今天字节将Cozen的关键组件 —— Coze Studio（可视化开发平台） 与 CozeLoop（调试追踪 SDK） 以开源形式推出，为开发者提供了完整的本地部署、流程控制与 prompt 管理能力。

img

这不仅是对现有 Agent 工具体系的有力补充，更可能改变企业构建 AI 智能体系统的主流范式。

1. Coze Studio：一站式可视化 AI Agent 开发平台

地址：https://github.com/coze-dev/coze-studio

img

Coze Studio 是一个集成了多种可视化工具的开发平台，旨在让 Agent 的创建、调试和部署过程变得前所未有的简单。开发者可以将其私有化部署，从而在自己的环境中构建和管理 AI 应用。

核心功能与特性：
  • 可视化编排：提供强大的拖拽式界面，开发者可以通过连接不同的功能节点（如大语言模型、插件、知识库等）来构建复杂的业务逻辑，实现了真正的无代码或低代码开发。
  • 内置核心组件：平台集成了开发 Agent 所需的核心技术栈，包括提示词工程（Prompt）、插件（Plugins）、知识库（Knowledge）、工作流（Workflow）以及记忆（Memory）等。
  • 灵活的模型支持：支持集成并管理多个大语言模型服务，如 OpenAI、Anthropic 以及中国的火山引擎等，方便开发者根据需求灵活切换和测试。
  • 技术栈：后端采用 Go 语言开发，前端使用 React 和 TypeScript，为开发者提供了一个高性能、易于扩展和二次开发的底层框架。
功能清单
功能模块 功能点
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
快速开始

了解如何获取并部署 Coze Studio 开源版，快速构建项目、体验 Coze Studio 开源版。

详细步骤及部署要求可参考快速开始。

环境要求：

  • 在安装 Coze Studio 之前，请确保您的机器满足以下最低系统要求： 2 Core、4 GB
  • 提前安装 Docker、Docker Compose，并启动 Docker 服务。
License

本项目采用 Apache 2.0 许可证。详情请参阅 LICENSE 文件。

2. Window安装踩坑及问题解决

安装步骤

Windows环境安装，步骤如官方他文档

1，git clone https://github.com/coze-dev/coze-studio.git

2，配置大模型服务（Ollama）

默认的建议是配置豆包，即cp backend/conf/model/template/model_template_ark_doubao-seed-1.6.yaml backend/conf/model/ark_doubao-seed-1.6.yaml 。然后进入目录 backend/conf/model。打开复制后的文件ark_doubao-seed-1.6.yaml。然后进行设置。

我配置的是Ollama，配置参数参考：https://github.com/coze-dev/coze-studio/wiki/3.-%E6%A8%A1%E5%9E%8B%E9%85%8D%E7%BD%AE

具体步骤如下

cp backend/conf/model/template/model_template_ollama.yaml backend/conf/model/ollama.yaml

然后修改backend/conf/model/ollama.yaml

对于Ollama主要修改base_url和model即可。我用的本机的qwen3:0.6b，因为从docker调用，所以base_url: “http://host.docker.internal:11434”。下面是具体的ollama.yaml

id: 2003
name: qwen3:0.6b
icon_uri: default_icon/ollama.png
icon_url: ""
description:
    zh: ollama 模型简介
    en: ollama model description
default_parameters:
    - name: temperature
      label:
        zh: 生成随机性
        en: Temperature
      desc:
        zh: '- **temperature**: 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。'
        en: '**Temperature**:\n\n- When you increase this value, the model outputs more diverse and innovative content; when you decrease it, the model outputs less diverse content that strictly follows the given instructions.\n- It is recommended not to adjust this value with \"Top p\" at the same time.'
      type: float
      min: "0"
      max: "1"
      default_val:
        balance: "0.8"
        creative: "1"
        default_val: "1.0"
        precise: "0.3"
      precision: 1
      options: []
      style:
        widget: slider
        label:
            zh: 生成多样性
            en: Generation diversity
    - name: max_tokens
      label:
        zh: 最大回复长度
        en: Response max length
      desc:
        zh: 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。
        en: You can specify the maximum length of the tokens output through this value. Typically, 100 tokens are approximately equal to 150 Chinese characters.
      type: int
      min: "1"
      max: "4096"
      default_val:
        default_val: "4096"
      options: []
      style:
        widget: slider
        label:
            zh: 输入及输出设置
            en: Input and output settings
meta:
    name: qwen3:0.6b
    protocol: ollama
    capability:
        function_call: true
        input_modal:
            - text
        input_tokens: 128000
        json_mode: false
        max_tokens: 128000
        output_modal:
            - text
        output_tokens: 16384
        prefix_caching: false
        reasoning: false
        prefill_response: false
    conn_config:
        base_url: "http://host.docker.internal:11434"
        api_key: ""
        timeout: 0s
        model: "qwen3:0.6b"
        temperature: 0.6
        frequency_penalty: 0
        presence_penalty: 0
        max_tokens: 4096
        top_p: 0.95
        top_k: 20
        stop: []
        openai: null
        claude: null
        ark: null
        deepseek: null
        qwen: null
        gemini: null
        custom: {}
    status: 0

3，启动服务

cd docker 
cp .env.example .env 
docker compose --profile '*' up -d

如果下载Docker镜像失败可以找一个国内的镜像源。

启动问题

我在下载Docker镜像后，docker compose启动的时候报错，错误信息如下：

coze-elasticsearch-setup   | + /setup_es.sh
coze-elasticsearch-setup   | /bin/sh: /setup_es.sh: not found

找到对应的docker-compose.yml文件内容：

elasticsearch-setup:
image: alpine/curl:8.12.1
container_name: coze-elasticsearch-setup
profiles: ['middleware', 'volcano-setup']
env_file: *env_file
depends_on:
elasticsearch:
condition: service_healthy
volumes:
- ./volumes/elasticsearch/setup_es.sh:/setup_es.sh
- ./volumes/elasticsearch/es_index_schema:/es_index_schema
command:
- /bin/sh
- -c
- |
set -ex
/setup_es.sh
echo 'Elasticsearch setup complete.'

初步分析就是docker没有找到./volumes/elasticsearch/setup_es.sh，实际看了一下代码库，这个文件是存在的。

问题分析与解决

因为用的是Windows11上启动的docker desktop。在 Windows 11 上使用 Docker Desktop，情况会有些许不同，因为 Docker 实际上是运行在一个轻量级的 Linux 虚拟机（WSL 2 后端）中的。考虑可能是：“文件换行符格式 (CRLF vs LF) ”

这是 Windows 和 Linux 混合开发环境中最常见的问题。

  • 问题描述：Windows 系统中创建的文本文件，默认使用回车换行符（CRLF, \r\n）作为一行的结束。而容器内的 Alpine Linux 系统期望使用换行符（LF, \n）。当容器内的 sh (shell) 尝试执行一个包含 CRLF 的脚本时，它会错误地解析命令，甚至可能因为脚本第一行的 #!/bin/sh\r 而找不到正确的解释器，从而引发各种 “not found” 或奇怪的错误。
  • 解决方案：将 setup_es.sh 文件的换行符格式从 CRLF 转换为 LF。使用代码编辑器 ：
      • 用 VS Code, Notepad++, Sublime Text 等专业的代码编辑器打开 D:\coze-studio\docker\volumes\elasticsearch\setup_es.sh 文件。

img

      • 在编辑器的右下角状态栏，通常会显示当前的换行符格式。

img

      • 点击它，然后选择 LF。
      • 保存文件。

转换完成后，无需重启 Docker，直接重新运行 docker compose up 即可，问题解决。

3. 应用测试

启动后如果没有修改port，直接访问：http://localhost:8888/

img

首次登录，直接输入邮箱，密码，点击注册即可。主界面如下：

img

创建一个新的智能体：

img

模型选择qwen3:0.6b即可

img

又是扑面而来的，coze的味道

img

简单试了一下，整体和http://coze.cn差不多，不过大量的插件需要自己搞授权了：

img

后续准备深入做几个案例测试一下。

大模型岗位需求

大模型时代，企业对人才的需求变了，AIGC相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。
在这里插入图片描述

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把全套AI技术和大模型入门资料、操作变现玩法都打包整理好，希望能够真正帮助到大家。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

那么，如何系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

2025最新版CSDN大礼包：《AGI大模型学习资源包》免费分享**

一、2025最新大模型学习路线

一个明确的学习路线可以帮助新人了解从哪里开始，按照什么顺序学习，以及需要掌握哪些知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1级别:AI大模型时代的华丽登场

L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理，关键技术，以及大模型应用场景；通过理论原理结合多个项目实战，从提示工程基础到提示工程进阶，掌握Prompt提示工程。

L2级别：AI大模型RAG应用开发工程

L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3级别：大模型Agent应用架构进阶实践

L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体；同时还可以学习到包括Coze、Dify在内的可视化工具的使用。

L4级别：大模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调；并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

整个大模型学习路线L1主要是对大模型的理论基础、生态以及提示词他的一个学习掌握；而L3 L4更多的是通过项目实战来掌握大模型的应用开发，针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

二、大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

三、大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

四、大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

五、大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。


因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

2025最新版CSDN大礼包：《AGI大模型学习资源包》免费分享

# 人工智能
Logo
长沙城市开发者社区

惟楚有才，于斯为盛。欢迎来到长沙！！！ 茶颜悦色、臭豆腐、CSDN和你一个都不能少~

更多推荐

cover

智能攻防元年：渗透测试Agent迎来大考，AI如何从“能打”走向“可控”

avatar 长沙城市开发者社区
cover

2025 科技前沿全景：从量子突破到星际凝望的文明跃迁

avatar 长沙城市开发者社区

Maple Mono多语言支持：简繁中日字符集兼容

在当今全球化开发环境中，开发者经常需要处理包含简体中文、繁体中文、日文和英文的混合代码。传统等宽字体往往无法完美支持这种多语言场景，导致：- 中英文字符宽度比例失调，表格对齐困难- 标点符号显示不一致，影响代码可读性- 特殊符号和连字功能在多语言环境下失效- 终端图标与中文字符兼容性问题Maple Mono字体通过创新的技术方案，彻底解决了这些痛点，为多语言开发者提供了完美的字体...

avatar 长沙城市开发者社区