Coze：从入门到精通

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

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：

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）

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。

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

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 (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。

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：

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：

相关推荐