Coze工作原理与应用实例
2026/7/4大约 21 分钟
1. Coze 平台概述
1.1 什么是 Coze？
Coze（扣子）是字节跳动推出的 AI Agent（智能体）开发平台，定位为低代码 / 零代码的 AI 应用构建工具。它将大语言模型（LLM）比作"发动机"，而 Coze 则是"汽车工厂"——开发者不需要制造发动机，只需拼装工作流，就能让一个 AI 应用运转起来。
1.2 Coze 的发展演进
| 阶段 | 内容 |
|---|---|
| Coze 1.0 | 低代码 AI Bot 搭建平台，拖拽式工作流编排 |
| Coze 2.0 (2026.01.19) | 新增 Agent Coding（扣子编程），云端 Vibe Coding 开发环境 |
| Coze Studio | 开源私有化部署方案，支持 Docker 一键部署 |
1.3 平台定位
2. Coze 核心架构
2.1 四大核心支柱
Coze 的核心由四个关键组件构成：
Coze 核心 = 智能体（Agent）+ 工作流（Workflow）+ 插件系统（Plugin）+ 记忆系统（Knowledge & Memory）2.2 技术架构全景图
3. Coze 编程（Agent Coding / Vibe Coding）
3.1 什么是 Coze 编程？
Coze 编程（Agent Coding，又称扣子编程）是字节跳动在 2026 年 1 月 19 日 Coze 2.0 中新增的云端 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
- 能力范围：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
3.2 Coze 编程 vs 传统低代码
4. 低代码平台对比：Coze vs Dify vs n8n
详细对比表
| 维度 | Coze | Dify | n8n |
|---|---|---|---|
| 技术门槛 | 低（含 Vibe Coding + 低代码） | 中等（需理解工作流和 API） | 中等（需理解工作流和 API） |
| 开源性 | 部分组件开源 | 开源（Apache 2.0） | Fair-code（Sustainable Use License） |
| 部署方式 | 纯 SaaS（字节云端） | 云版 + 私有化（Docker） | 云版 + 私有化（Docker） |
| 集成能力 | 字节生态（飞书/微信/抖音）为主 | AI 模型 + 知识库为主 | 超强：400+ 原生节点（CRM/ERP/DB/Slack 等） |
| RAG/知识库 | 功能完善（文本/表格/图像） | 功能最完善（分段/清洗/召回测试/重排序） | 2.0 已原生支持，适合"工作流+RAG"混合 |
| 工作流复杂度 | 适合简单到中等流程 | 适合 LLM 应用内工作流 | 适合复杂跨系统流程（条件/循环/人工审核/多 Agent） |
| 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（多系统集成） |
5. 智能体（Bot）搭建
5.1 Bot 的三要素
5.2 结构化的 System Prompt 设计
Coze 推荐使用 Markdown 结构化格式 编写人设：
# Character <Bot 人设>
你是 [角色描述]，擅长使用 [工具]，包括 [能力描述]。
## Skills <Bot 的功能>
### Skill 1: [技能名称]
1. [具体操作步骤]
2. [具体操作步骤]
### Skill 2: [技能名称]
1. [具体操作步骤]
## Constraints <Bot 约束>
- [约束条件 1]
- [约束条件 2]5.3 实例：数据分析 Bot 的人设
5.4 Bot 创建流程
6. 插件系统
6.1 插件架构
6.2 自定义插件创建流程
每个插件可添加多个工具，每个工具都是一个独立的 API 服务（Endpoint）。同一个插件内的不同工具必须使用相同的域名。
6.3 插件 vs 工作流 的区别
| 维度 | 插件 | 工作流 |
|---|---|---|
| 粒度 | 单个 API 调用 | 多个节点编排 |
| 复用性 | 跨 Bot 复用 | 跨 Bot 复用 |
| 复杂度 | 简单（输入→输出） | 复杂（多步骤/条件分支） |
| 典型用途 | 天气查询、新闻搜索、文生图 | 意图识别→参数提取→插件调用→结果聚合 |
| 开发方式 | 配置 API endpoint | 可视化拖拽节点 |
7. 工作流系统
7.1 工作流核心概念
工作流由多个节点构成，节点是组成工作流的基本单元。通过工作流可以完成复杂的任务处理。
7.2 变量聚合节点原理
变量聚合节点本质上是 "多进一出"的智能选值器：
7.3 工作流设计原则
8. RAG 知识库
8.1 RAG 技术原理
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，然后利用检索到的信息来生成响应，从而提高回复内容的质量。
8.2 RAG 知识库的应用场景
8.3 知识库配置要点
8.4 传统 RAG vs Agentic RAG
| 维度 | 传统 RAG | Agentic RAG |
|---|---|---|
| 流程 | 固定工作流（检索→生成） | 灵活的、探索式过程 |
| 决策方式 | 单次检索 | Agent 自主决定是否检索、检索什么、何时检索 |
| 适用场景 | 确定性问答（FAQ、文档查询） | 探索性任务（研究、分析、复杂推理） |
| 实现方式 | 工作流编排 | Agent 自主编排 |
| 推荐 | 工作流固定场景 | 灵活探索场景 |
9. 实战案例分析
9.1 CASE：新闻搜索工作流（getNews_tasks）
目标：创建工作流，根据用户输入搜索 AI 相关新闻。
节点配置详情：
| 节点 | 配置项 | 值 |
|---|---|---|
| 开始节点 | 新增参数 user_input | 类型：String |
| getToutiaoNews | 输入参数 q | 引用 开始 → user_input |
| 结束节点 | 新增参数 output | 引用 getToutiaoNews → news |
Bot 提示词关键配置：
## 技能
### 技能1: 新闻查找
1. 当用户询问最新新闻时，先调用 getToutiaoNews 搜索最新人工智能新闻
2. 从搜索结果中筛选出 AI 主题相关的新闻
3. 筛选最重要的 5 条新闻，并按照时间升序排序9.2 CASE：weather_news 工作流（基于意图识别）
目标：识别用户意图（天气查询 / 新闻查询 / 其他），根据意图调用不同服务。
关键设计点：
- 意图识别将用户输入分类为三种类型
- 天气分支：大模型节点提取 JSON 参数 → 墨迹天气插件
- 新闻分支：直接从开始节点取 input → 头条搜索插件
- 变量聚合：三个分支汇聚，下游只需拉取一个变量
9.3 CASE：创建产品知识库
目标：搭建飞连产品助手，回答产品使用问题和大模型定价查询。
测试问题：
| 问题 | 预期答复来源 |
|---|---|
| 有出差员工如何进行远程办公 | Word 文档 → 场景一 |
| 如何限制指定部门访问指定资源 | Word 文档 → 场景二 |
| 如何允许指定部门访问指定资源 | Word 文档 → 场景三 |
| 如何让不同部门员工使用不同 VPN 节点 | Word 文档 → 场景四 |
| Qwen-Turbo 费用多少 | Excel → 定价表 |
文档分段策略：
- 在 Word 文档中手动添加
###作为分段标识符 - 设置分段长度为 2000 字符
- 每个功能场景独立成段，确保检索精度
9.4 CASE：抖音文案提取 & 二创
目标：用户输入抖音视频链接，提取视频文案并优化二次创作。
大模型 System Prompt：
# 角色
你是一个专业的抖音文案优化师，擅长根据抖音平台的特点和用户需求，
对用户提供的文案进行优化，使其更适合在抖音平台传播。
## 技能
### 技能1: 抖音文案优化
对原文案进行重新创作，保留核心内容的同时，让文案更具吸引力和感染力，
符合抖音平台的调性。
===回复示例===
调整后的文案：[调整后的文案]
===示例结束===
## 限制:
- 所输出的内容必须清晰展示原文案和调整后的文案
- 回复内容应简洁明了，避免冗长复杂的表述设计亮点：当节点步骤较多、处理时间较长时，增加输出节点显示中间状态，避免用户在等待时不知道进度。
9.5 CASE：LLM 联网搜索
目标：用户输入问题，AI 提取关键字，使用搜索插件搜索，并用大模型总结。
两个大模型节点分工：
| 节点 | 作用 | System Prompt |
|---|---|---|
| 大模型节点 1 | 提取关键字 | "对用户的问题，提取关键字，多个关键字用空格隔开" |
| 大模型节点 2 | 总结整理 | "对网上搜索到的内容进行总结整理" |
9.6 CASE：古诗词 Agent
目标：用户输入一句古诗，AI 联想画面 → 翻译成英文 → 文生图。
关键设计点：
- 第一个大模型：中文古诗词专家，将抽象诗意转化为具体画面描述
- 第二个大模型：翻译节点，因为文生图插件需要英文输入
- 翻译技巧：英文前加
"ancient china, children's book illustration style"控制画风 - 插件配置：text2image 的
model_type=1，Prompt 引用翻译大模型的 output
10. Coze Studio 私有化部署
10.1 Coze Studio 简介
Coze Studio 是一站式 AI Agent 开发工具，提供 Prompt、RAG、Plugin、Workflow 完整能力，使开发者可以聚焦创造 AI 核心价值。
- GitHub：https://github.com/coze-dev/coze-studio
- 技术栈：
- 后端：Golang（微服务架构，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）
10.2 技术架构
10.3 Docker 部署流程
镜像拉取清单：
| 类别 | 镜像 | 来源 |
|---|---|---|
| 基础镜像 | mysql:8.4.5 | 镜像源 |
| 基础镜像 | elasticsearch:8.18.0 | 镜像源 |
| 基础镜像 | redis:8.0 | 镜像源 |
| 基础镜像 | nsq:v1.2.1 | 镜像源 |
| Docker Hub | minio/minio | 直接拉取 |
| Docker Hub | etcd:3.5 | 直接拉取 |
| Docker Hub | milvusdb/milvus:v2.5.10 | 直接拉取 |
| Coze 服务 | cozedev/coze-studio-server:latest | 直接拉取 |
| Coze 前端 | cozedev/coze-studio-web:latest | 直接拉取 |
C 盘空间不足？迁移 Docker 到 D 盘：
# 1. 创建 D 盘目录
New-Item -ItemType Directory -Path "D:\Docker" -Force
# 2. Docker Desktop → Settings → Resources → Advanced
# Disk image location → Browse → D:\Docker
# Apply & Restart11. 总结与展望
11.1 Coze 平台能力全景
11.2 从零构建 AI 应用的方法论
11.3 关键要点回顾
| 主题 | 核心要点 |
|---|---|
| Coze 核心公式 | Agent = System Prompt + Tool + RAG + Workflow |
| Coze 编程 | 云端 Vibe Coding，自然语言→应用，一键部署 |
| 插件 vs 工作流 | 插件 = 单个 API；工作流 = 多节点编排。插件给 Agent 使用，工作流实现复杂逻辑 |
| 意图识别 | 工作流核心模式：意图识别 → 分支处理 → 变量聚合 → 统一输出 |
| RAG 知识库 | 收集数据 → 分段编码 → 向量存储 → 检索增强生成 |
| 分段策略 | 自定义分隔符（###）+ 合适长度（2000），保证检索精度 |
| 传统 vs Agentic RAG | 固定流程用传统 RAG，灵活探索用 Agentic RAG |
| Coze Studio | 开源私有化方案，Golang + React + Eino 框架，Docker 部署 |
11.4 推荐模型选择（2026 年参考）
| 市场 | 推荐模型 |
|---|---|
| 国外 | Claude Opus 4.6, GPT 5.4 |
| 国内 | Qwen3-Coder-Plus, GLM, Kimi 2.5, Minimax |
| Coze 平台推荐 | 通义千问-Max（推理质量最佳） |