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。
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。
deepseek-v3)、接口地址与 API Key,保存后提示”添加成功”。ernie-4.0-turbo-8k),API Key 复用同一个即可。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 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:
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。
以合同审查为例,节点串联方式如下:
几条实操经验:
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。
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。
按每百万 token 计价时,单次调用成本的计算方式是:
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。
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。
| 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。