本次开源包括 Coze Studio（扣子开发平台） 和 Coze Loop（扣子罗盘） 两个核心项目，并采用了 Apache 2.0 许可协议，这意味着开发者可以自由修改甚至闭源商用，这让那些其他的智能体开发平台，比如 dify，瞬间就不香了。
我也算是 Coze 的老用户了，一直关注着它的最新动态，只要一有新功能推出，我总是第一时间去体验，然后和小伙伴们讨论，猜猜它后端可能是怎么实现的。现在开源了，这不得好好研究下它的代码嘛。
Coze Studio 介绍
根据官网的介绍，Coze Studio 源自 扣子开发平台，是一个一站式 AI 智能体开发平台，通过 Coze Studio 提供的可视化设计与编排工具，开发者可以通过零代码或低代码的方式，快速打造和调试智能体、应用和工作流，实现强大的 AI 应用开发和更多定制化业务逻辑。
它的核心功能包括：
模型服务：管理模型列表，可接入 OpenAI、火山方舟等在线或离线模型服务；
搭建智能体：编排、发布、管理智能体，支持配置工作流、知识库等资源；
搭建应用：创建、发布应用，通过工作流搭建业务逻辑；
搭建工作流：创建、修改、发布、删除工作流；
开发资源：支持创建并管理以下资源：插件、知识库、数据库、提示词；
API 与 SDK：创建会话、发起对话等 OpenAPI，通过 Chat SDK 将智能体或应用集成到自己的应用；
本地部署
Coze 提供了项目所需的所有镜像，使用 Docker Compose 可以快速进行部署。我们首先克隆源码：
$ git clone https://github.com/coze-dev/coze-studio.git
进入 docker 目录：
$ cd coze-studio/docker
这个目录下的 docker-compose.yml 文件定义了部署 Coze 包含的各个组件，包括：
coze-mysql- MySQL 结构化数据存储coze-redis- Redis 缓存coze-elasticsearch- Elasticsearch 存储coze-minio- Minio 对象存储coze-milvus- Milvus 向量数据库coze-etcd- Milvus 依赖 etcd 管理元数据coze-server- Coze 后端服务
Coze 默认使用 NSQ 作为消息中间件服务，这是一个基于 Go 语言编写的内存分布式消息中间件，包括下面三个组件：
coze-nsqd- 负责接收、排队和向客户端投递消息，处理消息收发和队列维护的组件coze-nsqlookupd- 管理拓扑信息的守护进程，相当于中心管理服务和服务发现组件coze-nsqadmin- 一个 Web UI，用于实时查看聚合的集群统计信息，并执行各种管理任务
此外，有些组件在部署时需要初始化一些数据，Coze 通过下面这三个组件来初始化：
coze-minio-setup- 导入图标类的资源文件coze-mysql-setup-schema- 初始化 MySQL 表结构，使用 Atlas 工具根据 HCL 文件创建数据库表结构coze-mysql-setup-init-sql- 初始化 MySQL 表结构，导入初始化数据，和coze-mysql-setup-schema的区别是，这个服务使用 MySQL 原生客户端执行 SQL 脚本文件
为什么有两个初始化 MySQL 的服务？可能是为了兼容不同的部署方式，或者是逐步从传统 SQL 到 Atlas 迁移升级。
这个目录下还有一个 .env.example 文件，里面包含大量的项目配置，我们需要将其复制一份出来，另存为 .env 文件：
$ cp .env.example .env
如果你希望修改数据库用户名或密码之类的，可以编辑这个文件，默认情况下不用动。直接 docker compose 启动即可：
$ docker compose --profile "*" up -d
等待所有容器启动完毕：
其中
coze-minio-setup、coze-mysql-setup-schema、coze-mysql-setup-init-sql这几个容器完成初始化任务后就退出了，因此处于 Exited 状态，是正常现象。
如果一切顺利，通过浏览器访问 http://localhost:8888/ 即可进入 Coze Studio 页面：
输入邮箱和密码，点击注册，进入工作空间：
模型配置
不过这个时候我们还无法使用平台功能，比如创建智能体，会报如下错误：
Coze Studio 是一款基于大模型的 AI 应用开发平台，因此我们还必须配置模型服务。模型配置为 YAML 文件，统一放在 backend/conf/model 目录中，可以存在多个，每个文件对应一个可访问的模型。Coze Studio 支持常见的模型服务，如 OpenAI、DeepSeek、豆包等，为方便开发者快速配置，Coze Studio 在 backend/conf/model/template 目录下提供了常见模型的模板文件：
$ tree backend/conf/model/template backend/conf/model/template├── model_template_ark.yaml├── model_template_ark_doubao-1.5-lite.yaml├── model_template_ark_doubao-1.5-pro-256k.yaml├── model_template_ark_doubao-1.5-pro-32k.yaml├── model_template_ark_doubao-1.5-thinking-pro.yaml├── model_template_ark_doubao-1.5-thinking-vision-pro.yaml├── model_template_ark_doubao-1.5-vision-lite.yaml├── model_template_ark_doubao-1.5-vision-pro.yaml├── model_template_ark_doubao-seed-1.6-flash.yaml├── model_template_ark_doubao-seed-1.6-thinking.yaml├── model_template_ark_doubao-seed-1.6.yaml├── model_template_ark_volc_deepseek-r1.yaml├── model_template_ark_volc_deepseek-v3.yaml├── model_template_basic.yaml├── model_template_claude.yaml├── model_template_deepseek.yaml├── model_template_gemini.yaml├── model_template_Ollama.yaml├── model_template_openai.yaml└── model_template_qwen.yaml
可以看到，除了字节自家的豆包（ARK 表示 火山方舟，豆包系列的大模型都支持），Coze Studio 也内置了 OpenAI、DeepSeek、Claude、Ollama、Qwen、Gemini 等模型的支持。
最近，国产开源模型大爆发，从月之暗面的 Kimi K2、阿里的 Qwen3 到智谱的 GLM 4.5，模型效果一个比一个好。这些模型在魔搭也都上线了：
其中，Qwen3 和 GLM 4.5 都提供了推理 API 可以免费调用，每天 2000 次额度，我们不妨用 Qwen3 来测试一下。魔搭的推理 API 兼容 OpenAI 接口协议，因此我们这里使用 OpenAI 模版，将其复制到 backend/conf/model 目录：
$ cp backend/conf/model/template/model_template_openai.yaml backend/conf/model/model_modelscope_qwen3_coder.yaml
模版文件对各个参数已经有了比较详细的解释，一般来说，大多数参数都不用动，只需要关注其中几个重要参数即可：
id- 模型 ID，由开发者自行定义，必须是非 0 的整数，且全局唯一，模型 ID 定下来之后最好就不要改了；name- 模型在平台上展示的名称；description- 模型在平台上展示的简介，分中英文；default_parameters- 模型默认参数，包括temperature、max_tokens、top_p、frequency_penalty、presence_penalty、response_format等，基本上不用动；meta.capability- 模型具备的能力，根据实际情况配置，比如是否支持 function call，是否支持 json mode，是否支持 reasoning，是否支持多模态，等；meta.conn_config.base_url- 模型服务的接口地址，如果使用的不是 OpenAI 官方接口，可以在这里配置；比如这里我使用魔搭的推理 API 接口；meta.conn_config.api_key- 模型服务的 API Key；注册魔搭平台后，在 “账号设置” - “访问令牌” 页面创建；meta.conn_config.model- 模型名，不同厂商的命名规则可能不一样；比如这里我使用 Qwen3-Coder 来测试，在魔搭上的模型名为Qwen/Qwen3-Coder-480B-A35B-Instruct；meta.conn_config.openai- OpenAI 专属配置，这里将by_azure设置为false；
更多参数介绍，请参考官方的 模型配置文档。
修改后的配置文件内容如下：
然后执行以下命令重启 Coze 服务，使配置生效：
$ docker compose --profile "*" restart coze-server
再次点击创建智能体，此时就可以成功创建了，模型下拉列表可以看到我们配置的模型服务：
在右边的 “预览与调试” 对话框聊上两句，测试下模型服务是否正常：
小结
本文作为 Coze Studio 的快速上手指南，我们首先介绍了 Coze 开源的背景及其核心功能，然后详细讲解了如何使用 Docker Compose 在本地环境中完成部署，并以 OpenAI 兼容模型为例，演示了如何配置和验证模型服务。通过这些步骤，我们成功搭建了一个可用的 Coze Studio 本地开发环境。
至此，一切准备就绪，让我们一起开始 Coze 智能体的探索之旅吧！
