Coze 实用技能大全：插件、知识库与技能系统详解

智能体的能力从哪里来？

在 Coze 上搭建一个智能体，提示词定义了它的"性格"，但真正决定它能做什么的，是它的技能体系——插件、知识库、技能，这三者构成了 Coze 智能体的能力底座。

如果说智能体是一个人，那么提示词是他的大脑，插件是他的双手（能做的事），知识库是他的书架（知道的事），技能是他的经验手册（会做的方法论）。搞清楚这三者的区别和用法，是进阶 Coze 开发的关键。

插件：让智能体与世界连接

插件是什么

插件是一个工具集，一个插件内可以包含一个或多个工具（API）。Coze 内置了丰富的插件——资讯阅读、旅游出行、效率办公、图片理解等——这些插件就是智能体的"感官"和"四肢"。

添加插件的方式

在智能体编排页面，给智能体添加插件有三种方式：

1. 直接添加：从工作空间或插件商店中挑选已发布的插件，手动点击添加
2. 自动添加：大模型会根据你写的人设与回复逻辑，自动从商店选择合适的插件
3. 一键创建：如果找不到合适的插件，可以直接在 Coze 上创建一个新的云端插件，或者是基于已有 API 服务创建

插件的参数配置——容易被忽略的关键点

插件的参数配置是一个很实用的功能。你可以为插件的参数设置默认值，并控制该参数是否对模型可见。

这个设计解决了两个实际痛点：

场景一：避免调用失败 当用户对话中缺失某些必要参数时，如果没有默认值，大模型可能会无法调用插件。比如天气插件需要"地点"参数，用户只说"今天天气怎么样"，没有说具体城市。如果你设置了默认值"杭州"，大模型就会按默认值调用，返回结果，而不是报错。

场景二：减少无效判断 某些参数值比较稳定，不需要动态传入。比如搜索插件每次只要返回 3 条结果，你可以设置 count 参数的默认值为 3，并且关闭对模型的可见性。这样大模型就不会再去纠结这个参数，直接按默认值执行，提高调用效率。

插件的高级类型

除了普通插件，Coze 还支持几种特殊类型：

端插件（本地插件）：让智能体直接与硬件设备交互。比如控制手机截图、获取电脑电量、读取本地文件。端插件通过 API 方式调用，适合 IoT 和本地设备控制场景。

私网模式插件：企业可以将部署在私有网络内的内部服务（如 ERP、CRM）封装为插件，通过火山引擎的私网连接技术安全调用，确保服务地址不暴露到公网。

MCP 插件

Coze 现在也支持 MCP（Model Context Protocol）标准，可以通过 MCP 协议接入第三方服务。这意味着 Coze 的插件生态正在对接更开放的 AI 工具协议标准。

知识库：消除幻觉的利器

为什么要用知识库

大模型的训练数据是公开的互联网数据，通常不具备垂直领域的专业知识。如果你问一个智能体"我们公司最新的请假政策是什么"，它大概率会编造一个看似合理但实际上不存在的答案——这就是"幻觉"。

知识库就是解决这个问题的。你上传企业的内部文档、产品手册、FAQ 等内容后，智能体在回答问题时，会先检索知识库中相关的内容片段，再基于检索结果生成回答，大大降低幻觉率。

知识库类型

Coze 支持三种类型的知识库：

1. 文档知识库：最常见的类型，基于内容片段进行检索和召回。支持本地文档、在线数据、飞书文档、微信公众号、Notion、自定义等多种导入渠道

2. 表格知识库：数据以表格形式组织，支持基于索引列匹配和 NL2SQL 查询。适合产品参数查询、价格对比等结构化数据场景

3. 照片知识库：通过图片标注信息进行检索和召回，适合需要图片检索的场景

数据管理与分段策略

知识库的上传不是简单的"扔进去就行"。Coze 会将上传的内容自动分割成一个个内容片段进行存储。分段策略直接影响检索效果：

• 自动分段与清洗：系统自动处理，省心但控制力弱
• 自定义分段：你可以通过分段标识符、字符长度等方式控制分割粒度
• 层级分段：保留文档的层级结构（章节/段落）

分段太大会导致检索结果包含太多无关信息，降低准确性；分段太小又会丢失上下文，导致回复缺乏连贯性。

检索策略配置

知识库的检索配置决定了"从哪里查、怎么查、返回几条"：

• 搜索策略：混合（全文+语义结合）、语义（理解语义关系）、全文（关键词匹配）
• 最大召回数量：返回给大模型的片段数，默认 5 条
• 最小匹配度：低于此相似度的内容不会被召回，默认 0.5
• 查询改写：在多轮对话中自动改写用户 Query，补全上下文信息
• 结果重排：通过 Rerank 模型对检索引用的结果重新排序，让最相关的内容排在最前面

Coze 知识库 vs 火山知识库

Coze 提供了两种知识库方案：

Coze 知识库：开箱即用，适合快速体验和轻量场景。有免费存储空间额度，操作简单。

火山知识库：企业级方案，适合生产环境。支持更大存储空间（单个知识库 300 万文档）、更高 QPS（最高 1 万）、更精细的切片管理（单个文档最大 10 万个切片）。从上传就开始计费，适合对性能和规模有要求的企业场景。

技能系统：将经验固化为可复用的能力

什么是技能

如果说插件扩展了智能体的能力边界，知识库扩展了智能体的知识边界，那么技能就是扩展了智能体的"方法论"边界。

技能（Skill）是 Coze 引入的一个非常重要的概念。它可以将过去分散在提示词、代码片段或零散文档中的隐性知识，显性化、结构化地组织起来，让 AI 按需、稳定地执行专业任务。

官方文档给出了一个很好的比喻：你可以把技能看做是新员工的入职材料——将积累的工作经验和最佳实践打包为技能包，让 AI 成为你专业领域的专家。

技能的文件夹结构

一个标准的技能包实际上就是一个结构化的文件夹：

my-skill/
├── SKILL.md          # 使用说明 + 元数据（必选）
├── scripts/          # 可执行代码（可选）
├── references/       # 参考文档（可选）
└── assets/           # 模板、资源文件（可选）

技能的工作机制：渐进式披露

技能最巧妙的设计是"渐进式披露"机制。智能体并不会一次性加载技能的全部内容，而是先读取 SKILL.md 中的元数据来判断该技能是否与当前任务相关，只有确认相关后，才会进一步加载 scripts 和 references 中的详细内容。

这种机制极大地节约了上下文窗口——智能体可以同时拥有几十个技能的知识，但不会因为一次性加载所有内容而导致上下文窗口过载。

技能 vs 其他概念的对比

理解技能与相关概念的区别，有助于你做出正确的选择：

• 技能 vs 提示词：提示词定义全局人设，持续生效；技能按需触发，仅在相关任务中生效
• 技能 vs 工作流：工作流是确定的执行路径，步骤和顺序固定；技能是操作方法论，保留智能体的自主决策空间
• 技能 vs 插件：插件负责 API 调用（怎么接入）；技能进一步封装了使用策略（什么时候用、怎么用）
• 技能 vs MCP：MCP 是接口标准（怎么连）；技能是完整解决方案（怎么做）
• 技能 vs RAG 知识库：知识库提供文档信息（知道什么）；技能提供操作流程（会怎么做）

如何开发和使用技能

在 Coze 编程中开发技能非常直接：选择"技能"页签，用自然语言描述你想要的功能和流程，Coze AI 就会自动生成标准格式的技能文件夹，你可以在右侧对话框直接测试效果。

技能可以在两个地方使用：

1. Coze 编程中：辅助 AI 开发项目，自动搜索并加载合适的技能
2. Coze 对话中：发送任务指令，Coze AI 自动识别并触发相关技能

从"录制"到"引导"：技能的两种开发范式

除了通过自然语言描述来创建技能，Coze 还支持一种更直观的范式——"录制"。你在 Coze 对话中完成一次完整的任务流程后，可以直接告诉 Coze "把我刚才的操作录制成一个技能"。Coze 会分析任务执行的步骤和方法，将其封装为可复用的技能包。

这种范式与传统编程中的"录宏"有异曲同工之妙。你不需要在一开始就规划好技能的每一个细节，而是先通过一次实际操作证明这个过程可行，然后让 AI 从中提炼出标准作业流程。这也降低了技能开发的门槛——不擅长写结构化描述的普通用户也能创建高质量的技能。

技能的上架与变现

技能开发调试完成后，可以部署到 Coze 对话中使用。对于企业版用户，还可以将技能发布到企业商店，供组织内所有员工使用。

更吸引人的是，优秀的技能可以上架到 Coze 技能商店进行变现。上架付费技能需要满足两个条件：开通收款账户，通过平台的内容质量审核。收费模式包括按次付费和订阅制两种。

三者的协同

理解了三者的区别后，更能体会它们在 Coze 平台中的协同关系：

• 插件让智能体"能做"（API 调用）
• 知识库让智能体"知道"（信息检索）
• 技能让智能体"会做"（方法论指导）

一个复杂的任务往往需要三者配合。比如做一个"智能客服"：知识库提供产品手册和 FAQ（知道），插件调用工单系统 API 处理售后（能做），技能封装了标准客服 SOP（会做）。

这就是 Coze 构建智能体的核心思路——不要试图把所有逻辑塞进一个提示词，而是将能力分解到不同的"模块"中，让智能体按需组合使用。

场景示例：一个完整的智能体构建

假设你要做一个"法律咨询助手"：

1. 知识库配置：上传民法典、合同法等法律文档，作为智能体的知识来源。配置混合检索策略，确保用户提问时能召回最相关的法条。

2. 插件配置：添加搜索插件用于查询最新司法解释，添加文件解析插件用于读取用户上传的合同文件。

3. 技能设计：创建一个"合同审核技能"，封装审核流程——先解析合同类型，再逐条对照法律条文标记风险，最后生成审核报告。这个技能可以作为独立模块反复使用。

4. 工作流编排：设计一个多步骤工作流——用户输入问题 → 知识库检索 → 大模型分析 → 输出法律意见。关键节点配置异常处理，确保体验稳定。

5. 发布：发布到 API 渠道，集成到律师事务所的内部系统中。

这个案例展示了 Coze 的核心价值：你不需要写代码，只需要理清思路、配置好各个模块，就能构建一个专业级的 AI 应用。

选择建议：什么时候用什么

根据上面的分析，这里给出一个快速决策表：

什么时候用插件？

• 需要调用外部 API 或服务
• 需要获取实时数据（天气、新闻、股价等）
• 需要与第三方平台交互（飞书、微信等）

什么时候用知识库？

• 需要解决模型幻觉问题
• 需要提供垂直领域的专业知识
• 数据量大、结构相对固定

什么时候用技能？

• 需要将一套可重复的方法论固化
• 任务执行流程相对固定，有标准作业流程
• 希望将经验沉淀为可复用的资产

在实际项目中，三者往往同时使用。一个优秀的 Coze 开发者懂得在恰当的场景选择恰当的工具，而不是一味追求把所有能力都堆上。