2025年7月26日，国内最火的工作流与Agent框架扣子（Coze）宣布开源。这个消息对AI应用开发圈来说，分量不轻。

Coze之所以能吸引大量用户，核心在于它上手快、零门槛。跟着官方的新手教程，三五分钟就能搭出一个智能体。再加上它是字节跳动旗下的产品，与飞书生态的集成非常顺滑，生态环境也颇为丰富。过去，由于闭源策略，Coze多数场景停留在个人智能体阶段，但开源意味着可以直接部署到企业生产环境——这绝对是一个具有战略意义的里程碑。

先简单梳理一下概念：

开源：项目底层代码公开可见，开发者通常将代码上传至GitHub，其他人可以下载、了解架构、部署到个人服务器，甚至根据需求做二次开发。代表项目如Linux、MySQL、DeepSeek、Qwen。

闭源：除开发者外，其他人看不到代码，更有利于保护知识产权和商业机密。代表项目如Windows、iOS、ChatGPT。

01 Coze开源框架介绍

这次Coze一次性发布了两款开源框架：一个是流程开发平台，一个是监控系统。

扣子开发平台（Coze Studio）

扣子罗盘（Coze Loop）

GitHub项目地址：

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

https://github.com/coze-dev/coze-loop

截至发稿时间（2025年8月3日），Coze在GitHub上已经获得14k Star，热度可见一斑。

来自开源社区和发布会的信息，这里提取几个关键点：

• Coze遵循Apache-2.0协议，允许自由使用、修改和分发代码，包括商业化使用。
• 本地部署的最低配置仅为2核CPU、4G内存，基本不挑机器。
• 目前已集成插件、知识库、数据库等核心能力。
• Coze智能体可以发布为API服务。
• 后端采用Golang开发，前端使用React + TypeScript。

02 Coze与Dify对比

Coze宣布开源后，受影响最大的当属Dify。Dify是目前许多公司在用的框架，也是不少团队深度依赖的工具。其他如LangChain、LlamaIndex等，属于更细分的高代码Agent框架，个人并不认为它们是Coze的直接竞品——高代码意味着更高自由度，且企业内部通常有足够的开发团队来承接。这部分对比内容由秘塔深度研究生成。

可能带来的冲击整体不会太大，但竞争格局确实在发生变化。

03 Coze本地部署

通过git命令拉取代码：

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

打开coze-studio/backend/conf/model_template目录，可以看到Coze目前支持的主流大模型。国内支持豆包、DeepSeek、Qwen；国外支持OpenAI、Claude、Gemini。当然，也支持配置调用Ollama本地部署的模型。

以DeepSeek-V3官方API为例，将model_template_deepseek.yaml复制到coze-studio/backend/conf/model路径下，并去掉文件名中的model_template_前缀，修改为deepseek.yaml。然后修改文件中的api_key和model字段——如果还没有API Key，可以参考DeepSeek官网文档注册。

通过docker命令构建并启动项目：

cd docker

cp .env.example .env

docker compose --profile '*' up -d

首次启动需要拉取镜像，下载时间稍长——我这边大概用了10多分钟。看到最后一行出现Container coze-server Started，说明启动成功了。

浏览器访问http://localhost:8888/，就可以打开Coze Studio。随便输入一个邮箱和密码点击注册（假的邮箱也行），就能登录到控制台首页。剩下的操作与在线版Coze类似：根据业务场景创建智能体、配置插件。

创建一个智能体后，可以看到已经成功集成了之前配置的DeepSeek-V3模型。目前插件集成的数量还不多，主要有飞书、高德地图、搜狐新闻、什么值得买、天眼查等。开发团队鼓励各位开发者共同参与插件维护，合力建设良好的生态。

内置了两个智能体模板，以英语聊天智能体为例，复制过来改个名，几步就可以获得自己的智能体，然后任意发挥想象DIY。

值得一提的是，Coze Studio的知识库能力相当不错，常用功能像分段策略、分段最大长度、查询改写、结果重排、最大召回数量等都已支持。

最后，也希望Coze能提供“线上现有智能体迁移到开源框架”的解决方案，这对很多人来说是刚需。不过考虑到版本差异和插件兼容性冲突，这个功能可能一时半会难以实现。

写在最后

现阶段，国内的大语言模型和AI Agent都在疯狂开源，而国外则倾向于闭源。为什么国内外会采取截然不同的策略？

对普通用户而言，是否开源并不重要——他们更关心产品好不好用、是否免费。但对开发者来说，开源与否天差地别。

闭源产品直接用于企业级项目，风险极高——公司数据安全存在泄露隐患，服务器不在自己手里，谁也不知道数据被拿去做了什么。而开源则有利于创造积极的开发生态，更多开发者可以参与到框架的迭代中。

借用之前看到的一个评论：国产大语言模型相较于美国仍存在一定差距，现阶段地位类似于垄断者和追赶者。垄断者想要维持壁垒获取高额利润，而追赶者最关注的是打破垄断地位，而非获取利润。事实上，目前很多国产AI产品都是在烧钱获客。

国内外在开源与闭源上的差异，是技术发展、商业利益、国家战略和用户需求等多方面因素共同作用的结果。作为国产软件，某些场景下它们更贴合我们的日常使用习惯——细化到每一个按钮的位置，每一句提示词的表达方式。

真诚地希望各位能为国产AI产品贡献一份微薄之力。一个良好的开发生态，需要所有参与者共同维护。也许不经意间的一句评论、一次BUG反馈、一行代码提交，有些事就会变得不一样。