零代码搭建AI Agent：Coze平台全攻略，小白也能轻松上手（必收藏）
·
字节跳动推出的AI Agent开发平台Coze采用Apache 2.0协议开源，包含智能体构建、工作流自动化、知识库管理等核心功能。文章详细介绍了其与Dify、n8n的对比，Coze与Coze空间区别，智能体搭建方法，以及本地部署与在线使用的优缺点。Coze降低开发门槛，适合零基础用户快速上手AI Agent开发，同时也提供企业级定制化方案。
近日，Coze开源引起科技圈激烈讨论。Coze开源是AI领域的重要举措，既通过Apache 2.0协议降低了智能体开发门槛，让开发者可自由部署、二次开发及商用，推动技术普惠与行业标准化，又能借助开源社区构建开发者生态，助力字节跳动推广豆包大模型和云服务，重塑行业竞争格局；但同时也面临功能生态短板（如缺失部分高级功能、插件较少）、可持续性风险（算力需求与变现压力）及安全治理挑战（漏洞风险与劣质应用泛滥）等问题，是一把兼具机遇与挑战的“双刃剑”。
一、初识Coze
1.价值定位
扣子空间是新一代AI Agent开发平台。凭借”低代码“功能，使开发门槛降低。开发的AI智能体，可以通过API或SDK将 AI 应用集成到你的业务系统中。提高了编码效率。
2.核心功能
一、智能体（Bot）构建核心功能
这是 Coze 的基础且核心能力，支持零代码或低代码搭建专属 AI 智能体。
- 人设与回复逻辑定义：
可通过自然语言设定 Bot 的身份（如 “历史科普博主”“电商客服”）、性格（如 “活泼亲切”“严谨专业”）、知识范围及回复风格；还能配置触发规则（如特定关键词触发预设回复、用户提问类型匹配对应处理流程）。 - 多模态能力集成：
支持文本、图像、语音等多模态交互。例如，可接入图像生成插件（如 Stable Diffusion）让 Bot 根据文字描述生成图片；或接入语音转文字工具，实现语音提问的实时处理。 - 工具与插件调用：
内置丰富的官方工具（如 “网页搜索”“计算器”“代码解释器”），也支持接入第三方 API 或自定义插件（如企业内部数据接口、特定业务工具）。比如，搭建 “旅行规划 Bot” 时，可调用 “航班查询插件”“酒店预订 API”，实现实时信息获取与操作。
二、工作流（Workflow）自动化功能
即前文提到的 “工作流”，用于将复杂任务拆解为自动化流程，是提升 Bot 效率的关键工具（详细功能可结合前文，此处侧重 “操作与场景”）。
-
可视化流程编排：
通过拖拽节点（如 “LLM 调用”“条件判断”“数据处理”“插件执行”）在画布上搭建流程，无需代码即可实现 “多步骤任务自动化”。例如，“沉浸式历史故事短视频生成工作流” 可拆解为：
- “用户输入历史主题”→2. “LLM 节点生成故事脚本”→3. “图像生成节点根据脚本关键词生成场景图”→4. “视频合成插件拼接图文与配音”→5. “输出最终视频”。
-
灵活的节点与逻辑控制：
支持 “条件分支”（如 “若用户需求是‘简单介绍’则调用轻量模型，若为‘深度分析’则调用高级模型”）、“循环执行”（如 “多次校验数据格式直至符合要求”）、“并行处理”（如 “同时调用两个插件分别获取不同维度数据”）等复杂逻辑，适配多样业务场景。
三、知识库（Knowledge Base）管理功能
用于存储和管理 Bot 的 “专属知识”，确保 Bot 回复的准确性与针对性。
- 多格式知识导入与结构化：
支持导入文本、PDF、Word、Excel 等格式文件，或直接粘贴网页链接、手动录入知识；系统会自动对知识进行分词、索引，生成结构化知识库（如按 “章节”“关键词” 分类）。 - 智能知识召回与引用：
当 Bot 接收用户提问时，会自动从知识库中检索相关内容，并结合 LLM 生成回复（同时标注知识来源，方便溯源）。例如，企业搭建 “内部培训 Bot” 时，可将员工手册、产品资料导入知识库，Bot 即可基于这些专属内容解答员工问题，避免 “幻觉回答”。 - 知识库更新与维护：
支持随时添加、删除、修改知识内容，也可设置 “知识有效期”（如临时活动规则到期后自动失效），确保知识的时效性。
四、测试与部署功能
-
多场景测试工具：
提供 “对话测试” 功能，可模拟用户提问，实时查看 Bot 的回复效果，并针对 “回答错误”“流程卡顿” 等问题标记 “bad case”，用于后续优化；也支持批量导入测试用例，自动生成测试报告（如 “准确率”“响应速度”“工具调用成功率” 等指标）。 -
多平台一键部署：
搭建完成的 Bot 可快速部署到多种渠道，包括：
- 官方渠道：Coze 网页端、Coze 小程序；
- 第三方平台：微信公众号 / 小程序、Discord、Telegram、企业微信等（通过 API 或官方插件对接）；
- 自定义场景：生成嵌入代码，直接集成到企业官网、APP 或内部系统。
五、团队协作与资源管理功能
适合多人共同开发或企业级使用。
- 工作空间与权限管理：
可创建 “团队工作空间”，邀请成员加入并分配权限（如 “管理员”“开发者”“测试者”），不同权限对应不同操作范围（如开发者可编辑 Bot，测试者仅能进行测试），保障协作效率与数据安全。 - 资源库统一管理：
工作流、知识库、插件、测试用例等资源可统一存储在 “资源库”，支持跨 Bot 复用（如将 “客户信息查询工作流” 应用到多个客服 Bot），减少重复开发。
典型适用场景
- 内容创作：如搭建 “短视频脚本生成 Bot”“文案优化 Bot”，结合工作流实现 “选题→初稿→润色→排版” 自动化；
- 企业服务：如 “智能客服 Bot”（对接知识库和订单系统，自动解答售后问题）、“办公助手 Bot”（自动汇总周报、预约会议）；
- 个人工具：如 “学习助手 Bot”（定制化整理知识点）、“旅行规划 Bot”（结合实时数据生成行程）；
- 开发者工具：如快速搭建 API 测试 Bot、代码解释 Bot 等。
3.差异对比
| 对比维度 | Coze |
Dify |
n8n |
|---|---|---|---|
| 定位 | 字节跳动推出的开源无代码 AI 聊天机器人平台，主打快速构建对话式 AI 应用 | 开源的大语言模型 (LLM) 应用开发平台，融合后端即服务（Backend as Service）和 LLMOps 理念，专注于基于大语言模型的智能应用全生命周期管理 |
开源的、可扩展的工作流自动化工具，核心能力是跨系统集成与复杂工作流编排 |
| 开源情况 | 开源，采用 Apache 2.0 协议 |
开源 | 开源，采用 “公平代码”（Fair Code）许可，允许商业化使用，鼓励对开源贡献者补偿 |
| 核心设计理念 | “即用即走”，通过可视化界面和预制模板降低 AI 开发门槛 | 融合后端即服务和 LLMOps 理念，提供从原型到生产部署全流程支持 |
以流程为核心，通过节点拼接实现系统间数据流转，强调灵活性和扩展性 |
| 工作流搭建 | 通过可视化界面拖拽节点搭建工作流，支持基础流程设计，部分节点支持简单脚本 | 有 Chatflow（面向对话类情景）和 Workflow（面向自动化及批处理情景），通过节点配置和变量串联搭建，支持条件分支等复杂逻辑 |
可视化拖拽高度灵活，支持条件分支、循环、并行执行等复杂逻辑，可嵌入 JavaScript/Python 代码实现复杂逻辑 |
| 模型支持 | 内置多模型对话系统，支持接入主流大语言模型，模型选择相对有限 | 支持数百种开源 / 专有模型，可本地部署，能动态切换模型，如白天用国产模型，夜间用 GPT-4 |
可将 LLM 接入流程，通过插件或 API 集成多种主流大语言模型，能根据业务场景动态切换模型 |
| 连接器数量 | 约 50 + 官方连接器，依赖官方支持，可通过 API 触发工作流，配置相对基础 | 未明确提及连接器数量，但插件机制完善，可扩展 API 和第三方工具 |
超过 400 个内置节点，支持 600 + 应用和服务连接，可连接几乎所有有 API 的应用程序 |
| 数据处理能力 | 可通过插件和脚本进行数据处理，能力相对有限，侧重于智能体对话和简单任务自动化 | 内置 RAG 框架，可一键上传企业文档构建知识库，实现精准问答，在与 AI 相关的数据处理上能力较强 |
可通过 JavaScript/Python 处理数据，如合并表格、加密敏感信息等，数据处理能力灵活且强大 |
| 部署方式 | 仅提供云服务（SaaS） |
支持私有化部署和云服务，可根据企业需求定制部署 | 支持本地部署、云服务和 Kubernetes 集群部署，部署灵活性高 |
| 数据安全与合规性 | 提供加密传输和数据隔离，符合基础安全标准，闭源导致透明度较低 | 通常注重数据安全与合规，一般提供相应的数据安全措施和合规支持，但未提及具体细节 | 支持加密、RBAC 权限管理、审计日志，企业版通过 ISO 27001 认证，支持 GDPR、HIPAA等合规要求，数据安全性和合规性较高 |
| 团队协作 | 具备基础团队协作功能，如共享工作流 | 支持多工作区、权限控制，适合团队协作 | 支持团队协作，可通过权限管理等功能实现多人协同开发 |
| 适用场景 | 适合个人、小型团队的轻量级自动化需求，以及快速搭建对话式 AI，如智能客服、社交媒体聊天机器人等 C 端场景，可快速部署到字节系产品及微信等平台 | 适合企业级 AI 应用开发，如智能客服系统、企业级知识库问答系统、以 AI 为底层能力的 SaaS 系统开发等，可满足对模型运维和复杂工作流有较高要求的场景 |
适用于个人、中小型企业，尤其是有复杂自动化需求场景，如电商自动化运营、营销自动触发、企业 IT 自动化等，可实现跨系统的数据自动化流转 |
| 学习门槛 | 零代码操作，通过自然语言操作和拖拽式工作流，中文文档完善，学习门槛低，适合零基础用户 | 需一定技术基础，了解大模型相关知识和开发流程，适合有技术能力的团队，但提供了较为完善的文档和工具，上手难度适中 | 需理解 API 接口和数据处理逻辑，对技术能力有一定要求，适合自动化流程开发者、技术型运营等，但可视化设计也降低了部分难度 |
| 成本模型 | 目前免费，未来或按交互量收费 | 开源部分可免费使用，私有化部署等企业级服务可能需付费，按 Token 计费 + 企业订阅 | 社区版开源免费，需自托管且自行维护；企业版按用户 / 工作流付费，支持私有云部署 |
| 生态优势 | 深度整合抖音、飞书等字节系产品，可一键发布触达用户 | 社区活跃度高，功能迭代快速，可与多种开源模型和工具集成 | 有丰富的社区资源和大量的工作流模板分享，可通过第三方插件扩展功能，生态较为丰富 |
4.Coze和Coze空间
功能定位：“开发平台” vs “协同办公场所”
- 扣子（Coze）：核心是AI 智能体开发平台，面向 “搭建者”，无论是否有编程基础，都能通过低代码方式创建、训练 AI 智能体（如智能客服、天气助手），并编排工作流（如短视频生成、数据查询流程），本质是 “生产 AI 应用的工具”。
- 扣子空间（Coze Space）：核心是AI 协同办公助手，面向 “使用者”，聚焦 “高效完成实际任务”，无需搭建智能体，只需提出目标（如 “写一份产品销售报告”“设计《朝花夕拾》教案”），即可作为办公场景的协作工具，本质是 “用 AI 解决具体工作的场所”。
任务处理方式：“手动编排” vs “自动拆解”
- 扣子：需用户手动设计工作流，明确 AI 执行的每一步逻辑（如 “调用天气插件→获取数据→按格式输出”），适合需要定制化流程的场景，但依赖用户对任务逻辑的拆解能力。
- 扣子空间：支持智能任务分解，用户仅需输入目标（如 “规划北京三日游”），系统会自动拆分为 “景点筛选→行程排序→天气查询→酒店推荐” 等子任务，按逻辑依次执行；还提供 “探索模式”“规划模式” 两种处理方式，无需用户手动配置步骤。
输出成果形式：“多样化创作” vs “办公场景适配”
- 扣子：输出形式更偏向 “创作与应用交付”，包括视频、文字、网页链接、智能体应用（可发布到社交平台 / 业务系统）等，随插件生态完善可拓展更多创作类成果（如动漫视频、小说推文）。
- 扣子空间：输出更聚焦 “办公实用性成果”，如 PPT 文件、Markdown 文档、在线数据表格、思维导图等，直接匹配报告撰写、会议安排、数据分析等工作场景，无需额外格式转换即可使用。
工具调用能力：“插件接入” vs “深度集成”
- 扣子：通过 “插件市场” 接入第三方工具（如头条搜索、图像生成、OCR 识别），工具数量丰富但以 “单点功能调用” 为主，需手动关联到工作流中，适合轻量工具整合。
- 扣子空间：支持MCP 工具协议，不仅能调用墨迹天气、GitHub、高德地图等外部工具，还能与飞书全家桶（飞书文档、多维表格、日历）深度集成，工具调用更贴合办公协同场景，且无需手动配置关联逻辑，系统会自动匹配任务所需工具。
二、开发者-智能体搭建
智能体，也就是我们常说的AI Agent，但它到底是什么呢？我们可以用一个简单的公式进行描述：AI Agent =Processing（流程处理）+LLM（语言模型）+Memory（长期记忆）+ Tools（工具）。
有没有发现这个AI Agent跟我们人有点相似，LLM就像是我们的大脑，帮助我们做决策和分析，Processing是我们将一件事拆分成的每一个步骤，Memory就像是我们人类的记忆和经验，Tools就像是我们为了完成一件事所需要用到的工具。
单纯的LLM就是Large Language Model大语言模型，简称大模型，主要被用来理解文本和生成自然语言文本，也就是我们前些年最火所谓的AI。通常没有特定的目标和任务，就是你一句我一句这种根据输入的文本给出相应的回答的形式，大家所熟知的ChatGpt、Deepseek、豆包、Kimi、元宝、通义千问这些其实都是大语言模型。
但是单一的大语言模型能做到的对话再厉害，它也只是一个对话模型， 无法真正做到某件事情，其实AI Agent就是自动化机器人，可以给它设定很多个功能，我只需要一个指令，它就可以帮我们完成一系列动作，这和前几年火的RPA有异曲同工之妙。
我们来使用Coze在空间中设计一个智能体。
首先，我们要明白我们的目的，我要设计一个能生成成语视频的智能体。我通过输入成语，他就能给我生成一个完整的讲解视频。生成视频，我们需要有文案，图片，声音。我们可以做以下部署：
1.首先进入资源库，点击工作流
2.输入名称
3.插入大模型，重命名
4.配置开始节点
5.配置大模型
6.书写提示词
请围绕某一成语故事，生成一段成语类短视频口播文案，需遵循以下结构：
1. **悬念开场**：以“【成语相关场景/背景】+ 反常识疑问/断言”开篇，激发观众兴趣。
2. **身份代入**：用第二人称“你”描述在成语故事背景下的身份、所处情境及面临的核心难题，包含具体情境信息，直接进入主题。
3. **冲突升级**：依次展现事件发展中的外部阻碍、内部矛盾、关键抉择三层冲突。
4. **破局细节**：主角采取3个递进动作，包含：具体行动（如实地考察/制定策略）、巧思运用（如借助外力/变换方法）、核心举措（如关键言行/决定性行为）。
5. **主题收尾**：通过事件结局引出成语的形成，以“这一刻你终于明白…”句式点题，揭示成语蕴含的道理。
要求：每段不超过3句话，多用短句制造节奏；加入至少2处与成语相关的文化常识；在关键转折点使用感官描写（如动作触感/场景视觉/氛围感受）；生成200-300字左右口播文案，由长短句构成，长句用逗号分隔，每个短句不超19个汉字。**输出要求**： 只输出口播字幕文案，不要输出其他任何额外内容，不输出分段说明
参考实例：
1：完璧归赵
“蔺相如捧着和氏璧，真的只是靠嘴皮子退敌吗？你是赵王派去的护卫，手按剑柄站在秦宫廊下，玉璧的冰凉透过锦盒传来，像块寒冰贴在掌心。秦王把玩玉璧时，侍臣的笑声震得梁上灰尘簌簌落，没人提割城的事，你摸出靴中短刀，刀柄的纹路已被冷汗浸软。赵军在边境被秦军牵制，国内大臣吵着要毁玉避祸，你收到密信，若玉璧留秦，家眷立斩。蔺相如突然捧玉后退，指尖抵着柱角，石屑硌进肉里。他先说玉有瑕疵，骗回璧后举过头顶，扬言要撞碎在柱上，声音比殿角铜钟还响。你看见秦王眼角抽搐，侍臣摸向腰间的剑，寒光映在玉璧上。蔺相如让秦王斋戒五日，你趁机带着玉璧混在商队里，用炭笔在璧上刻下微小记号。五日后秦宫，他指着空盒笑说，玉已归赵，要杀要剐悉听尊便。秦王摔碎案上酒樽，酒液溅湿你裤脚，却终究没下令动手。你摸着袖中带回的玉璧，刻痕还带着体温。这一刻你终于明白，‘完璧归赵’靠的从不是鲁莽，是把生死当筹码的精准算计。”
2：负荆请罪
“廉颇光着脊背负荆，真的只是服软那么简单吗？你是廉颇的亲兵，捧着荆条跟在他身后，石板路的凉气透过草鞋往上窜，棘刺在他背上划出红痕。蔺相如的门客拦在巷口，投来的白眼比冬日寒风还冷，军中副将在街角跺脚，骂将军辱没了上卿身份。秦军在边境集结，扬言要趁赵国内斗来犯，赵王的诏书催了三次，让廉颇去蔺相如府中议事，他却关在帐中喝闷酒。廉颇突然摔碎酒坛，抓起荆条就往外走，你想给他披件衣服，被他一胳膊肘推开，掌心的老茧蹭过你手背，比荆条还硬。他在蔺相如门前跪下，脊背挺得笔直，荆条的尖刺扎进皮肉，血珠滴在青石板上，像撒了把红豆。蔺相如慌忙扶起他时，你看见两人手扣在一起，指节都在用力。三日后联军出征，蔺相如坐帐筹谋，廉颇挥师冲锋，你们跟着将军杀进敌阵，听见他吼着‘蔺相如信我’。刀光剑影里，你摸着腰间的令牌，上面刻着‘赵’字。这一刻你终于明白，‘负荆请罪’藏的不是卑微，是能屈能伸的家国大义。”
3：草木皆兵
“苻坚望见八公山草木，真的是吓破了胆吗？你是前秦的传令兵，站在山顶瞭望台，晋军的旗帜在风里猎猎作响，像一片翻涌的红海压过来。帐篷里传来争吵，鲜卑将领说要退军，氐族老将拍着案大叫，说晋军不过是纸老虎，苻坚的手指在地图上乱点，墨迹晕染了‘淝水’二字。粮草车队在山坳被劫，士兵嚼着树皮骂娘，你去查岗时，看见哨兵把树影当成晋军，弓弦拉得咯吱响，冷汗顺着他的下颌线往下淌。苻坚突然下令全军后撤，让晋军渡过淝水来决战，你传达命令时，马蹄踩在落叶上，沙沙声像背后有人追。晋军趁势渡河，喊杀声震得山摇地动。你看见士兵们掉头就跑，铠甲撞在一起叮当乱响，有人被自己人推倒，惨叫淹没在惊呼声里。苻坚的轿子在乱军里颠簸，他掀帘张望时，脸色比头盔还白。退到淮北时，你捡了面掉在地上的战鼓，鼓皮上还沾着泥和血。风一吹，周围的草叶沙沙动，你突然觉得那都是举着刀的晋兵。这一刻你终于明白，‘草木皆兵’怕的从来不是草木，是败亡前夕，自己吓垮自己的人心。”
7.再添加个大模型，配置，书写提示词
# 角色
根据故事信息生成故事主角开场绘画提示词desc_prompt。
## 技能
### 技能 1: 生成绘画提示
1. 根据故事信息，生成主角任务绘画提示词 desc_promopt，详细描述人物动作、表情、服装，色彩风格等细节。
- 风格要求：古代动漫宫崎骏插画风格， 卡通风格，明亮色彩，柔和线条，适合儿童观看的古代成语故事插画，主角正面视角面对屏幕，位于画面正中间，表情亲切可爱，穿着鲜艳的古代服饰，背景简洁留白，画面清晰，人物特写，高清，低对比度，色彩高饱和，浅景深，氛围轻松愉快，充满童趣
# 限制
1. 只输出绘画提示词，不要输出其他额外内容。将这段提示词改一下，我要生成的图片应该是适合小孩观看的成语故事。提示词用汉语回答。
8.插入图像生成模型
9.单链验证
10.添加大模型并配置
# 角色
你是一位专业的故事创意转化师，你能够深入理解故事文案的情节、人物、场景等元素，用生动且具体的语言为绘画创作提供清晰的指引。
## 技能
### 技能1： 生成分镜字幕
1. 当用户提供故事文案时，仔细分析文案中的关键情节、人物形象、场景特点等要素。
2. 文案分镜， 生成字幕cap：
- 字幕文案分段： 第一句单独生成一个分镜，后续每个段落均由2句话构成，语句简洁明了，表达清晰流畅，同时具备节奏感。
- 分割文案后特别注意前后文的关联性与一致性，必须与用户提供的原文完全一致，不得进行任何修改、删减。字幕文案必须严格按照用户给的文案拆分，不能修改提供的内容更不能删除内容
===回复示例===
[{
"cap":"字幕文案"
}]
===示例结束===
## 限制:
- 只围绕用户提供的故事文案进行分镜绘画提示词生成和主题提炼，拒绝回答与该任务无关的话题。
- 所输出的内容必须条理清晰，分镜绘画提示词要尽可能详细描述画面，主题必须为2个字。
- 视频文案及分镜描述必须保持一致。
- 输出内容必须严格按照给定的 JSON 格式进行组织，不得偏离框架要求。
- 只对用户提示的内容进行分镜，不能更改原文
- 严格检查 输出的json格式正确性并进行修正，特别注意json格式不要少括号，逗号等
11.配置画面分镜大模型
# 角色
根据分镜字幕cap生成绘画提示词desc_prompt。
## 技能
### 技能 1: 生成绘画提示
1. 根据分镜字幕cap，生成分镜绘画提示词 desc_promopt，每个提示词要详细描述画面内容，包括人物动作、表情、服装，场景布置、色彩风格等细节。
- 风格要求：古代动漫宫崎骏插画风格， 卡通风格，明亮色彩，柔和线条，适合儿童观看的古代成语故事插画，主角正面视角面对屏幕，位于画面正中间，表情亲切可爱，穿着鲜艳的古代服饰，背景简洁留白，画面清晰，人物特写，高清，低对比度，色彩高饱和，浅景深，氛围轻松愉快，充满童趣，高清，高对比度，色彩高饱和，浅景深。
- 第一个分镜画面中不要出现人物，只需要一个画面背景
===回复示例===
[
{
"cap": "字幕文案",
"desc_promopt": "分镜图像提示词"
}
]
===示例结束===
## 限制:
- 只对用户提供的json内容补充desc_prompt字段，不能更改原文
- 严格检查输出的 json 格式正确性并进行修正，特别注意 json 格式不要少括号，逗号等
批处理
插入视频内容生成大模型
插入选择器
优化提示词
配置选择的另一条单线。尝试生成图像
插入代码，修改格式
// 在这里，您可以通过 ‘params’ 获取节点中的输入变量，并通过 'ret' 输出结果// 'params' 和 'ret' 已经被正确地注入到环境中// 下面是一个示例，获取节点输入中参数名为‘input’的值：// const input = params.input; // 下面是一个示例，输出一个包含多种数据类型的 'ret' 对象：// const ret = { "name": ‘小明’, "hobbies": [“看书”, “旅游”] };asyncfunctionmain({ params }: Args): Promise<Output>{var image1 = params.image1;var image2 = params.image2;if(!image1){
image1 = image2;}// 构建输出对象const ret ={"image_url": image1
};return ret;}
插入字幕合成模型
获取视频时长
连接
配置批处理
插入数据整合代码
// 在这里，您可以通过 ‘params’ 获取节点中的输入变量，并通过 'ret' 输出结果// 'params' 和 'ret' 已经被正确地注入到环境中asyncfunctionmain({ params }: Args): Promise<Output>{// 关键：为所有依赖的参数添加默认值，避免undefinedconst{
image_list =[],
audio_list =[],
duration_list =[],
scenes =[],
role_img_url ="",
title =""}= params;// 处理音频数据const audioData =[];let audioStartTime =0;const aideoTimelines =[];let maxDuration =0;const imageData =[];// 关键：添加数组长度校验，避免因空数组导致循环异常const loopLength = Math.min(audio_list.length, duration_list.length, image_list.length);for(let i =0; i < loopLength; i++){// 用最小长度限制循环，避免越界const duration = duration_list[i]||0;// 避免duration为undefined
audioData.push({audio_url: audio_list[i],
duration,start: audioStartTime,end: audioStartTime + duration
});
aideoTimelines.push({start: audioStartTime,end: audioStartTime + duration
});if((i-1)%2===0){// 修复原代码的“==”为“===”，避免隐式类型转换
imageData.push({image_url: image_list[i],start: audioStartTime,end: audioStartTime + duration,width:1440,height:1080,in_animation:"轻微放大",in_animation_duration:100000// 注意：单位若为微秒，100000=0.1秒，可能需确认});}else{
imageData.push({image_url: image_list[i],start: audioStartTime,end: audioStartTime + duration,width:1440,height:1080});}
audioStartTime += duration;
maxDuration = audioStartTime;}const roleImgData =[];// 关键：校验duration_list[0]是否存在，避免访问undefined的属性if(role_img_url && duration_list.length >0){
roleImgData.push({image_url: role_img_url,start:0,end: duration_list[0],width:1440,height:1080});}// 提取字幕时先校验scenes结构const captions = scenes.map(item=> item?.cap ||"").filter(Boolean);// 避免item.cap为undefinedconst subtitleDurations = duration_list;// 关键：调用processSubtitles前校验参数，避免空数组导致后续错误const{ textTimelines, processedSubtitles }=processSubtitles(
captions,
subtitleDurations
);// 处理标题const title_list =[title ||""];// 标题默认空字符串const title_timelimes = duration_list.length >0?[{start:0,end: duration_list[0]}]:[];// 若duration_list为空，避免end为undefined// 开场音效与背景音乐const kc_audio_url ="https://p9-bot-workflow-sign.byteimg.com/tos-cn-i-mdko3gqilj/c04e7b48586a48f1863e421be4b10cf1.MP3~tplv-mdko3gqilj-image.image?rk3s=81d4c505&x-expires=1777550323&x-signature=T%2BNjvPHPyHnGICvWRFDeFaj17UM%3D&x-wf-file_name=%E6%95%85%E4%BA%8B%E5%BC%80%E5%9C%BA%E9%9F%B3%E6%95%88.MP3";const bg_audio_url ="https://p3-bot-workflow-sign.byteimg.com/tos-cn-i-mdko3gqilj/5603dc783a6c4b75a4bf4e1b44086ad5.MP3~tplv-mdko3gqilj-image.image?rk3s=81d4c505&x-expires=1777550332&x-signature=E1123RzPTMD%2BipseRN4itYxhZyc%3D&x-wf-file_name=%E6%95%85%E4%BA%8B%E8%83%8C%E6%99%AF%E9%9F%B3%E4%B9%90.MP3";const bg_audio_data =[];if(maxDuration >0){// 校验maxDuration是否有效
bg_audio_data.push({audio_url: bg_audio_url,duration: maxDuration,// 修复原代码的“duraion”拼写错误start:0,end: maxDuration
});}const kc_audio_data =[];
kc_audio_data.push({audio_url: kc_audio_url,duration:4884897,// 注意：确认单位是否为微秒（若为毫秒则需转换）start:0,end:4884897});// 构建输出对象const ret ={"audioData":JSON.stringify(audioData),"bgAudioData":JSON.stringify(bg_audio_data),"kcAudioData":JSON.stringify(kc_audio_data),"imageData":JSON.stringify(imageData),"text_timelines": textTimelines,// 修复原代码的“timielines”拼写错误"text_captions": processedSubtitles,"title_list": title_list,"title_timelines": title_timelimes,// 修复原代码的“timelimes”拼写错误"roleImgData":JSON.stringify(roleImgData)};return ret;}constSUB_CONFIG={MAX_LINE_LENGTH:25,SPLIT_PRIORITY:['。','！','？','，',',','：',':','、','；',';',' '],TIME_PRECISION:3};functionsplitLongPhrase(text, maxLen){// 关键：校验text是否为字符串，避免非字符串类型访问lengthif(typeof text !=='string') text =String(text ||"");if(text.length <= maxLen)return[text];for(const delimiter ofSUB_CONFIG.SPLIT_PRIORITY){const pos = text.lastIndexOf(delimiter, maxLen -1);if(pos >0){const splitPos = pos +1;return[
text.substring(0, splitPos).trim(),...splitLongPhrase(text.substring(splitPos).trim(), maxLen)];}}const startPos = Math.min(maxLen, text.length)-1;for(let i = startPos; i >0; i--){if(/[\p{Unified_Ideograph}]/u.test(text[i])){return[
text.substring(0, i +1).trim(),...splitLongPhrase(text.substring(i +1).trim(), maxLen)];}}const splitPos = Math.min(maxLen, text.length);return[
text.substring(0, splitPos).trim(),...splitLongPhrase(text.substring(splitPos).trim(), maxLen)];}const processSubtitles =(
captions =[],// 添加默认空数组，避免undefined
subtitleDurations =[],// 添加默认空数组
startTimeμs =0)=>{const cleanRegex =/[\u3000\u3002-\u303F\uff00-\uffef\u2000-\u206F!"#$%&'()*+\-./<=>?@\\^_`{|}~]/g;let processedSubtitles =[];let processedSubtitleDurations =[];// 关键：遍历前校验数组长度，避免captions与subtitleDurations长度不匹配const safeLength = Math.min(captions.length, subtitleDurations.length);for(let index =0; index < safeLength; index++){const text = captions[index];const totalDuration = subtitleDurations[index]||0;// 避免duration为undefinedlet phrases =splitLongPhrase(text,SUB_CONFIG.MAX_LINE_LENGTH);
phrases = phrases.map(p=> p.replace(cleanRegex,'').trim()).filter(p=> p.length >0);if(phrases.length ===0){
processedSubtitles.push('[无内容]');
processedSubtitleDurations.push(totalDuration);continue;}const totalChars = phrases.reduce((sum, p)=> sum + p.length,0);let accumulatedμs =0;
phrases.forEach((phrase, i)=>{const ratio = totalChars >0? phrase.length / totalChars :0;// 避免除以0let durationμs = i === phrases.length -1? totalDuration - accumulatedμs
: Math.round(totalDuration * ratio);
processedSubtitles.push(phrase);
processedSubtitleDurations.push(durationμs);
accumulatedμs += durationμs;});}// 生成时间轴时校验duration数组const textTimelines =[];let currentTime = startTimeμs;
processedSubtitleDurations.forEach(durationμs=>{const start = currentTime;const end = start +(durationμs ||0);// 避免durationμs为undefined
textTimelines.push({ start, end });
currentTime = end;});return{ textTimelines, processedSubtitles };};
创建草稿
字幕音频生成
视频画面生成
关键帧代码
import json
async def main(args: Args)-> Output:
params = args.params
segment_ids = params['segment_ids']
times = params['duration_list']
seg = params['segment_infos']
# 验证参数长度一致性
iflen(segment_ids)!=len(times):
raise ValueError("segment_ids与times数组长度不一致")
keyframes =[]for idx, seg_id inenumerate(segment_ids):if idx ==0: # 跳过第一张图片
continue
# 获取对应音频时长并转换微秒
audio_duration =int(float(times[idx]))
# 根据循环索引决定缩放方向
cycle_idx = idx -1 # 计算排除第一个元素后的循环索引
if cycle_idx %2==0: # 偶数索引：1.0->1.5
start_scale =1.0
end_scale =1.5else: # 奇数索引：1.5->1.0
start_scale =1.5
end_scale =1.0
# 起始关键帧（0秒位置）
keyframes.append({"offset":0,"property":"UNIFORM_SCALE","segment_id": seg_id,"value": start_scale,"easing":"linear"})
# 结束关键帧（同步音频时长）
keyframes.append({"offset": audio_duration, # 使用实际音频时长
"property":"UNIFORM_SCALE","segment_id": seg_id,"value": end_scale,"easing":"linear"})
# 起始关键帧（0秒位置）
keyframes.append({"offset":0,"property":"UNIFORM_SCALE","segment_id": seg[0]['id'],"value":2,"easing":"linear"})
keyframes.append({"offset":533333,"property":"UNIFORM_SCALE","segment_id": seg[0]['id'],"value":1.2,"easing":"linear"})
# 结束关键帧（同步音频时长）
keyframes.append({"offset": seg[0]['end']-seg[0]['start'], # 使用实际音频时长
"property":"UNIFORM_SCALE","segment_id": seg[0]['id'],"value":1.0,"easing":"linear"})return{"keyFrames": json.dumps(keyframes)}
添加关键帧
制作字幕数据
添加字幕
批量添加字幕
输出
结束
这样我们的工作流就做好了，后续会更新制作后的视频
三、关于开源
2025 年 7 月 26 日，Coze 宣布开源，发布了 Coze Studio 和 Coze Loop 两大项目，采用 Apache 2.0 协议，允许免费使用、修改甚至商业化部署。开发者可通过 [Coze Studio GitHub](https://github.com/coze - dev/coze - studio) 和 [Coze Loop GitHub](https://github.com/coze - dev/cozeloop) 获取开源代码。
四、本地配置与在线使用对比
1.在线版 Coze
优点
- 功能全面且丰富
- 插件生态完善：拥有成百上千个官方及第三方插件，覆盖智能硬件、新闻阅读、图像生成（如 ByteArtist、豆包图像大模型）、天气查询（墨迹天气）、代码执行等多领域，能满足内容创作、办公协作、生活服务等多样化需求。
- 工作流节点充足：除基础搜索、代码、循环节点外，还支持图像处理（抠图、画质提升）、音视频处理（视频生成、抽帧）、会话管理（创建 / 删除会话、查询历史）等进阶节点，可搭建复杂自动化流程。
- 智能体编排能力强：支持触发器、火山知识库（文本 / 表格 / 照片多格式导入）、长期记忆、文件盒子等功能，可配置开场白、用户问题建议等对话体验，且提供单 Agent（自主规划 / 对话流）、多 Agents 三种模式，适配简单与复杂业务逻辑。
- 资源管理与兼容性优：支持多工作空间（个人 / 团队 / 项目空间）切换，可创建文件夹分组管理智能体；资源导入类型丰富（含对话流、卡片、提示词、音色），在线版工作流可自由复制粘贴，跨场景复用性强。
- 发布渠道多元：可一键部署至扣子商店、豆包、飞书、抖音小程序、微信生态（客服 / 服务号 / 订阅号）、掘金等多平台，无需额外开发即可触达广泛用户。
- 辅助功能实用：支持 AI 自动生成智能体图标、AI 优化提示词，降低设计与文案编写门槛，提升开发效率。
- 稳定性高，无技术门槛
- 无需自行部署与维护服务器，不存在插件授权失败、知识库上传解析异常等 bug，官方会持续迭代优化功能，保障使用流畅性；
- 操作零门槛，可视化拖拽式搭建，中文文档完善，零基础小白可快速上手，适合用于学习 AI Agent 开发或轻量级任务处理。
缺点
- 数据安全自主性低：数据存储在 Coze 官方云端，无法完全掌控数据归属，对于对数据隐私要求极高的企业（如金融、医疗行业），可能存在合规风险。
- 定制化自由度有限：无法深度修改底层代码与架构，若需开发专属插件或适配特殊业务场景，扩展能力弱于开源版。
- 可能存在功能限制：免费版可能对插件使用数量、工作流运行次数、存储容量等有额度限制，企业级功能需付费解锁。
2.开源版（本地部署）Coze 优缺点
优点
- 数据安全与合规性强：可将数据完全存储在企业内部服务器或本地数据库，无需依赖第三方云端，能满足金融、医疗等行业的数据隐私要求；支持代码审计，可自主排查系统安全漏洞，保障业务合规。
- 定制化与扩展性高：基于 Apache 2.0 协议，可获取完整源码（前端 Typescript+React、后端 Golang），技术团队可进行二次开发，如定制专属插件、扩展工作流节点、修改产品 logo 与交互逻辑，适配细分业务场景（如企业内部定制化智能助手）。
- 无云端功能限制：不存在在线版的插件使用、工作流运行次数等额度限制，可根据业务需求无限扩展，适合高并发、高频次的自动化任务场景。
缺点
- 功能缺失严重
- 插件数量极少：仅 18 个基础插件，无在线版的图像生成、头条搜索、飞书生态等高频插件，且官方需到 Q3 才升级插件生态，当前无法满足多样化需求；
- 核心功能缺失：无触发器、长期记忆、文件盒子、多工作空间等关键功能，智能体仅支持单 Agent 模式，无法处理复杂逻辑；
- 辅助功能缺失：无 AI 生成图标、AI 优化提示词功能，资源管理无文件夹分组，工作流无法粘贴在线版内容，开发效率低。
- 稳定性差，bug 较多：存在知识库文本上传后解析 6 次失败且无提示、插件 “未授权” 却找不到授权入口、点击插件无跳转等问题，需自行排查（如服务器配置是否达标）与修复，增加运维成本。
- 技术门槛高，部署维护复杂：需具备服务器部署（Linux/Windows）、前后端开发（Golang/React）、数据库维护等技术能力，零基础小白无法独立操作；后续需自行跟进官方源码更新，修复漏洞与迭代功能，运维成本高。
- 发布渠道单一：仅支持发布至
ChatSDK与API，无法部署到扣子商店、豆包、抖音小程序等流量平台，难以触达 C 端用户或外部客户。
3、适用场景与人群建议
| 版本类型 | 核心适用场景 | 适配人群 |
|---|---|---|
| 在线版 Coze | 1. 零基础用户学习 AI Agent 开发； 2. 个人 / 小型团队轻量级任务（如简单智能客服、短视频脚本生成）； 3. 需快速部署至多平台（如微信、抖音）触达用户的场景 | 零基础小白、非技术团队、小型企业、内容创作者 |
| 模式，无法处理复杂逻辑； |
- 辅助功能缺失：无 AI 生成图标、AI 优化提示词功能，资源管理无文件夹分组，工作流无法粘贴在线版内容，开发效率低。
- 稳定性差，bug 较多：存在知识库文本上传后解析 6 次失败且无提示、插件 “未授权” 却找不到授权入口、点击插件无跳转等问题，需自行排查（如服务器配置是否达标）与修复，增加运维成本。
- 技术门槛高，部署维护复杂：需具备服务器部署（Linux/Windows）、前后端开发（Golang/React）、数据库维护等技术能力，零基础小白无法独立操作；后续需自行跟进官方源码更新，修复漏洞与迭代功能，运维成本高。
- 发布渠道单一：仅支持发布至
ChatSDK与API，无法部署到扣子商店、豆包、抖音小程序等流量平台，难以触达 C 端用户或外部客户。
3、适用场景与人群建议
| 版本类型 | 核心适用场景 | 适配人群 |
|---|---|---|
| 在线版 Coze | 1. 零基础用户学习 AI Agent 开发； 2. 个人 / 小型团队轻量级任务（如简单智能客服、短视频脚本生成）； 3. 需快速部署至多平台（如微信、抖音）触达用户的场景 | 零基础小白、非技术团队、小型企业、内容创作者 |
| 辅助功能缺失：无 AI 生成图标、AI 优化提示词功能，资源管理无文件夹分组，工作流无法粘贴在线版内容，开发效率低。 |
- 稳定性差，bug 较多：存在知识库文本上传后解析 6 次失败且无提示、插件 “未授权” 却找不到授权入口、点击插件无跳转等问题，需自行排查（如服务器配置是否达标）与修复，增加运维成本。
- 技术门槛高，部署维护复杂：需具备服务器部署（Linux/Windows）、前后端开发（Golang/React）、数据库维护等技术能力，零基础小白无法独立操作；后续需自行跟进官方源码更新，修复漏洞与迭代功能，运维成本高。
- 发布渠道单一：仅支持发布至
ChatSDK与API，无法部署到扣子商店、豆包、抖音小程序等流量平台，难以触达 C 端用户或外部客户。
3、适用场景与人群建议
| 版本类型 | 核心适用场景 | 适配人群 |
|---|---|---|
| 在线版 Coze | 1. 零基础用户学习 AI Agent 开发； 2. 个人 / 小型团队轻量级任务（如简单智能客服、短视频脚本生成）； 3. 需快速部署至多平台（如微信、抖音）触达用户的场景 | 零基础小白、非技术团队、小型企业、内容创作者 |
| 开源版（本地部署）Coze | 1. 对数据隐私要求极高的企业（金融、医疗）； 2. 需深度定制化智能体的场景（如企业内部定制化办公助手）； 3. 高并发、高频次自动化任务且需无功能限制的场景 | 具备技术能力的中大型企业、IT 团队、技术开发者 |
零基础如何高效学习大模型？
你是否懂 AI，是否具备利用大模型去开发应用能力，是否能够对大模型进行调优，将会是决定自己职业前景的重要参数。
为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和鲁为民博士系统梳理大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️
【大模型全套视频教程】
教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。
从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。
同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！
深耕 AI 领域技术专家带你快速入门大模型
跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！
【精选AI大模型权威PDF书籍/教程】
精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。
【AI 大模型面试题 】
除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。
【大厂 AI 岗位面经分享（92份）】
【AI 大模型面试真题（102 道）】
【LLMs 面试真题（97 道）】
【640套 AI 大模型行业研究报告】
【AI大模型完整版学习路线图（2025版）】
明确学习方向，2025年 AI 要学什么，这一张图就够了！
👇👇点击下方卡片链接免费领取全部内容👇👇
抓住AI浪潮，重塑职业未来！
科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。
行业趋势洞察：
- 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
- 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
- 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。
与其观望，不如行动！
面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。
01 为什么分享这份学习资料？
当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。
因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！
我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。
*02 这份资料的价值在哪里？*
专业背书，系统构建：
-
本资料由我与鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：
-
- 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
- 拥有多项中美发明专利。
- 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。
-
目前，我有幸与鲁博士共同进行人工智能相关研究。
内容实用，循序渐进：
-
资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。
-
包含丰富的视频教程与实战项目案例，强调动手实践能力。
-
无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。
抓住机遇，开启你的AI学习之旅！
更多推荐
26
0- 0
已为社区贡献15条内容
所有评论(0)