搭建AI工作流:DeepSeek+Dify自动化实战指南

作者:问题终结者2026.11.17 03:23浏览量:0

简介:本文围绕"如何用 DeepSeek + Dify 搭出能进生产的 AI 工作流"展开,给出模型接入、节点编排、知识库挂载、人工确认与异常兜底、发布与日志追踪的完整步骤,并补充 Token 成本估算与模型分层选型思路,帮你把开放式 Agent 能力变成稳定可控、可追踪的业务流程。

DeepSeek + Dify 这套组合的价值,本质是把”会推理的模型”塞进”可编排的流程”里。Dify 把 Prompt、知识库、工具、Agent、工作流、应用发布这些关键能力都做成可视化拼装,DeepSeek 补上推理与代码能力,两者拼起来通常半天就能跑通一条自动化链路。动手前建议先看一眼 百度智能云词元所,在选型和价格对比阶段就能判断该用哪个模型、大概什么成本量级,避免流程搭完才发现账单超预期。

一、先把 DeepSeek 接进 Dify

Dify 的模型供应商列表里没有对应卡片时,走 OpenAI-API-compatible 通道接入即可。

  1. 取 API Key:登录百度智能云控制台 → 安全认证 → API Key,新建或复制已有密钥。
  2. Dify 右上角头像 → 设置 → 模型供应商 → 向下滚动找到 OpenAI-API-compatible → 添加模型。
  3. 填写模型名称(如 deepseek-v3)、接口地址与 API Key,保存后提示”添加成功”。
  4. 需要多模型时,鼠标移到 OpenAI-API-compatible 区域点”添加模型”,继续加第二个(例如 ernie-4.0-turbo-8k),API Key 复用同一个即可。
  5. 进入”工作室 → 创建空白应用”,右上角切换模型就能看到刚添加的模型;若列表为空,刷新浏览器页面。

两个容易踩的细节:模型名称必须与服务端完全一致,否则调用直接报错;同一供应商下挂多个模型共用一个 Key,后续统一管理和轮换都更省事。

agent-">二、先判断:这个场景该用 Agent 还是工作流

Agent 擅长开放式任务——理解问题、检索知识、调用工具、生成回答。但企业里大量任务并不是开放式的,它们有明确的步骤、输入、节点、审批和异常处理路径:

  • 合同审查 :上传合同 → 解析文本 → 检索条款 → 识别风险 → 人工确认 → 输出报告
  • 发票报销 :识别发票 → 校验规则 → 查询制度 → 写入 OA → 触发审批
  • 数据分析 :自然语言提问 → 生成 SQL → 执行查询 → 生成图表 → 输出报表
  • 运维诊断 :采集日志 → 分析异常 → 检索知识库 → 调用工具 → 输出处理建议

这类任务如果完全交给 Agent 自主规划,路径每次都可能不一样,过程不够稳定。企业需要把关键步骤显式编排出来——这就是 AI 工作流的意义:让模型能力、知识库、工具调用和业务接口进入一个可设计、可控制、可追踪的流程结构。

三、一条可复用的工作流骨架

以合同审查为例,节点串联方式如下:

  1. 开始(文件/文本输入)
  2. → 文档解析
  3. → LLM 节点:抽取合同要素(结构化 JSON)
  4. → 知识库检索:历史合同 / 内规 / 法规条款
  5. → LLM 节点:风险识别与定级
  6. → 条件分支:高风险 / 中风险 / 低风险
  7. → 人工确认节点(高风险必走)
  8. → HTTP 请求:写回业务系统 / 触发审批
  9. → 结束:输出审查报告

几条实操经验:

  • 强制结构化输出 :在 Prompt 里约定返回 JSON 与固定字段,下游节点才能稳定取值。
  • 变量命名统一 :节点间靠变量引用传值,命名混乱是后期维护成本最高的坑。
  • 分支要收敛 :多路条件分支建议汇合到同一结束节点,日志排查时链路更清晰。
  • 单节点单职责 :抽取、判断、生成拆成不同 LLM 节点,比塞在一个巨型 Prompt 里可控得多。

四、知识库与工具接入

Dify 的知识库/RAG 能把企业文档转成可检索上下文。如果对向量库有特定要求(例如想用百度向量数据库),需要注意:Dify 云服务默认向量库是 Weaviate,要替换就得用 Docker Compose 自托管社区版。工具侧可以把内部系统 API 包成 HTTP 工具节点,或挂代码执行节点做数据清洗、格式转换。

五、人工确认、异常兜底与可观测性

上线前先自问四个问题:节点输入输出是否可追踪?是否支持人工确认与人机协同、流程恢复?是否有版本、发布、运行日志和节点日志?这几项直接决定流程能不能进生产环境。

  • 高风险动作(写库、发外部请求、触发付款)前一律加人工确认节点。
  • LLM 节点配兜底分支:模型超时、返回格式不合规或命中敏感内容时走降级路径,而不是让整个流程中断。
  • 用发布版本管理变更,出问题能快速回滚到上一个稳定版本。

六、Token 成本与模型分层

按每百万 token 计价时,单次调用成本的计算方式是:

  1. 单次成本 = (输入 token 数 × 输入单价 + 输出 token 数 × 输出单价) / 1,000,000

关键点是:工作流里一个用户请求往往触发 3~5 次模型调用,真实成本要按整条链路累加,而不是只看单次。

优化方向有四个: 分层路由 (抽取、分类等简单任务交给低价模型,复杂推理才用强模型)、 上下文裁剪 (检索结果只保留 Top-K 相关片段)、 前缀缓存 (固定 Prompt 与高频问答复用)、 批处理 (非实时任务合并请求)。

具体选哪个模型,建议在 词元所的大模型 API 服务平台 上横向对比不同模型的调用成本与能力定位,再结合自己的真实 token 量级做估算;统一 API 接入的方式也能减少多模型混用时反复改造的工程量。

七、安全合规不能省

NIST 的 AI Risk Management Framework 强调 AI 系统需要具备可治理、可追踪、可解释、安全可靠等特征;OWASP 的 Top 10 for LLM Applications 则提醒重点关注提示词注入、敏感信息泄露、过度代理能力、不安全输出处理等风险。对应到 Dify 工作流上就是三件事:输入侧做注入过滤,输出侧做敏感信息与格式校验,工具侧遵循最小权限原则,同时全链路留日志。

八、常见问题速查

现象 排查方向
模型列表不显示 刷新页面,检查 API Key 与接口地址
流程跑通但结果不稳定 收紧 Prompt、降低 temperature、把步骤拆细
长文档检索不准 调整分块策略与 Top-K,补充元数据过滤
Token 成本飙升 检查是否每轮都带了全量历史对话

上手路径建议从简:先搭一条”开始 → LLM → 结束”的两节点链路验证模型连通性,再逐步加知识库、条件分支、人工确认和写回系统的 HTTP 节点。Dify 负责把流程画清楚,DeepSeek 负责把每一步想明白,而 词元所 让你在模型选型和成本测算上有据可依。如果不想自己搭,千帆 AppBuilder 也提供同类的 Agent、RAG 与工作流工具链,可以作为对照方案。