终于！扣子（Coze）把他最核心的Agent 技术开源了（附完整部署指南） - 链载Ai

长期聚焦飞书开发套件开发、多维表格定制、prompt 定制、智能体设计与自动化工作流构建、ComfyUI 工作流定制，致力于打造真正可用、可复制、可变现的业务系统解决方案。

作为一站式AI Agent开发平台，扣子（Coze）自发布以来，一直致力于降低AI的创造门槛。它的核心理念是，无论用户是否具备编程背景，都能通过直观、可视化的方式，快速将创意变为功能强大的AI智能体（Agent），并将其发布到各类平台。

今天，扣子平台将其核心能力全面开放，迈出了其发展历程中最重要的一步：正式开源其最核心的两个项目：

Coze Studio（扣子开发平台）：强大的 Agent创造引擎。
Coze Loop（扣子罗盘）：专业的 Agent开发运维（DevOps）与评估平台。

本文将为你详细解读这对开源“双子星”的核心能力，并提供完整的本地部署教学，带你全面拥抱这个强大的 AI Agent 工具链👇

01. Coze Studio：强大的 Agent 创造引擎

Coze Studio是「扣子」平台最核心的业务引擎，遵循Apache 2.0 许可证开源，赋予开发者商业使用、专利授权和社区共建的广泛权利。它将复杂的AI技术封装成简洁、强大的功能，让你能专注于创意本身。

✅ 自由编排的工作流（Workflow）：通过直观的拖拽节点方式，自由地设计、编排和调试任何复杂的业务逻辑流程。

✅ 无限扩展的插件（Plugin）框架：允许你将任何第三方 API 或企业内部的私有能力，轻松封装成一个插件，无限扩展 Agent 的能力边界。

✅ 其核心功能清单如下

02. Coze Loop：专业的 Agent 开发运维平台

如果说 Studio 是造车的工厂，那么 Coze Loop 就是配套的研发实验室、测试场和监控中心。它解决了 AI Agent 开发过程中从调试到运维的全链路挑战。

✅ 精准的 Prompt 开发：提供可视化的 Playground，让你从编写、调试、优化到版本管理，实现对提示词的全流程支持，并能直观比较不同大语言模型的输出效果。

✅ 系统化的评测能力：提供多维度的自动化检测能力，能系统化地评测 Prompt 和智能体的输出效果，覆盖准确性、简洁性和合规性等关键指标。

✅ 全链路的可观测性：完整记录从用户输入到 AI 输出的每个处理环节，包括模型调用和工具执行等关键节点，让你能清晰地洞察 Agent 的内部运作，快速定位并解决问题。

✅ 其核心功能清单如下

03. 上手实践：本地部署 Coze 开源“双子星”

现在，让我们动手将 Coze Studio 和 Coze Loop 全部部署到本地。

✅部署指南（一）：安装 Coze Studio (扣子开发平台)

1. 准备工作：

硬件：CPU2核及以上，内存4GB及以上。
软件：安装好Docker和Docker Compose，并启动 Docker 服务。

2. 获取源码：git clonehttps://github.com/coze-dev/coze-studio.git

3. 配置模型服务：

cd coze-studio
# 复制模型配置模版
cp backend/conf/model/template/model_template_ark_doubao-seed-1.6.yaml backend/conf/model/ark_doubao-seed-1.6.yaml

然后，编辑backend/conf/model/ark_doubao-seed-1.6.yaml文件，填入你的模型id,api_key和model。

4. 部署与访问：

# 启动服务cd docker
cp .env.example .env
docker compose --profile '*' up -d

部署成功后，通过浏览器访问http://localhost:8888/。

部署指南（二）：安装 Coze Loop (扣子罗盘)

1. 准备工作：

硬件：与Studio相同。
软件：安装好Docker、Docker Compose及Go(版本 >= 1.23.4)。
模型：已开通 OpenAI 或火山方舟等在线模型服务。

2. 获取源码：

# 克隆代码
git clone https://github.com/coze-dev/cozeloop.git

# 进入cozeloop目录下
cd cozeloop

3. 配置模型服务：进入conf/default/app/runtime/目录，编辑model_config.yaml文件。你可以用以下模板覆盖原文件，然后必须将api_key和model字段的***替换为你的真实配置。

models:
 -id:1
  name:"doubao"
  frame:"eino"
  protocol:"ark"
  protocol_config:
   api_key:"***"# 火山方舟 API Key，获取方式可参考 https://www.volcengine.com/docs/82379/1541594
   model:"***" # 方舟模型 ID，可参考 https://www.volcengine.com/docs/82379/1330310
  param_config:
   param_schemas:
    - name:"temperature"
     label:"生成随机性"
     desc:"调高温度会使得模型的输出更多样性和创新性，反之，降低温度会使输出内容更加遵循指令要求但减少多样性。建议不要与 “Top p” 同时调整。"
    type:"float"
    min:"0"
    max:"1.0"
     default_val:"0.7"
    - name:"max_tokens"
     label:"最大回复长度"
     desc:"控制模型输出的 Tokens 长度上限。通常 100 Tokens 约等于 150 个中文汉字。"
    type:"int"
    min:"1"
    max:"4096"
     default_val:"2048"
    - name:"top_p"
     label:"核采样概率"
     desc:"生成时选取累计概率达 top_p 的最小 token 集合，集合外 token 被排除，平衡多样性与合理性。"
    type:"float"#
    min:"0.001"
    max:"1.0"
     default_val:"0.7"
 -id:2
  name:"openapi"
  frame:"eino"
  protocol:"openai"
  protocol_config:
   api_key:"***"# OpenAI API Key
   model:"***" # OpenAI 模型 ID
  param_config:
   param_schemas:
    - name:"temperature"
     label:"生成随机性"
     desc:"调高温度会使得模型的输出更多样性和创新性，反之，降低温度会使输出内容更加遵循指令要求但减少多样性。建议不要与 “Top p” 同时调整。"
    type:"float"
    min:"0"
    max:"1.0"
     default_val:"0.7"
    - name:"max_tokens"
     label:"最大回复长度"
     desc:"控制模型输出的 Tokens 长度上限。通常 100 Tokens 约等于 150 个中文汉字。"
    type:"int"
    min:"1"
    max:"4096"
     default_val:"2048"
    - name:"top_p"
     label:"核采样概率"
     desc:"生成时选取累计概率达 top_p 的最小 token 集合，集合外 token 被排除，平衡多样性与合理性。"
    type:"float"#
    min:"0.001"
    max:"1.0"
     default_val:"0.7"

4.启动服务：在cozeloop项目根目录下，执行以下命令。首次启动耗时较长，请耐心等待。

# 启动服务，默认为开发模式
docker compose up --build

注意：启动模式默认为开发模式。当日志提示“后端构建完成”或类似信息时，表示服务已成功启动。如果遇到Docker相关问题，通常是环境、权限或网络问题，可参考下文“常见问题”。

5. 访问与验证：

访问平台：启动服务后，通过浏览器访问http://localhost:8082即可打开 Coze Loop。

验证模型服务：这是确保平台正常工作的关键一步。

✅ 根据页面提示注册账号并登录。

✅ 在左侧导航栏中单击Playground。

✅ 在模型配置区，确认可选模型列表与你在model_config.yaml中配置的完全一致。

✅ 选择任一模型，在右侧预览与调试区展开对话，查看模型是否能正常响应。

✅ 在左侧导航栏中单击Trace，查看调试过程中是否成功上报了 Trace 信息。

如果以上步骤均可正常执行且页面无报错，恭喜你，Coze Loop 已成功部署并可以正常调用模型服务！

下一步：体验核心功能

现在，你可以开始体验 Coze Loop 的强大功能了：

Prompt 开发与调试：在 Playground 中进行提示词的开发与迭代。
评测：创建评测集和评估器，发起评测实验。
Trace 上报与查询：集成 SDK，实现对你的 Agent 的一键上报与观测。

附：常见问题

镜像拉取失败 (docker pull failed)

docker pull golang:1.23.4
docker pull nginx:latest
docker pull clickhouse/clickhouse-server:latest
docker pull mysql:latest
docker pull minio/minio:latest
docker pull apache/rocketmq:latest
docker pull redis:latest
docker pull moby/buildkit:latest # arm架构跨平台需要

原因：启动服务。
建议先手动在本地拉取所有需要的镜像，成功后再使用docker compose up --build启动服务。
Bash

小结

打造一个真正好用的AI智能体（Agent），挑战远不止于最初的搭建环节。Coze此次开源其核心工具链，正是为了解决这一根本问题，它提供的不再是单一的开发工具，而是一套完整的生态系统。

这套生态系统包含两大核心：

✅ 创意的实现平台 (Coze Studio)：它负责将天马行空的创意落地为功能实体，通过灵活的工作流和插件，让开发者可以自由组合各种能力，专注于应用逻辑本身。

✅ 质量的保障体系 (Coze Loop)：它扮演了“质量总监”和“运维中心”的角色，通过严谨的测试、评估与监控，确保交付的服务精准、可靠且易于维护。

通过将创造的自由度与工程的严谨性相结合，Coze让开发者得以在自己的环境中，构建出不仅功能强大，而且表现值得信赖的AI应用，真正实现了从0到1、再到持续优化的全流程闭环。