Coze 扣子完整实操：从零搭建 Agent 智能体到 OpenClaw 部署

搭了三周智能体还没上线？从「写代码」到「搭积木」，一篇打通零代码 Agent 开发。

本文基于 Coze 2.5（2026 年 4 月发布，Apache 2.0 开源协议）。文中 API Key / Token 均为占位符示例，请勿提交到代码仓库。

版权说明：本文仅做技术科普，示例代码可自由使用；使用开源组件请遵守对应开源协议（Coze 开源版 Apache 2.0、OpenClaw MIT）。Coze 平台云端服务受其官方用户协议约束，商用前请查阅最新条款。

你搭的智能体为什么三周还没上线

你想做一个智能客服。需求很简单：用户问问题 -> AI 检索知识库 -> 调用工单系统 -> 返回答案。

然后你开始搭：

• 第一周：申请大模型 API，搭后端服务，写意图识别、对话状态管理、知识检索逻辑。一个 CRUD 没写完，三天过去了。
• 第二周：对接工单系统 API，处理并发、超时、重试。调试到凌晨三点，发现知识库召回率只有 40%。换了个 embedding 模型，又得重跑全部文档的分段和向量化。
• 第三周：终于跑通了，老板说要发布到微信公众号、飞书、抖音三个渠道。每个渠道的接入方式都不一样，消息格式、回调地址、鉴权流程各搞各的。你又花了三天对接飞书开放平台，两天搞微信服务号，抖音那边还没开始。

三周了，一个智能客服还没上线。

问题出在哪？不是你能力不行，是工具的抽象层级不对。你用"写代码"的方式做一件本质上可以"搭积木"的事。

Coze 扣子就是来解决这个问题的。字节跳动出品，2025 年 7 月开源（Apache 2.0），2026 年 4 月发布 2.5 大版本。它的核心理念一句话：用可视化拖拽代替写代码，用工作流编排代替 if-else 堆叠，用一键发布代替多渠道对接。

不需要写代码、不需要部署大模型、不需要搭后端服务。拖拽节点 + 配置参数 + 点击发布，一个智能体从创意到上线。简单场景最快约 30 分钟；复杂业务（多工作流、定制插件、多渠道发布）仍然需要数天调试与调优，包括打磨提示词、调校知识库召回、测试边界情况。

一、平台概述

1.1 什么是 Coze 扣子

Coze（中文名：扣子）是字节跳动推出的一站式零代码 / 低代码 AI 智能体开发平台。常被称为"字节版 GPTs"——但两者定位不同：GPTs 偏向对话封装，Coze 2.5 定位更接近完整的 Agent 协作平台（独立数字身份、云设备、长期记忆、多 Agent 协作）。

先区分两个易混概念：

• 扣子 AI：面向普通用户的对话产品，用于日常问答、日程管理、收发邮件、文件处理（相当于一个 AI 助手）；
• 扣子编程（coze.cn/space）：Agent 开发平台，用于创建智能体、工作流、插件、技能、网页应用。

本文后续所有操作均指扣子编程。

2026 年 4 月的 Coze 2.5 是截至目前最大幅度的升级。定位从"零代码做 Bot 的平台"变成"Agent 原生协作操作系统"。每个 AI 智能体拥有独立数字身份、自主云设备、长期记忆、跨 Agent 社交、7x24 后台自动执行能力。不再是"对话框问答"，而是能独立上网、操作电脑手机、自主工作、互相交流的数字同事。

1.2 平台版本

版本	访问地址	说明
国内版	coze.cn	面向国内用户，接入豆包/DeepSeek/通义千问/Kimi 等国产模型
海外版	coze.com	面向海外用户，接入 GPT-4o/Claude 等国际模型
专业版	需开通专业版	支持更高级 API 调用、更大量额、私有化部署
开源版	github.com/coze-dev	Apache 2.0 协议，可商用，支持私有化部署

注意：Coze 开源版（核心项目为 coze-studio、coze-loop）与云端商业版存在功能差距——部分高级能力（如 VibeCoding 自然语言编程、一键多渠道发布、云设备、部分插件）在开源版不可用。开源版适合技术团队自托管基础 Agent 能力；需要完整云端体验请使用商业版。

1.3 访问地址

入口	地址	用途
扣子 AI	coze.cn	对话问答、日程管理、收发邮件、文件处理
扣子编程	coze.cn/space	开发智能体、工作流、插件、技能、网页
开发者文档	coze.cn/open/docs	API 文档、SDK 下载、接入指南
OpenClaw	npm install -g openclaw	本地 AI Agent 管理框架

二、核心概念

2.1 智能体（Agent）

智能体是 Coze 的核心产物。一个智能体 = 人设提示词 + 大模型 + 技能（工作流/插件/知识库/卡片）+ 记忆 + 发布渠道。

2.2 工作流（Workflow）

工作流是 Coze 处理复杂任务的核心工具。通过可视化拖拽节点，将大模型、插件、代码、数据库等组件组合成自动化流程。适合多步骤、结构化任务——内容生成、数据分析、图像处理、客服流程等。

特性	工作流 Workflow	对话流 Chatflow
定位	功能类、自动化任务	对话场景、智能客服
执行方式	顺序执行节点，结构化输入输出	基于对话轮次，支持会话记忆
适用场景	生成报告、海报、调研	Chatbot、个人助手
用户交互	无交互，全自动	支持 Question 节点主动询问

2.3 知识库（Knowledge）

知识库是供智能体或工作流调用的静态数据集合。由开发者上传和维护，所有终端用户可见但不可修改，可在空间内跨智能体共享。支持文本、图片、表格、PDF 等多种格式，内置 RAG 检索增强生成。

2.4 插件（Plugins）

插件是扩展智能体能力的外部工具。Coze 提供丰富的官方插件市场（搜索、图像处理、数据分析、日历、邮件等），也支持开发者编写 Python/JS 自定义插件对接自有系统 API。

2.5 卡片（Cards）

卡片是 Coze 的富 UI 展示方案。当插件返回结构化数据（如新闻列表、商品信息、天气数据）时，卡片可以将数据可视化为图文并茂的交互界面，而非纯文本输出。

2.6 变量（Variables）

变量用于在智能体与用户交互过程中存储动态数据。分为用户级变量（跨会话有效，如用户偏好设置）和会话级变量（仅当前对话有效，用于临时数据传递）。支持基础类型（string/integer/boolean）和复合类型（object/array）。

2.7 核心概念对比：知识 vs 记忆

维度	知识（Knowledge）	记忆（Memory）
数据性质	静态数据，开发者创建维护	动态数据，交互过程中产生
使用对象	所有用户可见，不可修改	用户个人数据，不跨智能体共享
共享范围	空间内跨智能体共享	绑定具体用户和智能体
典型内容	房源信息、产品文档、FAQ	用户偏好、历史记录、个人设置
存储方式	知识库（RAG 检索）	变量/长期记忆/数据库

三、智能体（Agent）

3.1 创建智能体

在扣子编程中创建智能体只需三步：

1. 进入 coze.cn，登录后进入「扣子编程」->「智能体」页面
2. 点击「创建智能体」，填写名称和描述
3. 进入编排页面，配置人设、模型、技能、记忆

3.2 智能体配置项

3.2.1 提示词（Prompt）

提示词定义智能体的角色、行为规范和输出格式。Coze 提供结构化的提示词编辑器，支持变量引用：

# 人设与回复逻辑

## 角色
你是{company_name}的智能客服助手，负责回答用户关于{product_type}的问题。

## 回复规范
- 回答前先检索知识库，确保信息准确
- 如果知识库中没有相关信息，诚实告知用户并转人工
- 回复语气友好专业，使用{tone}风格
- 涉及订单查询时，调用 query_order 插件

## 输出格式
- 普通问题：直接文本回复
- 商品推荐：使用卡片展示商品图片和价格
- 订单状态：使用卡片展示订单详情

3.2.2 模型选择

Coze 内置多款大模型，可自由切换和混合调用：

模型	厂商	特点	适用场景
豆包 2.0	字节跳动	中文理解强，速度快	通用对话、中文场景
豆包 2.0 mini	字节跳动	轻量快速，成本低	简单任务、高频调用
DeepSeek	深度求索	推理能力强	逻辑推理、代码生成
通义千问	阿里巴巴	多模态能力	图文理解
Kimi	月之暗面	长文本处理	文档分析、长文总结
GPT-4o	OpenAI	综合能力强	复杂任务（海外版）

3.2.3 能力配置

智能体的能力通过以下组件扩展：

能力	说明	配置方式
工作流	复杂多步骤任务	拖拽节点编排
插件	外部 API 调用	选择官方插件或自定义
知识库	专业知识检索	上传文档自动分段
卡片	富 UI 展示	绑定插件输出数据
数据库	结构化数据存储	创建表/增删改查
定时任务	定时触发	配置 cron 表达式
触发器	事件驱动	配置事件类型和条件

3.3 调试与优化

Coze 提供右侧实时预览面板，支持：

• 对话调试：直接在预览区对话，实时查看智能体响应
• trace 追踪：查看每一步的执行链路（调用了哪个插件、检索了哪段知识、走了哪个分支）
• 变量检查：查看当前会话中所有变量的值
• A/B 测试：创建多个版本对比效果
• 标注数据：对不满意的回答标注，用于后续优化

四、工作流（Workflow）

4.1 什么是工作流

工作流通过可视化拖拽节点的方式，将大模型、插件、代码、数据库等组件组合成自动化流程。它比单纯的 Prompt 更稳定、可控——流程是确定性的，不会被大模型的"我觉得"干扰。

4.2 适用场景

• 内容生成：软文生成、小红书内容生产、电商图片批量出图
• 数据分析：报表生成、数据清洗、趋势分析
• 客服流程：意图识别 -> 知识检索 -> 工单创建 -> 回复生成
• 图像处理：批量修图、海报生成、风格迁移
• 调研任务：联网搜索 -> 信息提取 -> 总结报告

4.3 创建工作流

1. 进入扣子编程 -> 工作空间 -> 资源库
2. 右上角点击「+ 资源」-> 选择「工作流」
3. 填写名称（字母/数字/下划线）和描述
4. 进入可视化画布编辑界面

画布界面三部分：

区域	功能
左侧面板	节点库，搜索/分类添加节点
中间画布	拖拽节点、连线编排流程
右侧面板	节点配置 + 调试/试运行

4.4 节点类型

节点	图标	功能	典型用途
开始 Start	圆形	定义输入参数	接收用户输入
结束 End	圆形	定义输出结果	返回最终结果
大模型 LLM	方形	调用大模型	文本生成/理解/推理
插件 Plugin	方形	调用 Coze 插件	搜索/生图/API 调用
知识库 Knowledge	方形	RAG 检索	文档问答
代码 Code	方形	Python/JS 代码	精确计算/数据处理
选择器 Condition	菱形	条件分支	if-else 路由
循环 Loop	方形	批量处理	遍历列表
变量赋值 Variable	方形	中间变量管理	存储中间结果
问题 Question	方形	主动询问用户	对话流专用
工作流 Workflow	方形	嵌套调用其他工作流	模块化复用
数据库 Database	方形	SQL 操作	增删改查
意图识别 Intent	菱形	智能分类	路由到不同分支

4.5 工作流编排示例

以"电商图片生成"工作流为例，展示完整的节点编排：

关键配置要点：

• 开始节点：定义 5 个输入字段（image/category/num/ratio/style）
• str_to_list 节点：第三方插件，将单张图片 URL 转为列表格式
• 意图识别节点：根据品类名称自动分类，走不同提示词分支
• 大模型节点：每个分支配置不同的 Prompt，生成专业级电商提示词（含色值、光位、构图参数）
• 图像生成节点：批量生成 1-10 张电商主图

4.6 避坑指南

坑	症状	解决方案
LLM 控制流干扰	条件分支被大模型"自作主张"改路	用选择器节点做确定性路由，别让 LLM 做流程控制
变量传递丢失	上游输出引用不到	检查连线是否正确，变量引用语法 {{node_id.output_field}}
知识库召回率低	相关文档检索不到	调整分段策略，减小 chunk 大小，增加 overlap
代码节点超时	Python 执行超时	避免循环大数据，限制处理量，拆分多节点
工作流嵌套死循环	子工作流互相调用导致栈溢出	避免循环引用，设置最大嵌套深度
发布后不生效	修改了工作流但线上还是旧版	工作流修改后需要重新发布才能生效
意图识别不准	分类结果错误	增加选项描述，用 few-shot 示例引导

五、知识库（Knowledge）

5.1 创建知识库

1. 进入扣子编程 -> 资源库 -> 知识库
2. 点击「创建知识库」
3. 选择数据类型（文本/表格/图片）
4. 上传数据并配置分段策略
5. 等待系统自动处理（分段 + 向量化）

5.2 数据导入方式

方式	支持格式	适用场景
本地文件上传	txt/md/pdf/docx/xlsx/csv	已有文档资料
在线文本	直接粘贴文本	短文本、FAQ
URL 导入	网页链接	抓取网页内容
API 自动同步	调用 Coze API	动态更新知识库
飞书文档导入	飞书 Wiki/Doc	企业内部知识

5.3 数据分段（Chunking）

分段策略直接影响知识库的召回质量。Coze 支持多种分段方式：

分段方式	说明	适用场景
自动分段	系统智能识别段落边界	通用场景，推荐首选
按分隔符	自定义分隔符（如 \n\n、---）	结构化文档
按固定长度	指定 token 数量	长文本无结构
按问答对	每对 Q&A 作为一个 chunk	FAQ 知识库

分段调优三原则：

• chunk 大小适中：太小丢失上下文，太大召回噪声多。推荐 300-500 token
• overlap 留余量：相邻 chunk 间留 50-100 token 重叠，避免关键信息被截断
• 问答对最优：如果数据能整理成问答对格式，召回率最高

重要提醒：RAG 效果高度依赖源文档质量。文档结构混乱、表述含糊、信息缺失时，再怎么调参数也救不回来。上传前先清洗文档（统一格式、补全信息、去重、规范命名），比调 chunk 参数更有效。

5.4 知识库召回配置

召回配置参数：

参数	说明	推荐值
Top K	召回文档数量	3-5（太多噪声，太少遗漏）
Score 阈值	相似度低于此值丢弃	0.5-0.7（视模型而定）
Rerank	是否启用重排序	推荐启用，提升精度
上下文窗口	传给 LLM 的最大 token	2000-4000

5.5 知识库在智能体中的使用

在智能体编排页面，添加「知识库」技能即可。智能体会自动在对话中检索知识库，无需手动编写检索逻辑。

也可以在工作流中使用「知识库」节点，精确控制检索时机和参数：

工作流示例：
开始 -> 知识库检索 -> 大模型（基于检索结果生成回复） -> 结束

六、插件系统（Plugins）

6.1 官方插件

Coze 内置丰富的官方插件市场：

类别	代表插件	功能
搜索	联网搜索、头条搜索	网页搜索、新闻检索
图像	图像生成、DALL-E、剪映小助手	AI 绘图、图片编辑
办公	日历、邮件、PPT 生成	日程管理、邮件收发
数据	数据分析、图表生成	数据可视化
业务	飞书、企业微信、数据库	系统对接
媒体	剪映、短信	视频编辑、消息通知
代码	代码执行、Python 运行	在线编程

6.2 自定义插件（私有 API）

当官方插件不满足需求时，可以创建自定义插件对接自有系统 API：

# 自定义插件示例：查询订单状态
# 插件描述文件 (OpenAPI Schema)
{
    "name": "query_order",
    "description": "查询订单状态和物流信息",
    "parameters": {
        "type": "object",
        "properties": {
            "order_id": {
                "type": "string",
                "description": "订单编号"
            }
        },
        "required": ["order_id"]
    }
}

# 插件实现 (Python)
def query_order(order_id: str) -> dict:
    """查询订单状态"""
    import requests
    url = f"https://api.yourcompany.com/orders/{order_id}"
    headers = {"Authorization": "Bearer your_token"}
    response = requests.get(url, headers=headers, timeout=10)

    if response.status_code == 200:
        data = response.json()
        return {
            "order_id": data["id"],
            "status": data["status"],
            "tracking_no": data.get("tracking_number", ""),
            "estimated_delivery": data.get("eta", "")
        }
    return {"error": f"查询失败: {response.status_code}"}

创建自定义插件的步骤：

1. 在扣子编程 -> 资源库 -> 插件，点击「创建插件」
2. 填写插件名称和描述
3. 定义输入输出参数（OpenAPI Schema 格式）
4. 编写插件代码（Python 或 JavaScript）
5. 调试测试通过后发布

6.3 插件使用

在智能体编排页面，点击「插件」-> 从插件市场选择或搜索 -> 添加。添加后智能体会在需要时自动调用插件。

也可以在工作流中使用「插件」节点，精确控制调用时机和参数。

七、卡片（Cards）

7.1 什么是卡片

当插件返回结构化数据时，纯文本输出体验很差。卡片可以将结构化数据可视化为图文并茂的交互界面——商品列表带图片和价格、天气信息带图标和温度、新闻列表带封面和摘要。

7.2 卡片类型

类型	说明	适用场景
官方模板	Coze 预置卡片模板	快速使用，覆盖常见场景
自定义卡片	开发者自行设计布局	个性化需求
列表卡片	展示多条结构化数据	新闻列表、商品列表
详情卡片	展示单条详细信息	商品详情、订单详情
表单卡片	支持用户交互	收集信息、确认操作

7.3 创建卡片

1. 在插件配置页面，点击「绑定卡片数据」
2. 选择官方模板或创建自定义卡片
3. 将插件输出字段绑定到卡片的对应位置

以新闻插件为例，插件返回的字段：

{
    "news": [
        {
            "title": "新闻标题",
            "cover": "https://example.com/cover.jpg",
            "time": "2026-08-21",
            "url": "https://example.com/news/1",
            "summary": "内容摘要",
            "media_name": "发布媒体"
        }
    ]
}

卡片数据绑定：

卡片位置	绑定字段
标题	{{news.title}}
封面图	{{news.cover}}
发布时间	{{news.time}}
摘要	{{news.summary}}
来源	{{news.media_name}}
点击跳转	{{news.url}}

7.4 卡片使用示例

八、变量与记忆

8.1 变量（Variables）

变量用于存储智能体交互过程中的动态数据。在工作流中通过 {{变量名}} 语法引用：

变量类型	作用域	生命周期	典型用途
用户级变量	跨会话	永久	用户偏好、会员等级
会话级变量	当前对话	对话结束即失效	临时上下文、中间结果
工作流变量	工作流内	工作流执行期间	节点间数据传递

变量支持的类型：string、integer、boolean、object（JSON）、array。

工作流中变量引用示例：

插件节点输出: search_result -> 下游节点输入引用 {{search_result}}
选择器节点条件: {{user_age}} > 18 -> 走成人分支
大模型节点 Prompt: "根据以下信息回答: {{knowledge_result}}"

8.2 记忆（Memory）

Coze 的记忆系统分三层：

记忆类型	说明	存储方式	适用场景
短期记忆	当前对话上下文	会话上下文	多轮对话连贯性
长期记忆	跨会话用户画像	向量存储 + 检索	个性化服务
数据库记忆	结构化数据持久化	Coze 数据库	订单/收藏/历史记录

8.3 配置记忆

在智能体编排页面配置记忆：

短期记忆：默认开启，无需配置。智能体自动维护当前对话的上下文。

长期记忆：

配置路径: 智能体编排 -> 记忆 -> 长期记忆 -> 开启

设置内容:
- 记忆策略: 自动提取用户关键信息（姓名/偏好/历史）
- 检索策略: 每次对话前检索相关历史记忆
- 记忆上限: 最多保留 1000 条记忆
- 隐私控制: 用户可查看和删除自己的记忆

成本提示：开启长期记忆后，每次对话都会检索相关历史记忆并注入上下文，会额外消耗 token。用户量大或对话频繁时，请把记忆检索的 token 开销计入成本预算；必要时限制记忆条数，或只对核心场景开启。隐私方面见第十四章的合规注意事项。

数据库：

-- 在 Coze 数据库中创建表
CREATE TABLE user_orders (
    user_id STRING,
    order_id STRING,
    product_name STRING,
    amount DECIMAL,
    status STRING,
    created_at TIMESTAMP
);

-- 工作流中使用数据库节点查询
SELECT * FROM user_orders
WHERE user_id = '{{user_id}}'
ORDER BY created_at DESC
LIMIT 5;

九、AI 模型配置

9.1 模型选择策略

任务类型	推荐模型	原因
通用对话	豆包 2.0	中文理解强，响应速度快
简单分类	豆包 2.0 mini	轻量高效，成本低
逻辑推理	DeepSeek	推理能力突出
代码生成	DeepSeek / GPT-4o	编程能力强
长文分析	Kimi	支持超长上下文
多模态	通义千问 / GPT-4o	图文理解能力
创意写作	豆包 2.0	中文创意表达好

9.2 模型参数配置

参数	说明	推荐值
Temperature	随机性，越高越有创意	客服 0.3 / 创意 0.7 / 代码 0.1
Top P	核采样范围	0.8-0.9
Max Tokens	最大输出长度	2048-4096
频率惩罚	降低重复	0.0-0.5
存在惩罚	鼓励新话题	0.0-0.5

9.3 专业版大模型添加

专业版支持添加自定义大模型（通过 OpenAI 兼容 API 接入）：

{
    "model_name": "my-custom-model",
    "api_base": "https://api.yourcompany.com/v1",
    "api_key": "your_api_key",
    "model_type": "chat",
    "max_tokens": 4096,
    "temperature": 0.7,
    "supported_features": ["tool_calling", "streaming"]
}

配置路径：扣子编程 -> 空间设置 -> 模型管理 -> 添加自定义模型。

十、发布与渠道

10.1 一键发布

Coze 一个非常实用的能力——开发完成后，可一键发布到 10+ 渠道，减少逐个对接的工作量。

注意：「一键发布」不等于「一键可用」。部分渠道存在平台审核、企业资质、账号认证等硬性门槛，发布前请先确认账号资质（详见 10.3 节）。

10.2 发布流程

1. 在智能体编排页面，点击右上角「发布」
2. 选择目标渠道
3. 配置渠道参数（如微信公众号的 AppID/AppSecret）
4. 提交审核（部分渠道需要平台审核）
5. 审核通过后自动上线

10.3 渠道配置要点

渠道	前置条件	配置要点
飞书机器人	飞书开放平台账号	创建飞书应用，授权机器人权限
微信公众号(服务号)	已认证的企业服务号	绑定 AppID，一个智能体只能发布到一个服务号
抖音	抖音开放平台企业认证账号	创建抖音小程序或机器人
豆包	无需额外配置	直接发布到豆包平台
Web API	无	获取 API Key 和 Bot ID，通过 API 调用
SDK	无	安装 coze-py 或 coze-js，通过代码调用
OpenClaw	高级会员	在扣子中一键部署，授权飞书机器人

渠道资质与注意事项：

「一键发布」不等于「一键可用」，发布前请先确认账号资质：

• 微信公众号：智能体渠道要求已认证的企业服务号，未认证或认证中的服务号无法接收消息；个人订阅号不支持智能体机器人接入（订阅号仅支持低代码应用，且无法主动推送消息）。一个智能体只能发布到一个企业服务号；如果之前绑定过旧版微信渠道，需先解绑再重新绑定。
• 抖音：需要抖音开放平台的企业认证账号，个人账号无法开通机器人/小程序发布。
• 飞书：需要飞书开放平台账号，并由企业开通机器人权限。
• 部分渠道发布后仍需平台审核，请预留审核时间。

微信 5 秒超时问题（生产必看）：微信公众号接口要求消息在 5 秒内响应，复杂工作流（多节点、长耗时 LLM 调用）大概率超时，微信会直接报错。生产环境建议：

1. 优先使用 Coze 的异步回复机制：先返回「已收到」确认消息，任务完成后通过客服消息 / 模板消息异步推送最终结果；
2. 把重计算逻辑拆到工作流中异步执行，避免在回调链路里做长任务；
3. 对超长任务采用「先回复已受理，稍后查询结果」的交互模式，引导用户查询。

十一、扣子编程

11.1 什么是扣子编程

扣子编程是 Coze 2.5 的核心升级之一。它不再只是低代码拖拽平台，而是整合了自然语言编程能力——用日常对话描述需求，AI 自动生成智能体、工作流、插件、技能甚至网页应用（业内常称这种模式为 VibeCoding，注意这是行业叫法，并非 Coze 官方命名）。

模式	说明	适合人群
VibeCoding	自然语言描述需求，AI 自动生成	零基础用户
低代码拖拽	可视化画布拖拽节点	业务人员、产品经理
代码开发	编写 Python/JS 代码节点	开发者

三种模式可以混合使用：先用 VibeCoding 快速生成原型，再用低代码拖拽精细调整，最后用代码节点处理复杂逻辑。

11.2 适用场景

• 快速原型验证：描述想法，AI 自动生成可运行的智能体
• 工作流自动化：自然语言描述流程，AI 自动编排节点
• 网页应用开发：描述页面需求，AI 生成可部署的 Web 应用
• 技能开发：封装专业领域知识为可复用的技能包

11.3 使用方法

VibeCoding 示例对话：

用户：帮我做一个研究助手智能体，能搜索网页、总结论文、生成调研报告

扣子编程：
1. 自动创建智能体 "研究助手"
2. 自动配置人设 Prompt
3. 自动添加联网搜索插件
4. 自动创建工作流：搜索 -> 信息提取 -> 论文总结 -> 报告生成
5. 自动配置知识库节点
6. 生成可调试的完整智能体

用户：把报告生成步骤改成用卡片展示

扣子编程：
1. 在工作流末尾添加卡片节点
2. 绑定报告数据到卡片模板
3. 重新发布工作流

11.4 核心优势

优势	说明
零门槛	不写一行代码，用自然语言描述需求
快速迭代	AI 自动生成 -> 人工调整 -> 再生成
三模式混合	VibeCoding + 低代码 + 代码，灵活组合
一键部署	生成后直接发布到多渠道
技能复用	优质工作流封装为技能包，跨项目复用

十二、OpenClaw 部署指南

12.1 什么是 OpenClaw

OpenClaw（原名 Clawdbot，2026 年 1 月底更名）是一款轻量级开源 AI Agent 管理平台。它跳出封闭云端环境，直接将大语言模型接入人们每天使用的邮箱、社交软件甚至 iMessage。本地优先的自动化执行框架——部署成功后就是 24 小时在线的私人工作助手。

特性	说明
本地优先	数据不出本地，隐私安全
多 Agent 协作	支持多智能体协同工作
自定义技能	社区技能库持续扩展（ClawHub 等渠道），可自定义
多渠道对接	邮箱、iMessage、社交软件（含飞书/钉钉/企业微信等）
代码执行	能跑代码、做数据、操作文件系统
开源免费	MIT 协议

与 Coze 的关系与边界：Coze 2.5 已集成 OpenClaw 一键部署入口，但这是Coze 高级会员专属的付费能力——普通免费用户没有该入口，只能走本地 npm 部署（见 12.3 方式二）。需要明确：

• OpenClaw 是独立于 Coze 的开源项目，Coze 只提供一键部署入口；本地部署的 OpenClaw，其稳定性与 bug 由开源社区负责维护，不由字节跳动 / Coze 平台兜底；
• OpenClaw 本身以 MIT 协议开源、无强制订阅；但通过 Coze 平台一键部署的版本受会员订阅约束——开源协议与平台服务条款是两回事，部署前请区分清楚。

12.2 部署前提

条件	说明
Coze 账号	需高级会员权限
Node.js	18.0+（本地部署）
硬盘空间	至少 8GB
操作系统	macOS 14+ / Windows 11 / Linux
大模型 API	阿里云百炼（推荐，新用户 90 天免费额度）/ DeepSeek / 自部署模型

12.3 部署方式

方式一：Coze 一键部署（最简，需高级会员）

仅 Coze 高级会员可用，免费用户后台没有该入口，请直接使用方式二本地部署。

1. 进入 coze.cn，找到 OpenClaw 部署入口
2. 点击「立即部署」
3. 选择版本：满血版（完整功能）或省流版（轻量体验）
4. 授权并创建飞书机器人
5. 完成授权后自动部署

方式二：本地部署

# 1. 安装 OpenClaw
npm install -g openclaw

# 2. 检查版本（建议 v2026.5.28 或更高）
openclaw --version
# 输出示例: 2026.5.28

# 3. 初始化配置
openclaw setup

# 4. 配置大模型 API Key
# 编辑 ~/.openclaw/config.json
{
    "model": {
        "provider": "dashscope",
        "api_key": "sk-your-bailian-api-key",
        "model_name": "qwen-plus"
    },
    "gateway": {
        "port": 18789
    }
}

# 5. 启动 Gateway
openclaw gateway start --port 18789

# 6. 验证运行状态
curl http://localhost:18789/health
# 预期输出: {"status":"ok"}

# 7. 启动 Agent
openclaw agent start

方式三：阿里云一键部署

提示：阿里云一键部署属于外部第三方能力，页面、可用性随阿里云产品策略变化。

1. 访问阿里云 OpenClaw 一键部署专题页面
2. 按引导完成 ECS 实例配置
3. 自动安装 OpenClaw + 百炼 API
4. 获取公网访问地址

12.4 大模型接入

OpenClaw 支持多种大模型接入方式：

阿里云百炼（推荐，免费额度大）：

# 配置百炼 API
export DASHSCOPE_API_KEY="sk-your-bailian-key"

# 或在 config.json 中配置
{
    "model": {
        "provider": "dashscope",
        "api_key": "sk-your-bailian-key",
        "model_name": "qwen-plus"
    }
}

DeepSeek 接入：

{
    "model": {
        "provider": "deepseek",
        "api_key": "sk-your-deepseek-key",
        "model_name": "deepseek-chat"
    }
}

自部署模型接入（以 Qwen 为例）：

{
    "model": {
        "provider": "custom",
        "api_base": "http://localhost:8000/v1",
        "api_key": "not-needed",
        "model_name": "Qwen2.5-72B"
    }
}

12.5 常见问题

问题	原因	解决方案
command not found: openclaw	npm 全局路径未加入 PATH	npm config get prefix 查看路径，加入 PATH
Gateway 启动失败	端口被占用	lsof -i:18789 查看占用，换端口或 kill 进程
API Key 配置失败	配置文件格式错误	检查 JSON 格式，确认无多余逗号
大模型无响应	API Key 无效或额度耗尽	检查 Key 有效性，查看余额
技能包加载失败	版本不兼容	升级 OpenClaw 到最新版，重新安装技能包
Token 消耗过快	对话历史过长	配置上下文截断策略，限制历史消息数量
macOS 权限问题	系统安全策略限制	在「系统设置 -> 隐私与安全」中允许 OpenClaw

十三、常见问题与技巧

13.1 常见问题

问题	原因	解决方案
智能体回复不准确	Prompt 不够清晰	优化人设提示词，增加具体规范和 few-shot 示例
知识库召回率低	分段不合理	调整分段策略，减小 chunk 大小，增加 overlap
工作流执行超时	节点过多或 LLM 响应慢	减少不必要的节点，使用更快的模型
插件调用失败	API 地址或参数错误	检查 API 文档，确认参数格式和鉴权
发布后不生效	未重新发布	修改后必须点击「发布」才会更新线上版本
多轮对话不连贯	记忆未配置	开启短期记忆，或配置长期记忆
变量引用失败	语法错误	使用 {{node_id.output_field}} 格式，注意大小写
飞书机器人不回复	权限未授权	检查飞书开放平台权限配置

13.2 使用技巧

技巧一：用选择器节点做确定性路由

不要让 LLM 做流程控制。意图识别可以用 LLM，但路由决策用选择器节点——条件满足走 A，不满足走 B，确定性执行。

技巧二：代码节点解决精确计算

大模型算星期几经常出错。用代码节点写一行 Python：

from datetime import datetime

def main(args):
    date_str = args["date"]
    dt = datetime.strptime(date_str, "%Y-%m-%d")
    weekdays = ["星期一", "星期二", "星期三", "星期四", "星期五", "星期六", "星期日"]
    return {"weekday": weekdays[dt.weekday()]}

技巧三：知识库分段优化

把长文档按问答对格式整理，每个 chunk 就是一个完整的 Q&A。召回率比按段落分段高 30%+。

技巧四：多模型混合调用

不同节点用不同模型：分类用 mini（快），生成用大模型（好），代码用 DeepSeek（准）。

技巧五：工作流模块化

把常用流程封装成子工作流，通过「工作流」节点嵌套调用。比如"搜索+总结"封装成一个子工作流，多个地方复用。

技巧六：用数据库做用户画像

-- 用户首次交互时自动创建画像
INSERT INTO user_profiles (user_id, created_at)
VALUES ('{{user_id}}', NOW())
ON CONFLICT (user_id) DO NOTHING;

-- 每次交互更新画像
UPDATE user_profiles
SET last_interaction = NOW(),
    topic_count = topic_count + 1,
    preferred_topic = '{{current_topic}}'
WHERE user_id = '{{user_id}}';

注意：用户画像是敏感个人信息，存储前务必阅读第十四章的合规要求（告知、授权、删除通道）。

13.3 生产环境限制

零代码搭完 ≠ 能直接扛生产流量，上线前请确认以下几点：

• 并发与限流：云端 Coze 平台对免费用户有调用 QPS 与调用次数限制；企业生产高并发场景需要开通专业版/企业版，或通过 API 网关做限流、排队和重试。高并发压测后再上线，不要默认"拖拽完就能扛大流量"。免费版额度适合原型验证，企业生产负载建议评估专业版。
• 知识库召回：RAG 效果依赖文档质量与分段策略（见 5.3），上线前用真实问题集做召回评估，不要默认"上传即好用"。
• 长期记忆成本：见 8.3，开启长期记忆会带来额外 token 开销，需计入成本预算。
• 微信渠道：见 10.3，5 秒超时限制必须用异步方案解决。

十四、生产环境风险与合规注意事项

本节面向把本文方案用于生产环境的读者。示例可以跑通，但上线前请逐条核对以下风险。

14.1 数据安全：插件与内部系统对接

• 不要把内网高权限 API 直接暴露为 Coze 插件。插件调用会经过 Coze 云端中转，涉及订单、客户信息、内部系统凭证等敏感数据时，先做数据安全评估，明确哪些数据会离开内网。
• 自定义插件遵循最小权限原则：只暴露业务必需的接口，使用短期、可轮换的凭证，对调用做审计日志，敏感接口加白名单与二次鉴权。

14.2 本地执行风险：OpenClaw

OpenClaw 具备操作本地文件系统、运行代码、控制浏览器的能力，存在执行恶意脚本的风险：

• 只安装来源明确、可审计的技能包，不要加载不受信任的第三方技能包；
• 部署 OpenClaw 的机器与生产/内网环境隔离，限制其文件系统与网络访问权限；
• 对高危操作（删除文件、执行命令、发送消息）配置审批策略，不要默认全自动执行。

14.3 个人隐私与数据合规

长期记忆、数据库中的用户画像、订单信息等属于个人隐私数据，受《个人信息保护法》（PIPL）约束，上线前必须做到：

• 告知：在隐私政策 / 用户协议中说明收集了哪些数据、用于什么目的；
• 授权：涉及敏感个人信息时，取得用户的单独同意；
• 可删除：提供用户查看、导出和删除自己记忆 / 数据的通道；
• 最小化：只保存业务必需的最小数据集，设置数据保留期限；
• 安全：对敏感数据加密存储，控制访问权限，避免明文落库。

14.4 密钥管理

文中所有 API Key / Token（如 your_pat_token、sk-your-xxx-key）均为演示占位符。生产环境严禁将密钥硬编码到配置、代码、插件或公开仓库，应使用环境变量或密钥管理服务（云厂商 KMS / Secrets Manager）统一管理，并定期轮换。

14.5 开源协议与平台条款

• 本文仅做技术科普，示例代码可自由使用；
• 使用开源组件请遵守对应开源协议：Coze 开源版为 Apache 2.0，OpenClaw 为 MIT；
• Coze 平台云端服务受其官方用户协议约束（包括但不限于会员权益、调用额度、数据条款），商用前请阅读并确认。

14.6 版本与信息时效

文中功能描述基于 Coze 2.5（2026 年 4 月）。平台功能、价格、渠道策略迭代频繁，一切以官方最新文档为准（扣子文档中心：docs.coze.cn）。

十五、附录

15.1 快捷入口

入口	地址	说明
扣子首页	coze.cn	平台入口
扣子编程	coze.cn/space	开发平台
开发者文档	coze.cn/open/docs	API/SDK 文档
API 端点(国内)	api.coze.cn	国内 API
API 端点(海外)	api.coze.com	海外 API
GitHub	github.com/coze-dev	开源仓库
Python SDK	pip install cozepy	coze-py
Node.js SDK	npm install @coze/api	coze-js
OpenClaw	npm install -g openclaw	本地部署框架

15.2 API 速查

# === Python SDK 调用示例 ===
import cozepy
from cozepy import Coze, TokenAuth, Message

# 初始化客户端
coze = Coze(
    auth=TokenAuth(token="your_pat_token"),
    base_url="https://api.coze.cn"
)

# 创建对话（非流式）
chat = coze.chat.create(
    bot_id="your_bot_id",
    user_id="user_123",
    additional_messages=[
        Message.build_user_question_text("你好，帮我查一下订单")
    ],
    custom_variables={"order_id": "20260821001"},
    auto_save_history=True
)

print(chat.status)  # completed
print(chat.usage)   # token 消耗

# 流式对话
for event in coze.chat.stream(
    bot_id="your_bot_id",
    user_id="user_123",
    additional_messages=[
        Message.build_user_question_text("写一首关于秋天的诗")
    ]
):
    if event.event == "conversation.message.delta":
        print(event.message.content, end="", flush=True)

# 工作流执行
result = coze.workflows.run(
    workflow_id="your_workflow_id",
    parameters={
        "input_text": "分析这段内容",
        "mode": "detailed"
    }
)
print(result.data)

// === Node.js SDK 调用示例 ===
import { CozeAPI } from '@coze/api';

const coze = new CozeAPI({
    token: 'your_pat_token',
    baseURL: 'https://api.coze.cn'
});

// 非流式对话
const chat = await coze.chat.create({
    bot_id: 'your_bot_id',
    user_id: 'user_123',
    additional_messages: [
        { role: 'user', content: '你好', type: 'text' }
    ],
    auto_save_history: true
});

// 流式对话
const stream = await coze.chat.stream({
    bot_id: 'your_bot_id',
    user_id: 'user_123',
    additional_messages: [
        { role: 'user', content: '写一首诗', type: 'text' }
    ]
});

for await (const event of stream) {
    if (event.event === 'conversation.message.delta') {
        process.stdout.write(event.message.content);
    }
}

15.3 与其他平台对比

本对比为各平台公开能力概览，版本迭代会发生变化，仅作参考，非绝对评测；LangGraph 属于 Python 开发框架（代码定义图编排），与前三者「应用平台」的定位不同，对比维度不完全对齐。

维度	Coze 扣子	Dify	FastGPT	LangGraph
定位	零代码 Agent 平台	开源 LLM 应用开发	知识库 + 工作流平台	有状态图编排框架
开发门槛	零代码 / 低代码	低代码	低代码	纯代码
核心优势	一键多渠道发布	开源可私有化	知识库能力强	图编排灵活
工作流	可视化拖拽	可视化拖拽	支持基础工作流编排	代码定义
知识库	内置 RAG	内置 RAG	核心能力	需自己实现
发布渠道	10+ 平台一键发布	Web API	Web	无内置
开源协议	Apache 2.0	Apache 2.0	Apache 2.0	MIT
私有化	支持	支持	支持	代码即私有
适用人群	业务人员/产品/开发者	开发者	业务人员	开发者

15.4 工作流节点速查卡

Coze 工作流核心节点：

  开始(Start) -> 定义输入参数
     |
  大模型(LLM) -> 调用模型生成/理解
     |
  插件(Plugin) -> 调用外部API
     |
  知识库(Knowledge) -> RAG检索
     |
  代码(Code) -> Python/JS精确处理
     |
  选择器(Condition) -> 条件分支路由
     |
  循环(Loop) -> 批量处理列表
     |
  结束(End) -> 定义输出

连线规则: 上游输出 -> 下游输入, 用 {{node_id.field}} 引用

从智能体创建到工作流编排，从知识库配置到多渠道发布，从扣子编程到 OpenClaw 部署，Coze 用「搭积木」的方式降低了 AI Agent 开发的工程门槛：不用自己搭后端、不用自己逐个接渠道，可以把精力集中在业务逻辑本身。

它不是传统意义上的纯代码开发，而是代表了一类 Agent 开发思路——当平台抽象足够完善时，业务逻辑可以通过配置而非代码来表达。至于选择零代码平台、代码框架还是两者结合，取决于你的业务复杂度、数据敏感度和团队技术栈（可参考 15.3 对比与第十四章的风险评估）。