搜索插件（bingWebSearch）：query引用大模型提取的关键字，可配置搜索结果数量；
内容总结大模型：系统提示词要求「对搜索内容进行简洁、准确的总结」；

实操示例：查询「贵州茅台 2024 年销售业绩」，工作流自动提取关键字、搜索并返回分阶段业绩数据（上半年 / 前三季度 / 一季度）；

思考疑问：如何优化关键字提取的准确性？是否支持多搜索插件的并行调用与结果融合？

7.3 案例 3：搭建古诗词 Agent

核心目标：输入一句古诗，自动生成对应的图像

工作流节点流程

开始￫大模型（联想画面描述）￫大模型（中英翻译 + 风格前缀）￫text2image（文生图）￫结束

核心配置

画面描述大模型：系统提示词要求「古诗词专家，根据诗句描述画面，100 字以内」；
翻译大模型：将画面描述翻译成英文，添加固定风格前缀（ancient china, children's book illustration style），适配文生图插件；
文生图插件（ByteArtist-text2image）：

prompt引用翻译大模型的输出；
model_type设置为 1（动漫风格，0 为通用风格）；

结束节点：output引用文生图插件的image_url，直接返回图片链接；

实操示例：输入「解落三秋叶」，工作流自动生成对应的动漫风格图片；

思考疑问：文生图插件的参数（如分辨率、风格）是否支持自定义配置？如何提升古诗画面与生成图片的匹配度？

八、Coze Studio 部署

8.1 Coze Studio 基础

定义：一站式 AI Agent 开发工具，提供 Prompt、RAG、Plugin、Workflow 能力，开源地址：https://github.com/coze-dev/coze-studio；
核心价值：让开发者聚焦 AI 核心价值创造，简化智能体的创建、调试与部署。

8.2 技术架构

后端：Golang（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）。

8.3 部署步骤（Docker 方式）

Step1：配置 Docker 镜像源（解决网络问题）

编辑 Docker 配置文件：C:\Users\你的用户名\.docker\daemon.json，添加国内镜像源；
配置内容：

{
"builder": {"gc": {"defaultKeepStorage": "20GB","enabled": true}},
"experimental": false,
"registry-mirrors": ["https://docker.1panel.live","https://hub.rat.dev","https://docker.m.daocloud.io"]
}

Step2：Docker 路径迁移（可选，解决 C 盘空间紧张）

在 PowerShell 执行：New-Item -ItemType Directory -Path "D:\Docker" -Force；
打开 Docker Desktop，进入「Settings￫Resources￫Advanced」，修改「Disk image location」为 D:\Docker，点击 Apply & Restart。

Step3：重启 Docker Desktop

完全退出后重新打开，等待启动完成。

Step4：部署 Coze Studio

克隆代码：

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

复制环境配置文件：copy .env.example .env；
手动拉取镜像（避免网络超时，分镜像源拉取）：
- 国内镜像源：mysql、elasticsearch、redis、nsq；
- Docker Hub：minio、etcd、milvus、coze-studio-server、coze-studio-web；
启动服务：docker compose -f docker-compose.yml up -d；
查看状态：docker compose ps，所有服务需为running或healthy状态。

Step5：访问与使用

访问地址：http://localhost:8888/sign（注册账号）；
管理控制台：http://localhost:8888/admin/#model-management（配置 AI 模型）；
主界面：http://localhost:8888/（开始创建智能体 / 工作流）；

思考疑问：Coze Studio 私有化部署后，如何与字节生态（飞书 / 抖音）进行集成？部署后的资源占用情况如何优化？

九、核心总结与关键疑问

9.1 核心总结

Coze 的核心优势是低代码 / 零代码、字节生态集成、自然语言编程，适合快速搭建 AI Agent 和轻量级工作流；
四大核心模块（智能体 / 工作流 / 插件 / 知识库）是 Coze 的基础，工作流 + RAG是 Coze 的核心应用场景；
插件是扩展 Coze 能力的关键，内置插件满足通用需求，自定义插件支持个性化业务集成；
RAG 知识库解决大模型幻觉问题，支持多格式数据上传与精细化拆分，是垂直领域 AI 应用的核心；
Coze Studio 支持私有化部署，满足企业级的 AI Agent 开发与管理需求。

9.2 通用关键疑问（便于向老师提问）

Coze 的云端资源是否有配额限制？企业级用户是否支持扩容？
工作流的节点是否支持循环、条件判断等复杂逻辑？如何实现？
自定义插件的异常处理（超时 / 报错）如何配置？是否支持重试机制？
RAG 知识库的向量模型是否支持自定义？如何提升检索的准确率？
Coze 与飞书 / 抖音的集成深度如何？是否支持实时数据同步？
Coze Studio 私有化部署后，如何进行版本更新与维护？

一、Coze 基础认知

1.1 产品定位

1.2 核心组成

1.3 核心能力

1.4 核心功能模块

二、Coze 编程

2.1 基础定义

2.2 实战案例 - 搭建五子棋网页

三、Coze 低代码

3.1 跨平台对比

3.2 实战：搭建第一个智能体（AI Bot）

3.2.1 标准创建步骤

3.2.2 实操示例 - AI 新闻助手

3.2.3 扣子助手快速创建

四、插件使用

4.1 插件基础能力

4.2 核心内置插件示例

4.3 自定义插件创建步骤

五、工作流使用

5.1 基础定义

5.2 实战案例 1：创建搜索新闻工作流（getNews_tasks）

步骤

思考疑问：工作流的节点参数是否支持多值传递与逻辑判断？

5.3 实战案例 2：weather_news 工作流（基于意图识别）

步骤

思考疑问：意图识别的准确率如何提升？是否支持自定义意图标签与匹配规则？

六、RAG 知识库

6.1 RAG 基础认知

6.2 知识库应用场景

6.3 实战案例：创建飞连产品知识库

6.3.1 数据收集与整理

6.3.2 知识库创建步骤

6.3.3 产品助手 Bot 搭建与使用

思考疑问：知识库的最小匹配度和最大召回数量如何设置才能平衡回答准确率和效率？混合搜索策略的底层检索逻辑是什么？

七、Coze 经典实战案例

7.1 案例 1：抖音文案提取 & 二创

工作流节点流程

核心配置

思考疑问：若抖音视频无文案 / 音频，工作流如何处理异常？是否支持多风格的文案优化（如搞笑 / 专业）？

7.2 案例 2：LLM 联网搜索

工作流节点流程

核心配置

实操示例：查询「贵州茅台 2024 年销售业绩」，工作流自动提取关键字、搜索并返回分阶段业绩数据（上半年 / 前三季度 / 一季度）；

思考疑问：如何优化关键字提取的准确性？是否支持多搜索插件的并行调用与结果融合？

7.3 案例 3：搭建古诗词 Agent

工作流节点流程

核心配置

实操示例：输入「解落三秋叶」，工作流自动生成对应的动漫风格图片；

思考疑问：文生图插件的参数（如分辨率、风格）是否支持自定义配置？如何提升古诗画面与生成图片的匹配度？

八、Coze Studio 部署

8.1 Coze Studio 基础

8.2 技术架构

8.3 部署步骤（Docker 方式）

Step1：配置 Docker 镜像源（解决网络问题）

Step2：Docker 路径迁移（可选，解决 C 盘空间紧张）

Step3：重启 Docker Desktop

Step4：部署 Coze Studio

Step5：访问与使用

思考疑问：Coze Studio 私有化部署后，如何与字节生态（飞书 / 抖音）进行集成？部署后的资源占用情况如何优化？

九、核心总结与关键疑问

9.1 核心总结

9.2 通用关键疑问（便于向老师提问）

相关文章