扣子(Coze)智能体搭建:零代码上线你的第一个 Agent
发表于|更新于|agents
|浏览量:
扣子(Coze)智能体搭建教程
扣子(Coze)是字节跳动推出的智能体开发平台,无需编程即可搭建具备工具调用、知识库、多轮对话能力的 AI 助手,并一键发布到抖音、飞书、微信公众号等渠道。

一、注册与入口
打开 https://www.coze.cn(国内版),使用手机号或抖音账号登录
国际版入口为 https://www.coze.com,注意两版数据不互通
二、创建第一个智能体
1. 新建智能体
点击「创建智能体」,填写:
名称:例如「美食推荐官」
简介:一句话说明用途
头像:可用平台提供的 AI 生成头像
2. 编写人设与回复逻辑(Prompt)
这是最核心的一步。示例:
1 | 你是「美食推荐官」,擅长根据用户的预算、口味和位置推荐餐厅。工作流程:1. 先询问预算、口味偏好、所在城市2. 使用【美食搜索】插件查询附近餐厅3. 按评分排序,给出 3 个推荐并说明理由4. 如果用户不满意,继续追问并重新推荐风格:热情、简洁,回复控制在 150 字以内。 |

3. 添加插件(工具调用)
在「插件」面板点击添加,常用插件:
| 插件 | 用途 |
|---|---|
| 头条搜索 | 实时信息查询 |
| 必应搜索 | 网页检索 |
| 照片生成 | 文生图 |
| 新闻快报 | 热点资讯 |
| 天气查询 | 天气信息 |
4. 配置知识库(可选)
上传 PDF、网页、文档,让智能体基于你的私有资料回答。适合:
企业产品 FAQ
个人笔记问答
行业资料助手
5. 测试与发布
右侧调试面板实时对话测试,满意后点击「发布」:
抖音 / 飞书 / 微信公众号:绑定账号即可接入
API 服务:生成 API Token,供自己开发的程序调用
网页嵌入:复制 iframe 代码嵌入网站
三、进阶技巧
多智能体模式
扣子支持「工作流」编排:把复杂任务拆成多个节点(意图识别 → 信息检索 → 生成回答),节点间可用大模型、代码、插件连接,适合构建企业级应用。
用变量做个性化
在「变量」中定义用户画像(地区、偏好),配合触发器实现千人千面。
四、与 Dify 对比怎么选?
| 维度 | 扣子 Coze | Dify |
|---|---|---|
| 上手难度 | ⭐ 极低 | ⭐⭐ 中等 |
| 模型自由度 | 平台内置模型 | 支持 100+ 模型/自建 |
| 私有化部署 | 不支持 | 支持 Docker 自部署 |
| 发布渠道 | 抖音/飞书/微信 | API/网页/企微 |
| 适合人群 | 业务/运营人员 | 开发者/企业 |
小结
扣子适合快速验证想法:10 分钟就能上线一个可用的小助手。当业务复杂到需要私有化、深度定制时,再迁移到 Dify 或 LangGraph 也不迟。
延伸阅读:
文章作者: 智算工坊
版权声明: 本博客所有文章除特别声明外,均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 智算工坊!
相关推荐

2026-08-16
DeepSeek Harness 深度体验:把万物皆插件做到极致的 AI 编程 Agent
DeepSeek Harness 深度体验:把万物皆插件做到极致的 AI 编程 Agent上周给 computeforge.cn 做流量预估,我在浏览器里开了十几个标签页,边翻数据边截图,翻到半夜一点才攒了两页笔记,烦得不行,才想起来试几天前刚冒出来的 DeepSeek Harness。当时我就一个念头:让它自己去查,自己算,给我一份报告就收工。 结果这一试,它还真把这活接住了。 凌晨两分钟装完,第一眼没什么可吹的安装没什么可讲的:一条 npx 命令拉起来,大概三分钟,版本号 0.1.0-rc.6,典型还没打磨完的样子。装完我好奇扫了眼 node_modules,里面躺着两百多个 @deepseek-ai/dsh-* 开头的包,光名字就铺了一屏。 浏览器打开 localhost:3080,界面说不上好看,就是个开源工程后台的脸:左边一列面板菜单,中间聊天区,右边留白。我当时心里想,又一个套壳聊天框。然后我瞥见右下角有个入口标着 Trajectory,当时没当回事。 凌晨 5 点 33,我给它下了第一单活第一单活跟我自己有关:访问 computeforge.cn...

2026-08-15
Grok Bot 深度评测:xAI 的 AI 智能体能不能真的替你干活
Grok Bot 深度评测:xAI 的 AI 智能体能不能真的替你干活先把话说清楚Grok Bot 是 xAI 在 2026 年 8 月 11 日发布的 AI Agent(Early Beta)。它跟普通 Grok 聊天助手最大的区别是:每个 Bot 都有一台属于自己的云端电脑,能登录网站、操作浏览器、读文件、用工具,在后台自己干活,干完回来汇报,遇到要拿主意的节点再请你拍板。 所以它盯着的早就不是 ChatGPT、Claude 那条”聊天”赛道了,而是 AI Agent、Computer Use、自动化办公这一带。 先给你的判断,省得往下读半天: 你只是要聊天、写文章、总结资料——现在为它付几百美元一个月,不值。 你想把邮件、CRM、Bug 复现、内容生产这类多步骤的活整包丢给 AI——Grok Bot 值得盯着看,但到今天为止它还是”预售评估”,不是实测背书。 本文按它是什么、能干什么、跟同类怎么比、风险在哪、多少钱、适合谁这个顺序写。 Grok Bot 到底是什么一句话:xAI 推出的 AI Agent,特点不是”会聊天”,是自己有一台电脑。 按官方文档的说法,...

2026-08-08
AutoGPT 安装与使用:让 AI 自主完成任务
AutoGPT 安装与使用AutoGPT 是最早出圈的自主智能体项目:你只需给出一个目标,它会自动拆解任务、调用工具、自我反思,直到任务完成。本文介绍 AutoGPT 的安装与上手。 一、AutoGPT 是什么?AutoGPT 的核心循环: 1目标 → 思考(Thought) → 行动(Action) → 观察(Observation) → 再思考 → ... 它通过 LLM 的推理能力驱动,可调用: 文件读写:生成/修改文档、代码 网页浏览:搜索信息、抓取网页 代码执行:运行 Python 脚本 内存存储:长期记忆任务上下文 二、安装步骤方式一:Docker(推荐)1# 1. 克隆仓库git clone https://github.com/Significant-Gravitas/AutoGPT.gitcd AutoGPT# 2. 配置 API Keycp .env.template .env# 编辑 .env,填入 OPENAI_API_KEY 或兼容的第三方 Key# 3. 启动docker compose up --build 方式二:源码运...

2026-08-08
主流智能体框架盘点:从 AutoGPT 到 Dify
主流智能体框架盘点:从 AutoGPT 到 Dify2025 年被称为「智能体元年」,市面上涌现出大量 Agent 框架与平台。它们定位不同、形态各异:有开源的开发框架,也有开箱即用的云端平台。本文按开发框架、低代码平台、通用助手三条路线,盘点当前最流行的智能体产品。 一、开源开发框架(适合程序员)1. LangChain / LangGraph 定位:最成熟的 LLM 应用开发框架,LangGraph 是其图编排升级版 特点:组件丰富、生态庞大,支持链式调用、状态机、人机协作 适合:有编程基础、需要深度定制的开发者 安装:pip install langgraph 2. AutoGPT 定位:经典自主 Agent 项目,给定目标后自动拆解任务并执行 特点:目标驱动、自动循环,可调用浏览器、文件、API 适合:想体验「AI 自主干活」的极客 安装:git clone https://github.com/Significant-Gravitas/AutoGPT && cd AutoGPT && ./setup.sh ...

2026-08-08
Dify 安装部署教程:5 分钟搭建可视化智能体平台
Dify 安装部署教程Dify 是目前最流行的开源 LLMOps 平台之一:可视化编排 Agent、自带知识库(RAG)、支持 100+ 模型接入,一条命令即可本地部署。本教程带你从零跑通 Dify。 一、环境要求 系统:Linux / macOS / Windows(推荐 Linux 服务器) Docker:20.10+,并启用 Docker Compose 配置:最低 4 核 8G 内存(生产建议 8 核 16G) 模型 API Key:OpenAI / DeepSeek / 通义千问 / 智谱 任选其一 二、安装步骤1. 安装 Docker(如已安装可跳过)1# Ubuntu / Debiancurl -fsSL https://get.docker.com | bashsudo systemctl enable --now docker# 验证docker --versiondocker compose version 2. 克隆 Dify 仓库1git clone https://github.com/la...

2026-08-06
从零搭建一个基于 Function Calling 的天气查询智能体
从零搭建一个基于 Function Calling 的天气查询智能体一、问题:大模型不知道「现在的天气」问一个 LLM「北京今天热不热」,它只能诚实地告诉你「我无法获取实时天气」。因为大模型的知识来自训练数据,天然缺三样东西:实时数据、外部系统、动作能力。Function Calling(函数调用,也称 Tool Calling)就是补上这三样的标准机制:让模型在对话中「感知」到外部工具的存在,并在需要时返回一份结构化的「调用指令」(函数名 + 参数),由你的代码真正执行,再把结果喂回给模型生成最终回答。 本实验要做的,就是把这条链路亲手跑通:一个用户说「帮我查下北京天气」,Agent 自动决定调用 get_weather 工具、拿到真实数据、组织成人话。这也是一切「AI Agent 能干活」的最小范式。 二、核心思路与调用流程Function Calling 的完整流程分六步: 1① 定义工具 → ② 用户提问 → ③ 模型决定是否调用→ ④ 你的代码执行真实函数 → ⑤ 结果回传(tool 消息)→ ⑥ 模型基于结果生成最终回答 关键认知:模型其实「不会」调用函数。它只是预...