全面解析 Coze 工作流与 AI Agent 实例搭建

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

在这里插入图片描述

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。

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：
1. '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

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：

首先进入资源库，点击工作流

在这里插入图片描述

输入名称

在这里插入图片描述

插入大模型，重命名

在这里插入图片描述

配置开始节点

在这里插入图片描述

配置大模型

在这里插入图片描述

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。'

在这里插入图片描述

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。

在这里插入图片描述

插入图像生成模型

在这里插入图片描述

单链验证

在这里插入图片描述

添加大模型并配置

在这里插入图片描述

# 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

配置画面分镜大模型

在这里插入图片描述

# 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

在这里插入图片描述

插入视频内容生成大模型

在这里插入图片描述

插入选择器

在这里插入图片描述

优化提示词

在这里插入图片描述

配置选择的另一条单线。尝试生成图像

在这里插入图片描述

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"] };
async function main({ 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;
}

在这里插入图片描述

插入字幕合成模型

在这里插入图片描述

获取视频时长

在这里插入图片描述

连接

在这里插入图片描述

配置批处理

在这里插入图片描述

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
async function main({ params }: Args): Promise<Output> {
    // 关键：为所有依赖的参数添加默认值，避免 undefined
    const { image_list = [], audio_list = [], duration_list = [], scenes = [], role_img_url = "", title = "" } = params;
    // 处理音频数据
    const audioData = [];
    let audioStartTime = 0;
    const audioTimelines = [];
    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
        });
        audioTimelines.push({
            start: audioStartTime,
            end: audioStartTime + duration
        });
        if ((i - 1) % 2 === 0) {
            
            imageData.({
                : image_list[i],
                : audioStartTime,
                : audioStartTime + duration,
                : ,
                : ,
                : ,
                :  
            });
        }  {
            imageData.({
                : image_list[i],
                : audioStartTime,
                : audioStartTime + duration,
                : ,
                : 
            });
        }
        audioStartTime += duration;
        maxDuration = audioStartTime;
    }
     roleImgData = [];
    
     (role_img_url && duration_list. > ) {
        roleImgData.({
            : role_img_url,
            : ,
            : duration_list[],
            : ,
            : 
        });
    }
    
     captions = scenes.( item?. || ).(); 
     subtitleDurations = duration_list;
    
     { textTimelines, processedSubtitles } = (captions, subtitleDurations);
    
     title_list = [title || ]; 
     title_timelines = duration_list. >  ? [{ : , : duration_list[] }] : [];
    
    
     kc_audio_url = ;
     bg_audio_url = ;
     bg_audio_data = [];
     (maxDuration > ) {
        
        bg_audio_data.({
            : bg_audio_url,
            : maxDuration,
            : ,
            : maxDuration
        });
    }
     kc_audio_data = [];
    kc_audio_data.({
        : kc_audio_url,
        : , 
        : ,
        : 
    });
    
     ret = {
        : .(audioData),
        : .(bg_audio_data),
        : .(kc_audio_data),
        : .(imageData),
        : textTimelines,
        : processedSubtitles,
        : title_list,
        : title_timelines,
        : .(roleImgData)
    };
     ret;
}
  = {
    : ,
    : [, , , , , , , , , , ],
    : 
};
 () {
    
     ( text !== ) text = (text || );
     (text. <= maxLen)  [text];
     ( delimiter  .) {
         pos = text.(delimiter, maxLen - );
         (pos > ) {
             splitPos = pos + ;
             [
                text.(, splitPos).(),
                ...(text.(splitPos).(), maxLen)
            ];
        }
    }
     startPos = .(maxLen, text.) - ;
     ( i = startPos; i > ; i--) {
         (.(text[i])) {
             [
                text.(, i + ).(),
                ...(text.(i + ).(), maxLen)
            ];
        }
    }
     splitPos = .(maxLen, text.);
     [
        text.(, splitPos).(),
        ...(text.(splitPos).(), maxLen)
    ];
}
  = () => {
     cleanRegex = ;
     processedSubtitles = [];
     processedSubtitleDurations = [];
    
     safeLength = .(captions., subtitleDurations.);
     ( index = ; index < safeLength; index++) {
         text = captions[index];
         totalDuration = subtitleDurations[index] || ; 
         phrases = (text, .);
        phrases = phrases.( p.(cleanRegex, ).()).( p. > );
         (phrases. === ) {
            processedSubtitles.();
            processedSubtitleDurations.(totalDuration);
            ;
        }
         totalChars = phrases.( sum + p., );
         accumulatedUs = ;
        phrases.( {
             ratio = totalChars >  ? phrase. / totalChars : ; 
             durationUs = i === phrases. -  ? totalDuration - accumulatedUs : .(totalDuration * ratio);
            processedSubtitles.(phrase);
            processedSubtitleDurations.(durationUs);
            accumulatedUs += durationUs;
        });
    }
    
     textTimelines = [];
     currentTime = startTimeUs;
    processedSubtitleDurations.( {
         start = currentTime;
         end = start + (durationUs || ); 
        textTimelines.({ start, end });
        currentTime = end;
    });
     { textTimelines, processedSubtitles };
};

在这里插入图片描述

创建草稿

在这里插入图片描述

字幕音频生成

在这里插入图片描述

视频画面生成

在这里插入图片描述

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
    if len(segment_ids) != len(times):
        raise ValueError("segment_ids 与 times 数组长度不一致")
    keyframes = []
    for idx, seg_id in enumerate(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 = 1.5
        else: # 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({: audio_duration, 
            : , : seg_id, : end_scale, : })
    
    keyframes.append({: , : , : seg[][], : , : })
    keyframes.append({: , : , : seg[][], : , : })
    
    keyframes.append({: seg[][] - seg[][], 
        : , : seg[][], : , : })
     {: json.dumps(keyframes)}

在这里插入图片描述

添加关键帧

在这里插入图片描述

制作字幕数据

在这里插入图片描述

添加字幕

在这里插入图片描述

批量添加字幕

在这里插入图片描述

输出

在这里插入图片描述

结束

在这里插入图片描述

这样我们的工作流就做好了，后续会更新制作后的视频

在这里插入图片描述

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 和 Coze Loop GitHub 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
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

全面解析 Coze 工作流与 AI Agent 实例搭建

一、初识 Coze

1. 价值定位

2. 核心功能

一、智能体（Bot）构建核心功能

二、工作流（Workflow）自动化功能

三、知识库（Knowledge Base）管理功能

四、测试与部署功能

五、团队协作与资源管理功能

典型适用场景

3. 差异对比

4. Coze 和 Coze 空间

功能定位：'开发平台' vs '协同办公场所'

任务处理方式：'手动编排' vs '自动拆解'

输出成果形式：'多样化创作' vs '办公场景适配'

工具调用能力：'插件接入' vs '深度集成'

二、开发者 - 智能体搭建

三、关于开源

四、本地配置与在线使用对比

1. 在线版 Coze

优点

缺点

2. 开源版（本地部署）Coze 优缺点

优点

缺点

3. 适用场景与人群建议

更多推荐文章

相关免费在线工具

全面解析 Coze 工作流与 AI Agent 实例搭建

一、初识 Coze

1. 价值定位

2. 核心功能

一、智能体（Bot）构建核心功能

二、工作流（Workflow）自动化功能

三、知识库（Knowledge Base）管理功能

四、测试与部署功能

五、团队协作与资源管理功能

典型适用场景

3. 差异对比

4. Coze 和 Coze 空间

功能定位：'开发平台' vs '协同办公场所'

任务处理方式：'手动编排' vs '自动拆解'

输出成果形式：'多样化创作' vs '办公场景适配'

工具调用能力：'插件接入' vs '深度集成'

二、开发者 - 智能体搭建

三、关于开源

四、本地配置与在线使用对比

1. 在线版 Coze

优点

缺点

2. 开源版（本地部署）Coze 优缺点

优点

缺点

3. 适用场景与人群建议

微信扫一扫，关注极客日志

更多推荐文章

相关免费在线工具