推荐Coze Studio和Loop开源项目，分析其架构与价值
如果你只是 AI 爱好者，又有一定动手能力，我建议可以重点看看 Coze Studio，看看一个商业项目是怎么运行起来的，还可以借助 AI 帮你理解项目结构。还可以在本地搭建一套，跑跑聊天机器人，如果想部署到服务器，主流的云服务商应该都可以支持，推荐可以看看这篇教程《保姆级 | Coze开源版本地部署教程，一步一图，小白可用》https://t.co/bapZtHbbjT
如果你是 AI 从业者，日常又有 Prompt 优化的要求，则可以试试 Coze Loop ，把你常用的测试数据集导入，看看效果怎么样。
通过源代码可以看得出，Coze 的后端采用 Golang 开发，前端使用 React + TypeScript，整体基于微服务架构并遵循领域驱动设计（DDD）原则构建，结构相当清晰。如果你想二次开发的话，稍微花点时间就能上手。
可能有的朋友觉得这么复杂的项目，看不懂怎么办？
我的经验是：
1. 先跑起来，能看得见摸得着很重要，这样才有正反馈
2. 然后阅读官方文档，从一个功能点切入看看它是怎么工作的，比如怎么处理登录注册的，怎么和 LLM 交互的，通过在相应位置设置断点、打印日志就可以跟踪它的运行，甚至可以让 AI 帮你分析代码
3. 去贡献 PR（Pull Request），开源项目一大好处就是人人都可以贡献其中，你自己在运行过程中发现 Bug 了，或者 GitHub 的 Issue 列表中有别人提交的 Bug，都可以去尝试修改下看看，何况现在还有 AI 帮你，通过解决一个真实的 Bug，能很好的帮助你深入的了解项目。
如果你是开发者的话，贡献插件是比较容易参与的方式，不仅可以帮你熟悉项目架构，你写的代码还有专业人员帮你审查，最终结果还能被整个社区看到和用起来。
4. 最后可以尝试模仿其中某个模块或者整个架构的实现，当你对项目已经足够熟悉后，可以尝试去模仿做一个简化版本的。要想成为一个架构师，提升系统架构水平，去模仿优秀的开源项目的架构设计是一种相当有效的方式，只有自己能设计能实现，才能成为合格的架构师。
要在本地运行 Coze Studio 或 Coze Loop，只需要把代码克隆到本地，按照说明一步步安装就可以，即使你对它使用的前端 TypeScript 语言或者后端 Go 语言不熟悉，都不影响，只要你的系统能安装 Docker、Docker Compose，能启动 Docker 服务，磁盘空间够就可以跑起来，我测试的时候都是一遍就可以本地运行了，看得出他们还是做了很多测试和文档工作。
至于有人问为什么他们要把这么重要的商业项目都开源出来？
原因我也不是很清楚，也许是竞品的压力，也许是为了共建生态，也许是为了招揽人才（不乏案例，很多积极在开源项目中贡献的被官方招募了），或者有自己答案的朋友也可以评论区留言。
但有一点可以肯定的是，现在 AI 赛道最火爆的是 AI Agent，越来越多的 AI 产品都从工作流模式转向了自主式的 Agent 模式，或者两者混搭，Agent 还是一种全新的模式，未来也不能是一家封闭的公司或平台所能左右的，之前 OpenAI 封闭的 Function Calling 和 Anthropic 开放的 MCP 之争就已经是个很好的例子，最终还是开放的 MCP 胜利，MCP 已经成了最流行的标准。所以 Coze 把自家的 Coze Studio 和 Coze Loop 开源出来，降低了 Agent 开发的门槛，能让更多开发者和组织受益，降低 AI 应用开发的门槛，一起推动整个行业的发展。
Coze 开源不管怎么说对我们爱好者或者从业者来说都是好事，一方面我们可以学习到优秀的商业项目的系统架构、源代码，另一方面宽松的开源协议让社区可以衍生出更多有价值的 AI 应用场景，如果你有好的产品创意而缺乏技术能力，借助这样的完善的开源项目，基于它自带的工作流、Agent 可以极快的搭建出自己的产品。
Coze Studio 项目地址：https://t.co/mLSYdF4RKi
Coze Loop 项目地址： https://t.co/zBXzG0AfN3
顺便说一下，Coze 以前还开源了Eino：https://t.co/0U9ze0ZVWR ，有 5K 多 Star，是一个 Go 语言的 LLM 访问框架，Coze Studio 和 Coze Loop 也是基于 Eino 框架支持的多种 LLM 模型。
如果你是 AI 从业者，日常又有 Prompt 优化的要求，则可以试试 Coze Loop ，把你常用的测试数据集导入，看看效果怎么样。
通过源代码可以看得出，Coze 的后端采用 Golang 开发，前端使用 React + TypeScript，整体基于微服务架构并遵循领域驱动设计（DDD）原则构建，结构相当清晰。如果你想二次开发的话，稍微花点时间就能上手。
可能有的朋友觉得这么复杂的项目，看不懂怎么办？
我的经验是：
1. 先跑起来，能看得见摸得着很重要，这样才有正反馈
2. 然后阅读官方文档，从一个功能点切入看看它是怎么工作的，比如怎么处理登录注册的，怎么和 LLM 交互的，通过在相应位置设置断点、打印日志就可以跟踪它的运行，甚至可以让 AI 帮你分析代码
3. 去贡献 PR（Pull Request），开源项目一大好处就是人人都可以贡献其中，你自己在运行过程中发现 Bug 了，或者 GitHub 的 Issue 列表中有别人提交的 Bug，都可以去尝试修改下看看，何况现在还有 AI 帮你，通过解决一个真实的 Bug，能很好的帮助你深入的了解项目。
如果你是开发者的话，贡献插件是比较容易参与的方式，不仅可以帮你熟悉项目架构，你写的代码还有专业人员帮你审查，最终结果还能被整个社区看到和用起来。
4. 最后可以尝试模仿其中某个模块或者整个架构的实现，当你对项目已经足够熟悉后，可以尝试去模仿做一个简化版本的。要想成为一个架构师，提升系统架构水平，去模仿优秀的开源项目的架构设计是一种相当有效的方式，只有自己能设计能实现，才能成为合格的架构师。
要在本地运行 Coze Studio 或 Coze Loop，只需要把代码克隆到本地，按照说明一步步安装就可以，即使你对它使用的前端 TypeScript 语言或者后端 Go 语言不熟悉，都不影响，只要你的系统能安装 Docker、Docker Compose，能启动 Docker 服务，磁盘空间够就可以跑起来，我测试的时候都是一遍就可以本地运行了，看得出他们还是做了很多测试和文档工作。
至于有人问为什么他们要把这么重要的商业项目都开源出来？
原因我也不是很清楚，也许是竞品的压力，也许是为了共建生态，也许是为了招揽人才（不乏案例，很多积极在开源项目中贡献的被官方招募了），或者有自己答案的朋友也可以评论区留言。
但有一点可以肯定的是，现在 AI 赛道最火爆的是 AI Agent，越来越多的 AI 产品都从工作流模式转向了自主式的 Agent 模式，或者两者混搭，Agent 还是一种全新的模式，未来也不能是一家封闭的公司或平台所能左右的，之前 OpenAI 封闭的 Function Calling 和 Anthropic 开放的 MCP 之争就已经是个很好的例子，最终还是开放的 MCP 胜利，MCP 已经成了最流行的标准。所以 Coze 把自家的 Coze Studio 和 Coze Loop 开源出来，降低了 Agent 开发的门槛，能让更多开发者和组织受益，降低 AI 应用开发的门槛，一起推动整个行业的发展。
Coze 开源不管怎么说对我们爱好者或者从业者来说都是好事，一方面我们可以学习到优秀的商业项目的系统架构、源代码，另一方面宽松的开源协议让社区可以衍生出更多有价值的 AI 应用场景，如果你有好的产品创意而缺乏技术能力，借助这样的完善的开源项目，基于它自带的工作流、Agent 可以极快的搭建出自己的产品。
Coze Studio 项目地址：https://t.co/mLSYdF4RKi
Coze Loop 项目地址： https://t.co/zBXzG0AfN3
顺便说一下，Coze 以前还开源了Eino：https://t.co/0U9ze0ZVWR ，有 5K 多 Star，是一个 Go 语言的 LLM 访问框架，Coze Studio 和 Coze Loop 也是基于 Eino 框架支持的多种 LLM 模型。