在前面几篇中，我们系统梳理了 AI Agent 的核心组成：从整体架构、开发框架（如 LangChain/LangGraph）、工具调用机制（Function Calling 到 MCP 协议），再到记忆系统（Memory）。
但这些内容都建立在一个隐含前提之上
开发者需要具备一定的编程能力。
这就像在教人开车之前，先要求他学会制造发动机🤔。
然而现实是，随着大模型能力的普及，越来越多的非技术人员——如产品经理、运营、HR、业务分析师也希望快速验证和部署智能体应用。他们并不关心 ReAct 循环如何实现，而是更关注：“能否在快速上线一个能自动回答员工关于年假、报销政策的 Bot？”
于是，低代码（Low-Code）乃至无代码（No-Code）AI Agent 开发平台应运而生。
赋能非技术人员：让不懂 Python 的业务专家也能成为智能体的创造者。
让用户更聚焦于业务逻辑：将使用者从繁琐的构建开发中解放出来，专注于Agent创意。
加速 Agent DevOps 闭环：实现从“灵光一现”到“上线验证”的快速跃迁。
本篇文章将聚焦这一趋势，剖析低代码平台如何封装 Agent 的核心能力，并以字节的 Coze、开源的Dify、被Meta收购的Manus 为例，对比其设计理念、功能差异与适用场景。
在 Web 1.0 时代，建一个网站需要精通 HTML、CSS，甚至要自己架设服务器。后来 WordPress、Wix 这样的 CMS 和建站工具出现了，一夜之间，全世界的小商家、个人博主都能拥有自己的数字门面。
AI Agent 正在经历同样的历程。当 GPT-4、Claude 3、Qwen-Max 等模型的能力趋于稳定，智能本身已不再是稀缺资源。真正的瓶颈变成了“如何高效地将智能封装为可用的产品”。
低代码平台所做的，不是搞出什么新发明，而是把前面几篇讲过的那些技术模块——工具调用、记忆系统、工作流引擎、RAG 管道——全部打包、封装、产品化。你不再需要一行行地写代码去注册一个工具，而是只需要在一个界面上点选“天气”插件，然后配置好你的 API Key 就行了。你也不用自己去研究 FAISS 或 Milvus，上传一个 PDF，平台就自动为你构建好了一个知识库问答系统。
回望过去两年，我们见证了无数惊艳的 Agent Demo。它们在技术圈子里被疯狂转发，但最终大多都沉寂在 GitHub 的某个角落，成了「一次性烟花🎆」。
低代码平台的核心价值，恰恰就在于补齐了这些短板。它们内置了权限控制、审计日志、多环境部署、企业级 SSO 登录等能力。这让一个由 HR 自己搭建的“政策问答 Bot”，也能拥有媲美专业软件的安全性和稳定性。
可以说，低代码平台的出现就是为了「Agent 走出技术象牙塔」的最后一公里。
有意思的是，到了 2026 年初，这个“点点鼠标”的方式本身也发生了改变。
最近 Coze 2.0 和 MiniMax Agent 2.0 都大版本更新了，改成了Agentic对话模式的交互。
现在你打开这些平台，可以直接用自然语言描述，比如：“帮我做个智能体，能自动读飞书会议记录，生成摘要，然后发给参会人。” 系统会跟你来回聊几句，确认细节（比如摘要要多长、什么时候发、要不要过滤某些内容），然后在后台自动生成对应的技能、工作流，甚至整个智能体。
这说明什么？Manus 的路子被大家看懂了，也开始被抄作业了。
原来大家都觉得「可视化=低门槛」，现在发现，toC的门槛还是不够低，对于许多完全没有技术背景的用户而言，理解“工作流”、“节点”、“条件分支”等概念本身依然存在认知负担。与此同时，经过2-3年的发展，普通老百姓使用大模型的心智也已经被驯化好了，人们已经习惯于直接告诉AI自己想要什么。
所以，上手构建应用的最低门槛，也从“可视化点击”到“自然语言对话”。
普通人需要做到的，就只剩「把想法说清楚，剩下的交给 AI 」，才是真正的“低代码”——甚至于接近“无代码”。
那么，抛开交互范式的差异不谈，让我们来看看，一个成熟的 AI Agent 低代码平台，其内核都离不开哪些核心能力的封装：
| |
| 支持多轮对话的状态管理、上下文感知、意图识别（Intent Recognition）和槽位填充（Slot Filling）。高级平台还支持对话策略优化，例如在信息不足时主动追问（Proactive Questioning）。 |
| 提供丰富的预置插件（如搜索、计算、翻译、企业 IM 通知），并支持用户通过 OpenAPI 规范或自定义函数（Function）注册私有工具。主流前沿平台已全面拥抱 MCP (Model Context Protocol) + Skills，实现工具的标准化发现与调用。 |
| 支持上传多种格式文档（PDF, PPT, DOCX, TXT），自动构建 RAG（检索增强生成）系统。支持对接主流向量数据库（如 Milvus, Weaviate, Pinecone），并提供分块策略、嵌入模型选择等高级配置。 |
| 提供短期会话记忆（Session Memory）以维持上下文连贯性，并开始探索长期用户记忆（User Memory）系统，用于存储和利用跨会话的个性化信息。 |
| 提供可视化画布，允许用户通过拖拽节点（LLM 节点、条件判断、API 调用、代码执行、知识库检索等）来构建复杂的、非线性的决策逻辑。这是区分简单 Bot 和复杂 Agent 的关键。 |
| 不再局限于文本交互。集成图像识别（OCR）、语音输入/输出（TTS/ASR）、文生图（Text-to-Image）、甚至视频生成（Text-to-Video）能力，极大地丰富了 Agent 的感知与表达维度。 |
部署与分发 (Deployment & Distribution) | 一键发布到 Web、H5、小程序（微信/抖音）、企业 IM（飞书/钉钉/企微）、Discord、Slack 等数十个渠道。提供 Webhook、RESTful API 等标准接口，便于集成到现有业务流中。 |
低代码平台的魔力，正在于它将这些原本分散、复杂、需要深厚专业知识才能驾驭的能力，整合成了一个流畅、直观、开箱即用的产品体验。它成功地将构建一个功能性 Agent 的成本，从“一个工程师一周”降低到了“一个业务人员一小时”，从而真正开启了“人人都是智能体工程师”的时代。
理论终归是枯燥的，让我们把目光投向现实世界，看看三位最具代表性的玩家，是如何在这片蓝海中各自划桨的。
官网：https://www.coze.cn/home
Coze （中文名“扣子”）是字节跳动于 2023 年底推出的 AI 应用开发平台，主打“开箱即用、无缝集成”，也是国内最早进行商业化尝试的在线闭源低代码 Agent 开发工具之一。
📈 发展历程与产品演变
参考的更新日志：https://www.coze.cn/open/docs/guides/release_note
早期的扣子以极简体验为核心，用户仅需通过自然语言描述即可快速创建AI Bot，功能聚焦于问答、插件调用（如搜索、翻译）等简单任务。目标用户是普通创作者和运营人员，强调“零代码、三分钟上线”。
随着用户需求的深化，简单的自动化模式遇到了瓶颈，同时存量的Agent应用模版也显得过于简单，导致开发者大量流失。为了留住开发者，扣子了推出可视化工作流画布，允许开发者通过图形化方式编排对话流、图像流等复杂逻辑，并集成联网、文生图、语音合成等多样化插件。同时，平台开始支持发布至微信/抖音小程序、飞书等渠道，并引入团队协作、权限管理、SSO单点登录等企业级能力，完成了从玩具到工具的转型。
2025 年 12 月 17 日：「扣子开发平台」正式更名为「扣子编程」，内置AI 编程引擎，对标Manus、阿里1Day等，主要强调基于自然语言交互的Agentic AI应用构建体验。用户只需“清晰表达意图”，AI 自动生成完整应用（含前端界面、后端逻辑、API 接口、部署脚本），并支持一键发布为独立网站或 RESTful API。
🧩 核心设计理念
Coze 的产品哲学可以概括为三个关键词：生态协同、体验至上、闭源模式。
生态协同：深度集成字节跳动内部生态（如豆包、飞书、抖音），同时支持一键发布至微信、Web、Slack 等外部平台。工具插件优先集成飞书审批、日历、知识库、多维表格等企业服务；分发渠道天然打通抖音小程序、TikTok Bot、飞书机器人等。这种“生于生态、长于生态”的策略，使其在特定场景下拥有极强的网络效应和用户粘性。
体验至上：与 Dify 强调“可控性”不同，Coze 更倾向于“用产品力掩盖复杂性”。它牺牲了一定的底层灵活性，换取极致的上手速度和流畅的交互体验。无论是早期的自然语言建 Bot，还是后期的 Agentic 对话式编程，其目标始终是让非技术用户在最小认知负荷下完成任务。这种“黑盒但好用”的思路，非常符合 C 端和轻量级 B 端用户的心理预期。
闭源模式：模型方面主要对接 豆包大模型系列（包括 Skywork、Doubao 等），对第三方模型（如 GPT、Claude）的支持有限或需通过 API 间接接入。
💼 商业化模式
Coze 采用“积分（Points）”体系，将核心能力（如模型调用、工具使用、知识库容量等）统一转换为可消费的“积分”，通过不同套餐提供差异化配额。
Coze比较适合以下用户：
希望零代码快速构建并发布智能体的非技术用户（如产品、运营、内容创作者）
需要深度集成字节生态（如飞书、抖音、豆包）并实现一键分发的企业或团队
追求开箱即用、低运维成本，且对模型自主切换需求较低的中小团队或个人开发者
官网：https://dify.ai
GitHub：https://github.com/langgenius/dify
Dify 是一个开源的 LLM 应用开发平台，强调开源开放、社区活跃，主打通用的 Agent 与应用开发，兼顾个人与企业需求。自 2023 年底首次亮相以来，Dify 迅速成长为全球最受欢迎的开源 Agent 构建工具之一。
与早期 Coze 高度自动化的模式不同，Dify 自诞生之初就强调：在降低门槛的同时，不牺牲开发的灵活性与控制力。
📈 发展历程与产品形态演变
参考的更新日志：https://github.com/langgenius/dify/releases
2023 年（早期阶段）
Dify 最初由一群来自中国和北美的一线 AI 工程师发起，目标是解决 LangChain “灵活但难用”的痛点。早期版本聚焦于RAG 应用快速搭建，用户只需上传文档、选择模型，即可生成一个可对话的知识库 Bot。这一极简体验迅速在 Hacker News 和 GitHub Trending 上走红。
2024 年上半年（能力扩展期）
随着用户反馈增多，团队意识到“问答 Bot”只是起点。Dify 开始引入可视化工作流编辑器，支持拖拽式编排 LLM 节点、条件分支、API 调用等，使复杂 Agent 逻辑成为可能。同时，平台增加了对 Claude、Llama、ChatGLM 等非 OpenAI 模型的支持，确立了“模型中立”的技术路线。
2024 年下半年（企业化转型）
面向 B 端需求，Dify 推出团队协作功能、SSO 登录、API 密钥管理，并发布首个 Docker Compose 部署方案，支持私有化部署。此时，Dify 已从“个人玩具”演变为“可落地的企业级工具”。
2025 年至今（生态成熟期）
Dify 社区版 GitHub Star 突破 124k+（截止2026年初），贡献者超 1k+。官方同步推出 SaaS 云服务，提供免费沙盒与付费企业套餐。平台新增代码执行节点、多轮对话调试面板、向量数据库插件市场，进一步巩固其在开源 Agent 平台中的领先地位。
🧩 核心设计理念
可控性（Controllability）：采用类似 Figma 的拖拽式界面，让开发者可以通过连接不同的节点（如 LLM 调用、条件判断、知识库检索、代码执行等）来编排复杂的 AI 应用逻辑，所见即所得的工作流编辑器。
开放性（Openness）：这是 Dify 的灵魂。支持接入多种大语言模型，覆盖 GPT、Mistral、Llama3、Qwen 等几乎所有 OpenAI API 兼容模型。用户能根据场景灵活选择任意 LLM 与向量数据库；其插件机制也允许用户自由扩展工具集，不绑定任何特定云厂商。
工程友好（Engineering-First）：提供完整的 DevOps 支持，包括Docker/K8s 部署、环境变量管理、详细的日志输出、API 调试接口。这让运维和安全团队能够放心地将 Dify 集成到企业现有的 IT 架构中，无后顾之忧。
💼 商业化模式
Dify 采用了典型的「开源核心 + SaaS 增值服务」相结合的双轨模式：
这种模式既保障了社区活力，又为商业化提供了可持续路径。
Dify 比较适合以下用户：
Dify官方和社区的Tuto都有很多，大家自由参考，我在这里就不展开了～
🔗 入门推荐：Dify 官方文档｜快速启动Tutorials（点击查看原文可看链接）
⚠️注：Manus 由“蝴蝶效应”公司开发，于 2025 年 12 月 30 日被美国科技巨头 Meta 宣布收购，交易金额达 20 亿美元。截至 2026 年 1 月，该交易因涉及中国技术出口管制问题，正接受中国商务部审查。
Manus 对自己的定位是全球首款通用 AI 智能体，严格来说，它并非传统低代码平台，而是一个开箱即用的、具备自主执行能力的 AI 产品。
并且Manus 的故事充满了传奇色彩（论从初创到实现财富自由最短需要多久🐶）：
📈 发展历程与产品形态演变
参考的更新日志：https://manus.im/zh-cn/updates
2022 年中（创业起点与技术积累）
创始人肖弘（曾打造微信生态工具“微伴助手”，服务超 200 万企业客户）在北京创立蝴蝶效应科技有限公司（Butterfly Effect），初期推出面向海外市场的 AI 浏览器插件 Monica。Monica 整合多模型聊天、写作、翻译功能，迅速积累超 1000 万用户并实现盈利，为后续 Manus 的研发奠定了产品、资金与国际化基础。
2023 年（公司架构完善，聚焦 Agent 赛道）
在真格基金撮合下，技术天才季逸超（猛犸浏览器作者）与产品专家张涛（前字节跳动高管）加入，形成核心铁三角。团队将方向转向更具颠覆性的 AI Agent（智能体）。
2024 年（原型验证期）
Manus 以闭门测试形式上线，核心功能是“Prompt-to-App”：用户输入一段需求描述（如“做一个能自动给 GitHub PR 写摘要的 Bot”），系统自动生成 Python 项目，包含 API、依赖、测试脚本。早期用户主要是硅谷初创公司 CTO，当时反馈极佳。后来Manus推出 Agentic Code Engine v1，引入任务分解（Task Decomposition）、工具选择（Tool Selection）、错误自修复（Self-Repair）机制。此时，Manus 不再只是代码生成器，而是一个具备规划能力的编程 Agent。同时期也逐步完成 A 轮融资。
2025 年 3 月 6 日（Manus 正式发布，引爆全球）
Manus 以“全球首款通用 AI 智能体”身份上线。一段展示其自动完成股票分析、旅行规划、简历筛选等复杂任务的演示视频迅速走红。采用邀请码制度后，引发抢购潮，邀请码在二手市场被炒至数万元人民币，官网 4 小时访问量破千万，7 天内等候名单突破 200 万人。
2025 年下半年：（商业化与收购）
推出分级订阅（Pro 版 199 美元/月），支持图像生成、文本转视频、Wide Research（调度百个子智能体并行研究）等高级功能。年底宣布 年度经常性收入（ARR）突破 1 亿美元，成为全球成长最快的 AI 初创公司之一。
然后Manus就被Meta收购了（字节也曾经想收购，但是没谈拢价格），而且Meta CEO 扎克伯格本人就是 Manus 忠实用户。经过仅十余天的谈判，Meta 宣布以 20 亿美元 收购 Manus。交易完成后，Manus 品牌与团队保持独立运营，创始人肖弘出任 Meta 副总裁，负责将 Manus 智能体能力深度整合进 WhatsApp、Instagram 等数十亿用户平台。
🧩 核心设计理念
Manus 的本质不是让你“搭建”Agent，而是让你“使用”一个超级 Agent。
从聊天到执行：不同于传统 Bot 提供信息，Manus 能直接操作电脑、调用 API、运行代码、生成文件，真正“把想法变成结果”。
产品即平台：虽然用户不直接“搭建”Agent，但 Manus 本身展示了一个高度封装、开箱即用的 Agentic 体验，启发了后续低代码平台对“执行能力”的重视。
从一定程度上来说，Manus的代表了Agentic AI 某一重要阶段性的用户形态，其“自然语言 → 自动执行”范式也正在被字节、MiniMax 等厂商借鉴，被Meta 收购后，其核心技术很可能反哺未来面向开发者的低代码工具链，成为 Meta 生态的基础设施。
💼 商业化与定位
Manus适合谁，这还用说吗？
C端用户，尤其是那些愿意为高生产力付费（其 Pro 版定价为 $ 199/月），并且其工作流涉及复杂、多步骤、需要跨工具协作并最终产出具体成果的用户（比如行业分析师、研究员等）。然后Manus尤其不适合对数据安全高度敏感的用户或场景，因为走的是纯闭源的SaaS 服务模式。
低代码 Agent 平台不是对传统高代码开发的替代，而是AI 应用开发生态中不可或缺的一环，是能力光谱的重要延伸。它让 AI Agent 从“少数人的魔法”变成了“多数人的工具”，这正是技术民主化最生动的体现。
展望未来，我们或许会看到以下几个相关趋势：
普通人成为“Agent 设计师”：随着 Agentic 对话交互的普及，创造 Agent 的核心技能将不再是写代码，而是清晰地表达需求、设计行为逻辑、甚至塑造 Agent 的人格。这将催生一种全新的职业角色——“Agent 设计师”。
Agent 应用商店的兴起：就像手机有 App Store 一样，未来可能会出现专门的 Agent 应用商店。agent经济会像liblib上的lora经济、微信小程序经济一样兴盛起来（目前也已经可见端倪）
Agentic OS：目前的低代码平台仍是运行在现有操作系统（Windows, macOS, iOS, Android）之上的应用。但长远来看，AI Agent 本身可能会成为下一代人机交互的核心原语，催生出全新的AI-Native Agentic OS。而且目前有好几家已经做了 比如Flowith OS、LimX COSA、孚知流等
好啦，再暂停一下！来恭喜你！
你已经看到了本 AI Agent系列专栏的第五篇文章了，很棒很棒！
下一站，我们将聊聊Agent OS —— 这个正在悄然崛起的新范式，或许将成为下一代人机交互与智能协作的基础设施。它不只是操作系统的演进，更是智能体（Agent）协同、调度与自治能力的集中体现。
如果你对AI Agent充满好奇，也欢迎关注我的公众号，千万别错过接下来的内容！
