一键云部署Coze后，用它终结了当代年轻人的看病PTSD【含喂饭级教程】

大家好，我是袋鼠帝。

上周六Coze（7.26）不是开源了嘛，作为一个Coze的忠实用户和AI博主，没有抢到一手文章有点可惜，主要最近那会儿生病，紧接着又超级忙，就一直没空写。

但是Coze开源，这么大的事情，必须给大家安排一篇硬核的喂饭级教程！

毕竟我从Coze 24年初上线就开始用了，它还给我的抖音贡献了一个70多万播放的视频

然后最近又收到火山引擎邀请啦，周三（7.30）到了火山引擎开发者见面会厦门站。

在大会上我看到火山引擎天然支持一键部署开源Coze到云端，而且还做了各种配套。

所以，我决定直接在火山引擎上部署Coze，毕竟本地部署很多博主已经写过，而且云端部署是真简单又省心～

还是介绍一下Coze开源的两个应用：

Coze Studio (扣子开发平台)

Coze Studio是一个一站式、可视化的AI Agent开发平台，旨在让开发者通过零代码或低代码的方式，轻松创建、调试和部署功能强大的AI Agent。它源自服务了数百万开发者和上万家企业的商业版“扣子开发平台”，并将其核心引擎完全开源。

核心功能与优势：

核心技术全覆盖：内置了开发AI Agent所需的全部核心技术，包括Prompt工程、RAG（检索增强生成）、插件（Plugin）和工作流（Workflow），让开发者能聚焦于创造AI的核心价值。

开箱即用：提供丰富的应用模板和编排框架，开发者可以快速将创意变为现实，用最低的成本开发出专业的AI Agent。

高扩展性技术栈：后端采用Go语言，前端使用React + TypeScript，基于微服务和领域驱动设计（DDD）构建，为开发者提供了一个高性能、易于二次开发的底层框架，能应对复杂的业务需求。

Coze Studio就是AI Agent的建造工厂，它把复杂的AI技术封装成简单易用的可视化工具，大大降低了AI应用的开发门槛。

Coze Loop (扣子罗盘)

Coze Loop是一个专注于AI Agent开发与运维（DevOps）的平台级解决方案。如果说Coze Studio负责建造Agent，那么Coze Loop就负责Agent从开发到上线运行的全生命周期管理，确保其高效、稳定和可靠。

核心功能与优势：

Prompt开发与管理：提供从编写、调试、优化到版本管理的全流程支持，并通过可视化界面直观对比不同大模型的效果。

系统化评测：能够对AI Agent的输出效果进行多维度的自动化评测，如准确性、合规性等，确保Agent的回答质量。

全链路可观测性：能完整记录并可视化Agent从接收用户输入到最终输出的每一个处理环节（如模型调用、工具执行等），帮助开发者快速定位和解决问题。

Coze Loop是AI Agent的控制塔和监测中心，它解决了Agent开发过程中的调试、评估和监控等挑战，是提升Agent运行效果和稳定性的关键工具。

接下来就带大家看看，如何用目前最丝滑的方式，快速私有化部署属于你自己的Coze服务（属实是原汤化原食了），并搭建一个真正能解决问题的AI Agent。

话不多说，我们直接开始喂饭～

一、云端一键部署Coze Studio

在开始搭建我们的AI应用前，得先把Coze Studio部署好。

这种开源项目，如果没有提前安装好docker，本地部署也得花不少时间来折腾，环境配置、网络问题等等，总有一个让人抓狂。

但这次，火山引擎专门为Coze Studio和Coze Loop推出了一键自动化部署方案，我们先部署一下Coze Studio。

一键部署地址：

https://v2mg.cn/pbzSXXos5Wk/

点击「立即部署」

地域我就选择上海了，实例规格选择了最低配置：4核8G

带宽我选择3M，相比5M可以便宜几块钱，设置好登录密码和登录邮箱。

支付后立马就部署好了，贼快。

平台在背后自动帮你完成所有操作：授权、开通ECS（云服务器）服务、配置环境、拉取镜像、启动服务……

整个过程简单到令人发指，这就是马内的力量吗

部署成功后，你会直接得到一个公网访问地址，这点还是挺贴心的～

点击打开这个地址，进入你专属的Coze后台。

输入刚才设置的邮箱和密码，点击注册

我们基本上啥也不用做，就搞定了

这是目前国内最适合部署Coze开源版的云。

而且支持弹性扩缩容：资源支持弹性扩容，如果需要更高配置，按需升级就行。用完即毁，快速销毁实例，不浪费一分钱。

据火山引擎官方透露，未来还会支持更灵活的生产级部署。

到时候，Coze的各个组件都会用标准的云服务来承载，比如数据库、中间件等，可以独立扩容，轻松支撑企业级的低代码智能体平台。

哪些人适合使用火山引擎部署Coze？

1.小白尝鲜开源Coze，一键搞定非常省时、省心。

2.使用开源Coze对外提供付费服务的人群，要对外提供服务，本来就要部署到云服务器，与其自己去搞部署，还不如交给火山引擎，省心又方便，而且毕竟Coze本来就是他们自家的，火山肯定是最懂Coze的云。

二、从0到1打造一个AI问诊Agent

部署好了平台，就该进入正题了。

这次我想做的Agent是从一个实际需求出发，个人认为价值非常大。

这得从我上周的住院经历说起。

已经好久没有生病住院了。我相信在座的各位平时应该也很少去医院，可能完全不清楚医院的各种看病流程和细节。

比如要先做B超在去做尿常规检查，因为做B超是要憋尿的...

比如肾结石要找泌尿外科，而不是肾内科...

而且在县城的医院，我发现很多流程效率贼低。

比如：病人看病得先找到医生排队面诊，描述一堆症状，医生再根据经验开一堆检查单，有时候就光拿一个检查清单，一早上就没了...

这个过程，对医生和病人来说都耗费了大量时间。

我就想，这个环节完全可以用一个AI Agent来优化。

让AI先对患者的初步描述和已有的检查报告进行分析，给出一个智能的检查建议和科室建议，这样患者就可以直接先去做检查，检查完毕带着检查结果去找相应科室的医生，大大节省双方的时间。

我们还可以一起探索下，有没有可能让用户自己上传检查报告（B超、CT、尿常规结果等等）让AI也给自己诊断一下（当然只做参考，最终还是要听医生的）。

所以我准备打造一个「智能问诊助手Agent」，直接开干！

第一步：模型选择

要发挥Agent的最强实力，必须给它配置上最合适的大脑（模型）

我选择了豆包模型，原因很简单：

它拥有超强的逻辑思考能力，另外它的多模态理解能力应该是目前最强的（能理解各种复杂的图片），后续能看懂我上传的图片，比如CT片、B超图和化验单。

现在我有点啥图片都会往豆包丢，识别准确率超高，基本上没遇到过识别错误的情况。

最关键的是，我觉得它在问诊这块回答的非常全面，甚至比医生告诉我的还多，还细节。

下面是我第二次疼的那天早上，去医院前先问了豆包

我以前以为，大模型看病肯定不靠谱，结果真实体验下来，好像人才是更不靠谱的一边...

那天我第二次去医院，泌尿科的医生还是跟前两天肾内科的医生一样，先让我去做个CT，以及再做一次尿常规。然而，豆包都知道是泌尿外科「急症」，但那位泌尿科医生并没有像之前肾内科的医生一样给我开急诊单子。导致我在CT室外又忍痛等了好久。

医生给的后续建议就是，多喝水..也不说喝多少合适，也没有提及其他饮食方面..完全没有豆包贴心。

当然，以上不是针对所有医生，也不针对那天给我看病的医生，我只是想表达，医生水平肯定是参差不齐的，正常看病什么样的情况都可能遇到，就很不稳定。

第二步：配置模型

目前豆包最新思考模型是doubao-seed-1.6-thinking-0715

相比上一代，又又又进步了不少（推理能力和多模态能力）

但Coze部署好后，默认用的不是最新的大模型。所以我们需要配置一下豆包最新的思考模型。

但目前开源Coze更换模型稍微有点不方便，需要修改配置文件，而不是在界面配置（哈哈，我提了Issues，希望官方尽快优化～）

我们需要远程连接那台服务器，去对应位置修改模型配置

先进入火山引擎「云服务器」

https://console.volcengine.com/ecs

远程链接需要服务器的密码，咱们可以先重置一下密码。

设置新密码->同意重启->确定

重启完毕后，点击远程连接，用户默认是root

输入刚刚重置的密码后进入远程服务器的终端。

进入Coze目录：workspace/opencoze，编辑.env文件

cd workspace/opencoze
vi .env

在.env文件里，你会找到模型相关的配置项。

然后去火山方舟的「模型广场」找到doubao-1.6-thinking-0715模型

复制模型Id备用，并点击页面上的「推理」

https://console.volcengine.com/ark/region:ark+cn-beijing/model/detail?Id=doubao-seed-1-6-thinking

点开推理后复制apikey，如果没有apikey可以先创建

我们可以把.env的模型配置复制一栏出来新增，Id序号也需要增加，比如默认是0，新增的模型Id序号改成1

用刚刚拿到的模型Id和apikey，替换掉原来的配置。

其实apikey在部署Coze的时候平台已经默认帮你添加上了，这里我就不换apikey了，换模型Id（名称）以及标红的地方注意修改

最后保存.ven文件，

执行如下指令，重启一下coze-server的Docker容器，让配置生效。

docker compose --profile "*" restart coze-server

搞定！现在，我们的Coze就配置好模型了。

第三步：Agent的System Prompt

一个好的Agent，离不开一个精准、强大的系统提示词（System Prompt）。

提示词我强烈推荐，用火山方舟的PromptPilot去构思和优化。

https://promptpilot.volcengine.com

我直接把需求丢过去就行啦

PromptPilot应该是目前工程化生成Prompt最好用的工具了，没有之一，功能非常完善：包括从引导用户需求初步创建Prompt，再到批量测试Prompt性能边界，最后持续优化，通过这种严格的工程化流程做出来的Prompt才是经得起生产环境考验的稳定Prompt。

就不具体介绍优化细节了，要展开讲的话可能得单独写一篇。

感兴趣的朋友可以看一下官方文档：

https://www.volcengine.com/docs/82379/1399495

或者@苍何的这篇介绍PromptPilot的文章

最终的Prompt如下：

你将扮演一个「智能问诊助手Agent」，目标是优化医院问诊流程，节省医生和患者的时间。
以下是患者的初步描述：
<patient_description>
{{PATIENT_DESCRIPTION}}
</patient_description>
以下是患者已有的检查报告：
<existing_reports>
{{EXISTING_REPORTS}}
</existing_reports>
你可以使用一个{#LibraryBlock id="7533579363732684800" uuid="ZMjNUeSSHkZpKds4qhB1R" type="workflow"#}database{#/LibraryBlock#}数据库工作流，该数据库包含以下字段：录入日期，姓名，年龄，性别，电话，病史，当前症状。
你每次都需要调用一次{#LibraryBlock id="7533579363732684800" uuid="ftJHjoWkSPA4v6LIDH8ZH" type="workflow"#}database{#/LibraryBlock#}，并给所有字段赋值，如果没有的就赋空值。
3. 首先，在 `<思考>` 标签中详细分析患者的描述和检查报告，思考可能的病因和需要进一步检查的方向。
```plaintext
<思考>
[在此详细说明你对患者描述和报告的分析]
</思考>
```
4. 然后，在 `<检查建议>` 标签中给出智能的检查建议，仅列出刚好能让医生判断病因的具体检查项目（避免过度检查，考虑检查成本），同时从{#LibraryBlock id="7533475827267141632" uuid="MfcQ7dQkUblZq8gyRGUAK" type="text"#}医院信息{#/LibraryBlock#}知识库查询并列出这些检查项目的检查点地址。
```plaintext
<检查建议>
[在此列出具体的检查项目及对应的检查点地址]
</检查建议>
```
5. 接着，在 `<科室建议>` 标签中给出建议患者前往的科室，同时从{#LibraryBlock id="7533475827267141632" uuid="7YUeB_pSVR-niOy48fTzE" type="text"#}医院信息{#/LibraryBlock#}知识库查询并列出该科室的地址和推荐医生（展示医生姓名及各种信息）。
```plaintext
<科室建议>
[在此列出建议的科室、科室地址、科室推荐医生（医生姓名及各种信息）]
</科室建议>
```
6. 再在 `<生活饮食建议>` 标签中给出针对病症的一些平时日常生活习惯和饮食的建议。
```plaintext
<生活饮食建议>
[在此给出日常生活习惯和饮食的建议]
</生活饮食建议>
```
7. 最后，如果你认为可以根据现有的描述和报告给出一定的参考诊断，在 `<参考诊断>` 标签中输出参考诊断内容（注意这仅作参考，最终要以医生诊断为准）。
```plaintext
<参考诊断>
[在此给出参考诊断内容]
</参考诊断>
```
请严格按照以上步骤和格式进行输出，确保每个步骤都有相应的标签和详细内容。

第四步：搭建Agent

有了大脑和灵魂（模型和系统Prompt）

接下来我准备接入两个工具：知识库和数据库工作流

知识库用于补充医院相关信息（比如各种科室所在位置，CT、B超等检查的位置，以及各个科室医生的相关信息和医院的介绍）

数据库工作流，用来录入患者的信息（姓名、性别、电话、年龄，病史，当前症状等）

数据库字段如下：

这个工作流很简单，可以把患者信息存储下来，一开始是根据患者姓名和电话查询是否有记录，如果有就更新患者的当前症状，如果没有就新增一条记录。

我搭建的智能问诊助手Agent大概长下面这样：

Coze添加工作流和搭建知识库，这里就不详细赘述了

不清楚的朋友可以复习一下我之前的一篇文章

在Coze搭建通用智能体喂饭级教程

袋鼠帝，公众号：袋鼠帝AI客栈

DeepSeek接入智能体，开发速度飞快，小白也能轻松搞定！【喂饭级教程】

第五步：实际测试

万事俱备，我们来实际测试一下。

下图电话号码是瞎写的

智能问诊助手回复如下：

可以看到调用了知识库和database工作流

它不仅理解了我的文本，给出了非常合理、符合逻辑的建议。

并且告诉我需要做哪些检查以及去哪里检查，检查后拿着报告去什么科室找哪位医生（包括医生的详细信息），非常清楚。

患者信息也按要求存储到了医院的数据库

这个Agent很虽然简单，但是就算当时医院能有个这么简单的Agent给我用，都不至于后续搞出一些乌龙，还有浪费那么多时间..

这在真实的导诊场景下，绝对能派上大用场。

有点可惜的是开源版Coze，只能把智能体发布成API或者SDK

以及自带的插件不多，大部分是官方的。

想要更多插件，只能自己手动配置添加。

三、CozeLoop（扣子罗盘）一键部署

部署地址：

https://v2mg.cn/_RCsVbO7YDQ/

选择配置也跟Coze Studio差不多，这里就不重复赘述了

也是很快就能部署成功

点击部署地址，跳转到Coze Loop的登录页面，下面输入邮箱和密码之后点击注册。

登录后可以看到左边有一排功能

功能大致如下：

观测日志：看到每一次对话的全链路详情，从用户输入，到调用了哪个模型、哪个工具，中间返回了什么数据，一目了然。

如果Agent回答出错了，可以快速定位是哪个环节出了问题。

Prompt管理：如果发现当前的Prompt效果不好，可以在这里进行版本管理和调试优化。

数据评测：还可以建立评测集，对Agent的回复进行自动化评估，比如准确性、合规性等，确保它不会乱说话。

对于开发者来说，这种Agent全生命周的管理能力，是让一个Demo变成一个可靠的工具的关键。

「最后」

从产生想法，到部署开源Coze，再到搭建、测试完这个AI问诊Agent，全程下来，我最大的感受是：方便、普惠。

Coze的开源，把顶级的Agent开发框架交到了每个开发者手中，这本身就是一场巨大的技术普惠。

而火山引擎，则扮演了那个最佳辅助的角色。

它用极致简化的部署方案，以及背后强大的模型、云服务生态，极大降低了体验和开发AI Agent的门槛。

开源的Coze + 开放的火山引擎，这个组合正在催化一个更有活力的AI Agent生态。

开发者、甚至小白都可以基于这个易用的底座，去探索医疗、教育、电商、娱乐等无数个行业的应用场景。

我相信，未来不会是一家公司定义所有Agent，而是成千上万的开发者共同来定义。

快去试试吧，在火山引擎私有化部署开源Coze打造属于你的AI Agent

文章来自于微信公众号“袋鼠帝AI客栈”，作者是“袋鼠帝”。