扣子(Coze)正式开源!全网最详细部署教程拿走不谢~(以win11为例)

扣子(Coze)正式开源!全网最详细部署教程拿走不谢~(以win11为例)

目录

一、获取源码

1.1 安装Git

1.2 下载Coze源码

二、配置模型

2.1 获取火山方舟 API Key

2.2 获取Endpoint ID

三、部署并启动服务

3.1 安装docker

3.2 配置docker国内镜像源

3.3 启动服务

3.4 解决报错

四、打开本地Coze界面


一觉醒来天都塌了!前两天突然官宣Coze开源了?!这次的Coze开源,实属是给Dify和n8n一个颠覆性的冲击!

经过我研究了半天的时间,发现现在的Coze开源版的部分功能和在线版本是有所区别的,不过这才刚刚开始,我相信后续会推出更多的版本出来体验和开发的。

话又说回来,这次Coze开源对我们普通人又有什么影响呢?

你可以这么理解,Coze开源就像给普通人发了一张“AI开发者”的入场券——从此,技术不再是高墙深垒的精英游戏,而是人人可参与的创意工坊。

既可以为企业接单定制智能体工作流,赚点副业上的资金,又可开发属于自己的智能体平台,对外出售自己的工作流和插件,何乐而不为呢。

而且这次Coze的开源版最低要求只需要2核4G,也就是说,很普通的大众电脑都可以完全支持部署了!

部署方式其实很简单,下面跟着我一步一步的走下去就可以完成了。(这里以Win11为例子)

Github开源地址:https://github.com/coze-dev/coze-studio

一、获取源码

1.1 安装Git

我们首先需要安装git这个软件。在官网中选择“Download for Windows”,这里选择下载最新版本2.50.1。

git安装地址:https://git-scm.com/

点进去可以看到有不同的版本,我们选择第一个下载,它就会自动下载到本地。

双击Git的安装包,来到Git的安装界面,直接点击“Next”,接着来到这里面,最好换一下路径为C盘以外的盘符,然后点击“Next”。最后一直点击“Next”就可以啦~!

1.2 下载Coze源码

我们打开“命令提示符”,最好cd到D盘的某个文件夹,比如Coze这个文件夹(需要提前创建),然后复制下方的代码,直接点击发送。

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

二、配置模型

我们需要从模型目录中复制“doubao-seed-1.6”模型的文件,并粘贴到配置文件目录中。当然其它模型也是可以的,我们灵活复制就行。

首先我们得打开Windows PowerShell,接着需要cd到coze-studio文件夹下,然后利用cp命令来复制到配置文件夹里面。

cd coze-studio
cp backend/conf/model/template/model_template_ark_doubao-seed-1.6.yaml backend/conf/model/ark_doubao-seed-1.6.yaml

在配置文件目录下,我们需要修改模版文件。进入目录 backend/conf/model,比如我电脑的目录👉“D:\Coze\coze-studio\backend\conf\model”,以记事本的方式打开复制后的文件 ark_doubao-seed-1.6.yaml

我们需要设置 idmeta.conn_config.api_keymeta.conn_config.model 这三个字段,并保存文件。

  • id:Coze Studio 中的模型 ID,由开发者自行定义,必须是非 0 的整数,且全局唯一。模型上线后请勿修改模型 id 。
  • meta.conn_config.api_key:模型服务的 API Key,在本示例中为火山方舟的 API Key,获取方式可参考获取火山方舟 API Key
  • meta.conn_config.model:模型服务的 model ID,在本示例中为火山方舟 doubao-seed-1.6 模型接入点的 Endpoint ID,获取方式可参考获取 Endpoint ID

2.1 获取火山方舟 API Key

首先我们需要注册/登录火山方舟。

火山方舟链接:https://console.volcengine.com/ark/region:ark+cn-beijing/apiKey

登录好之后,直接来到API Key的管理界面,我们需要创建一个API Key。填写好名称,可以自定义,也可以像我一样填写“Coze开源版”,最后点击“确认”即可。

然后点击查看API,点击复制就可以了。我们需要复制到刚刚以记事本的方式打开的文件ark_doubao-seed-1.6.yaml,将这个API Key复制到对应的位置即可。如果不清楚对应位置的,可以Ctrl+F搜索查看api_key的所在位置,然后复制进去就可以了。

2.2 获取Endpoint ID

接下来我们直接跳转到【在线推理】界面,来到【自定义推理接入点】,点击【创建推理接入点】

方舟控制台-在线推理:https://console.volcengine.com/ark/region:ark+cn-beijing/endpoint

填写好接入点名称,描述,然后来到模型选择,选择最新版本的"Doubao-Seed-1.6"大模型,点击“确定”。其它默认不变,最后直接点击【确认接入】即可。

最后回到【在线推理】这个界面,复制这个接入点【Coze开源版】的下方ID,点击复制,这个ID就是Endpoint ID了。我们需要将它复制到文件ark_doubao-seed-1.6.yaml,将这个ID复制到对应的位置即可。(它这个model就在api_key下方,还是很好找的~)最后记得 "Ctrl+S" 保存起来。

三、部署并启动服务

3.1 安装docker

我们首先需要安装docker,为后续拉取镜像做准备。打开docker安装网站,点击"Download for Windows-AMD64",然后打开安装包,直接点击“OK”,就让它自己下载就可以了。

(在这过程中可能需要重启,就按照它的要求来重启吧~)

docker安装地址:https://www.docker.com/

接下来需要安装wsl,因为docker可能会提示WSL版本过低,需要安装,这里我提供了安装包,也可以去官方进行下载👉:https://github.com/microsoft/WSL/releases

安装也很简单,只需要双击安装包让它自己下载就可以了,这里就不多阐述。

https://download.ZEEKLOG.net/download/Little_Carter/91524709?spm=1001.2014.3001.5503

3.2 配置docker国内镜像源

我安装的时候,经常会遇到卡顿,总是拉取不了镜像,其实原因就在于没有配置好国内镜像源。我们需要打开Docker界面,来到右上角的【设置⚙️】,点击【Docker Engine】,复制我提供的国内源代码,需要整体复制粘贴的喔!最后点击【Apply & restart】确认。

{ "builder": { "gc": { "defaultKeepStorage": "20GB", "enabled": true } }, "experimental": false, "features": { "buildkit": true }, "registry-mirrors": [ "https://docker.mirrors.ustc.edu.cn", "https://registry.docker-cn.com", "http://hub-mirror.c.163.com", "https://mirror.ccs.tencentyun.com", "https://docker.m.daocloud.io", "https://docker.imgdb.de", "https://docker-0.unsee.tech", "https://docker.hlmirror.com", "https://docker.1ms.run", "https://func.ink", "https://lispy.org", "https://docker.xiaogenban1993.com" ] } 

3.3 启动服务

来到docker界面,打开右下角的“Terminal”终端界面,按照一步步输入以下的命令。

d: cd coze cd coze-studio cd docker cp .env.example .env docker compose --profile "*" up -d

3.4 解决报错

当你运行到这里的时候,恭喜你已经成功99%了。不过当你运行的过程中,可能有一个报错,会显示"coze-elasticsearch"报错。

这个问题在Linux和MacOS是不会出现的。原因在于这个脚本文件的换行符格式错误(CRLF vs LF)。Windows是默认使用CRLF作为换行符的,我们只需要将它换成LF格式就可以了。

解决方法👉:找到coze-studio,比如我这里的"D:\Coze\coze-studio\docker\volumes\elasticsearch",把这个"setup_es.sh"用Vscode打开。

将右下角的"CRLF"改成"LF"就可以了。

再次重新运行这个命令"docker compose --profile "*" up -d",就基本可以成功了。

四、打开本地Coze界面

最后我们只需要通过浏览器访问 http://localhost:8888/ 即可打开 Coze Studio。

赶紧按照教程部署一个属于自己的本地Coze吧!

Read more

构建代码库知识图谱解决方案-GitNexus 项目技术分析总结

构建代码库知识图谱解决方案-GitNexus 项目技术分析总结

GitNexus 项目技术分析总结 Building git for agent context. 为 AI 智能体构建代码库知识图谱的完整解决方案 一、项目概述 1.1 核心问题 GitNexus 解决的是 AI 代码助手(如 Cursor、Claude Code、Windsurf)缺乏对代码库深层结构理解 的问题。github地址:https://github.com/abhigyanpatwari/GitNexus 传统痛点: * AI 编辑代码时,无法感知依赖关系 * 修改一个函数,不知道 47 个函数依赖其返回值类型 * 导致破坏性变更被直接提交 GitNexus 的解决方案: 通过构建知识图谱(Knowledge Graph),将代码库的依赖、调用链、功能集群和执行流程全部索引,并通过

By Ne0inhk
无人机智能巡检系统-大疆上云api

无人机智能巡检系统-大疆上云api

1. 项目概述 1.1 项目名称 无人机智能巡检系统开发项目 1.2 项目背景 传统人工巡检方式存在效率低下、成本高昂、作业风险大等问题,尤其在大型设施(如机场、电力线路、油气管网)的巡检中面临诸多挑战。随着无人机技术、人工智能和物联网的快速发展,无人机智能巡检已成为提升巡检效率、降低运营成本、保障作业安全的理想解决方案。本项目旨在开发一套集实时监控、智能识别、任务管理、数据分析于一体的无人机智能巡检系统,满足现代化巡检工作的需求。 1.3 项目目标 * 开发一套完整的无人机智能巡检系统,实现巡检过程的自动化、智能化和可视化 * 集成AI识别功能,实现对异常事件(如人员入侵、设备故障、安全隐患)的实时检测与报警 * 构建统一的数据管理平台,实现巡检数据的集中存储、分析与共享 * 支持多类型无人机和巡检设备的无缝集成,确保系统的兼容性和可扩展性 * 提高巡检效率30%以上,降低人力成本40%,减少安全事故发生率 1.4

By Ne0inhk

雷达信号处理中的CFAR技术详解

好的,我来为您总结归纳雷达信号处理中的恒虚警(CFAR)技术,并提供一个基于MATLAB的实际用例。 🧐 雷达信号处理之恒虚警(CFAR) 恒虚警率(Constant False Alarm Rate, CFAR)是一种自适应阈值目标检测技术,在雷达信号处理中用于从噪声和杂波背景中检测出目标回波。其核心思想是:无论背景噪声或杂波的功率如何变化,都保持虚警概率( )为一个预先设定的常数。 🎯 1. 基本原理与流程 CFAR算法通过实时估计待检测单元(Cell Under Test, CUT)周围的背景噪声或杂波功率,并根据期望的虚警率 自适应地确定检测阈值 。 主要步骤: 1. 滑动窗口(Detection Window):在待检测数据(通常是距离-多普勒图或距离向数据)上设定一个固定大小的滑动窗口。 2. 单元划分:窗口内的单元被划分为三个部分: * 待检测单元(CUT):位于窗口中心,是我们要判断是否包含目标的单元。 如果 ,则判断不存在目标(No Target)。 如果 ,则判断存在目标(

By Ne0inhk