企业官网建设流程全解析

先说结论：普通人要搭一个能用的 AI Agent 工作流，真的不用一开始就买 GPT-4、Claude 这类贵模型。用 DeepSeek、Qwen 这类便宜大碗的模型，配合 Coze、Dify、n8n 这类编排工具，几百块预算就能跑通一整套自动化流程，甚至本地部署用不上 GPU 也能搞定一部分。

这篇内容就是给你捋清楚“为什么要这么做、工具怎么选、具体怎么搭、会遇到什么坑”，我从零到一做了几个月的 AI Agent 工作流，把踩过的和验证过的经验都写下来。适合想用 AI 处理日常事务、正在犹豫要不要买贵的 API、或者只是想在家里搞点自动化小项目的普通人。

1. 别急着下单：先搞清楚 Agent、LLM、模型到底是不是一回事

很多人被 AI Agent 这个词唬住了，觉得它一定是什么高深不可攀的东西，再加上“大模型”天天上热搜，一上来就想买最贵的。但你连三者关系都没弄清楚，花多少钱都是打水漂。

1.1 三者的关系：模型是引擎，LLM 是大脑，Agent 是会干活的机器人

先给小白打个比方。模型就像一台发动机，它本身不装在任何车上，只是提供动力。LLM（大语言模型）是那种特别会“理解语言、组织语言”的发动机，DeepSeek、Qwen、Llama 都属于这个范畴，你要问 DeepSeek 属于哪一类，它就是 LLM，不是 Agent，也不是什么单独的神秘存在。

那 Agent 是什么呢？Agent 是“发动机+方向盘+传感器+控制逻辑”打包好的一辆车，甚至可以说是一个会自己开车的司机。它能感知输入，能推理判断，能调用工具，能执行动作，能根据结果调整下一步。比如你让它“帮我整理这封邮件，提取待办事项，然后写一封回复草稿”，它不只是生成文字，而是拆解这个任务、用模型理解邮件、调日历或邮件工具、最后产出结果。

明白了吗？很多人以为买了最强模型就等于有了最强 Agent，这就像说买了顶配发动机就等于有了无人驾驶汽车一样，缺了中间那一大套东西。而大多数普通人的需求，根本用不到顶配发动机——一台经济型发动机加一套好的车身控制逻辑，反而更实用。

1.2 为什么“先别急着买贵模型”是普通人的第一原则

我在搭建工作流之前，先做了一次成本测试。同样让模型做“提取会议纪要里的行动项并输出为结构化表格”这个任务，用几款模型各跑了一次：

同样是“提取行动项”这种轻量任务，贵模型的价格是便宜模型的几十倍，但结果质量差距微乎其微。因为这类任务拼的是指令遵循能力，不是世界知识储量。便宜的 DeepSeek 在结构化输出、工具调用上已经做得相当好，那何必多花钱呢。

但这还不是最重要的。最重要的原因在于——你先要用低成本试错。工作流的坑不在模型，而在流程设计。你的输入格式会不会变、中间要不要加判断分支、输出要不要接进通知工具、并发会不会触发限流……这些问题只有在跑起来以后才会暴露。你要是咬牙买了贵模型再开始搭，等于在练手阶段就给自己烧钱上压力，很多人就是这样被劝退的。

我个人的建议是：第一步全部用便宜模型搭通流程，确认业务真的跑顺了、有增量价值了，再考虑升级旗舰模型对比效果。有句话叫“先弄脏手，再买好工具”，放在 AI Agent 上尤其适合。

2. 低成本工作流的三条路线：Coze、Dify、n8n 怎么选

模型选完了，下面挑工作流编排工具。这个选择直接决定你是轻轻松松拖拽完成，还是被各类节点配置折磨到怀疑人生。

2.1 不同段位的人选不同工具

市面上的工作流工具其实就三类，我试过之后给它们的定位是：零代码玩具、半代码平台、全代码自动化。

给普通人的结论很直接：如果你是纯小白，先玩 Coze，半小时就能搭出第一个 Agent；如果你想做点正经工作流，想接入自己的 API Key，想控制成本细节，那就直接上 Dify。n8n 更适合已经有明确业务流程、想把 AI 嵌入 CRM、表单、邮件系统的人。

顺带一提，如果你用过 ComfyUI 搭 AI 绘画的图生图工作流，你在 Dify、Coze 里会有一种似曾相识的感觉——一样的节点式连线、一样的模型选择、一样的输入输出链路。底层思维都是相通的：把 AI 当成流水线里的一个工序，前一步的输出作为后一步的输入。

2.2 工作流的核心要素：节点、连线、上下文

不管用哪个工具，工作流的本质都一样——工厂流水线。原始材料从一端进来，经过若干个工位，每个工位完成一个动作，最后从另一端产出成品。

我把几个核心节点给你拆开看：

• 输入节点：工作流的“原料入口”。可以是用户对话框、一个表单、一个网页触发，也可以是从邮件、数据库、API 推送过来的数据。输入节点的核心是定义好字段，不然下一步模型根本不知道你在说什么。
• LLM 节点：真正的“大脑工位”。这里选择模型、写 Prompt、设置参数。整条工作流的智能程度都取决于这个节点的配置。
• 工具节点：模型的“手脚”。模型本身不能发邮件、不能查天气、不能查询数据库，但通过工具节点，你可以让模型调用外部 API。Dify 和 Coze 都内置了大量现成工具，也可以自定义 API 工具。
• 分支节点：流水线的“分拣员”。根据模型输出的判断结果，决定走哪条路。比如“如果这条评论是负面情绪，进入安抚流程；否则进入统计流程”。
• 输出节点：成品出口。可以返回一段文本、写入数据库、发送到飞书/企微/邮件，也可以触发下一个工作流。

最容易被忽略的是“上下文”。模型不是仓库管理员，它每次调用只看得见你递给它的内容，记住你设置的常量、变量和系统指令——就像流水线上的工人只看得到眼前这张工单一样。所以你要主动把上游节点的输出，以变量的形式传递到 LLM 节点的 Prompt 里。这一步新手十有八九会漏掉，结果就是模型“失忆”，答非所问。

有了这个基础理解，下面我就以 Dify 为例，带你完整搭一个简历筛选 Agent，从需求拆解到 Prompt 编写到成本测算一次走完。

3. 从 0 到 1 搭一个“简历筛选 Agent”的完整实操

为什么要选“简历筛选”这个例子？因为它太典型了。需求清晰、输入输出明确、有判断逻辑、有实际价值，而且任何人看完都能立刻类推到自己手头的场景上——筛选商品评论、筛选工单、筛选问卷答案，本质都一样。

3.1 场景选择和需求拆解

我先说我当时的需求：团队每周收到几十份简历，初级岗位尤其多，HR 忙不过来。我想让 Agent 先做第一轮初筛，把明显不合适的筛掉，同时给面试官提供候选人的亮点摘要和提问建议。

需求拆解成一句话就是：给一段简历文字，输出三个值——是否通过初筛、评分（0-100）、推荐理由和面试提问建议。

你可能觉得这就完了？不，真正的需求拆解要细得多。我当时列了一个问题清单：

• 简历是纯文本还是 PDF？初始阶段先让用户粘贴纯文本，PDF 解析属于扩张功能，不要第一步就做。
• “通过初筛”的标准是什么？我要把硬性条件写清楚。比如“必须具备 2 年以上后端经验”这种，否则模型会按自己的理解瞎判断。
• 输出格式是什么？我要求 JSON 结构化输出，因为后续要接人处理，JSON 方便程序解析。
• 处理不了怎么办？比如简历太短、乱码、信息严重缺失，要有一个“存疑”分类，而不是硬着头皮评分。

需求拆解得越细，后面写 Prompt 越容易。很多人搭工作流失败，不是因为技术，而是需求根本没想清楚。

3.2 具体配置步骤（含 Prompt 模板）

下面按 Dify 的实际操作顺序说，你在 Coze 里也能找到差不多的节点，只是名字略有不同。

步骤 1：新建空白工作流，定义输入字段

我建了一个名为“简历初筛 Agent”的工作流，添加了一个文本类型的输入字段，命名为“resume_text”，描述写清楚“请粘贴候选人简历的纯文本内容，包含教育背景、工作经历、技能列表”。这一步的意义是让模型知道你喂进来的内容是什么，不是垃圾数据。

步骤 2：添加 LLM 节点，配置便宜模型

在画布上拖入一个 LLM 节点，模型选择“DeepSeek”，你也可以填自己的 DeepSeek API Key。如果 Dify 自带的模型列表里没有，你可以在设置里添加模型供应商，填 API Key 就行。

关键参数我建议这样配：

• temperature 设为 0.2。这是控制随机性的参数：值越大回答越发散、越“有创意”；值越小越保守、越稳定。筛选简历是判断任务，不需要创作，0.2 很合适。如果你做文案生成、头脑风暴类任务，可以调到 0.8。
• max tokens 设为 500 左右。简历评估结果通常不会太长，限制 max tokens 可以避免模型啰嗦，也省成本。
• 把“resume_text”变量引用到 Prompt 里。这一步就是我前面说的“上下文传递”。

步骤 3：写一份带格式约束的 Prompt

先给你看一版我改过多轮后效果不错的 Prompt 模板（可以复制到你的 LLM 节点里）：

你是一位资深技术面试官和 HR 专家。你将收到一份候选人简历文本。

任务要求：

1. 评估候选人是否达到初级后端岗位的初筛标准。硬性标准包括：至少有 1 年相关开发经验或优秀应届生；熟悉至少一门编程语言（Java/Python/Go 任一即可）；学历大专及以上。
2. 输出一个严格的 JSON 对象，格式如下（不要输出任何其他内容，不要用 Markdown 代码块包裹）： {"passed": true/false, "score": 0-100 整数, "summary": "两到三句话的候选人亮点概括", "risks": "一句话指出潜在风险或疑问", "interview_questions": ["问题1", "问题2"]}
3. 如果简历信息明显不足，passed 输出 false，并在 summary 里注明“信息不足，需人工复核”。

候选人简历： {{resume_text}}

为什么要这样写？很多人写 Prompt 就一句话“帮我筛一下这份简历”，然后开始抱怨模型给的结果不像样。问题出在你没给它框架。上面这个 Prompt 干了三件事：给了角色定位、给了判断标准、给了输出格式。模型不是不知道该怎么筛，是你根本没告诉它“筛”的尺子在哪里。

步骤 4：添加条件分支和输出节点

LLM 节点输出的 JSON 里有一个 passed 字段，理论上可以接一个“条件分支节点”，解析 passed 的值为 true 或 false，分别走“进入面试轮”和“暂存待定 ”两条路径。

实际搭的时候我发现了一个坑：Dify 对 JSON 里的字段提取有时会因为输出格式不稳定而失败。所以我加了一个“代码节点”做后处理，用正则把 LLM 输出的 JSON 部分提取出来再解析，解析失败就自动归入“存疑”分支。这个兜底逻辑非常重要，后面我细讲。

步骤 5（可选）：接通知

如果你用企业微信或飞书，可以在分支末尾接一个“消息发送节点”，把评估结果推给 HR 群。这一步不是必须的，但跑通以后你会觉得特别爽——来了简历，群里自动弹评估报告。

3.3 成本测算：这样跑一次到底花多少钱

这是大家最关心的部分。我实测了一版真实费用，不做理论估算，给你看实际数字。

一份比较详细的简历，贴成纯文本之后大约 800~1200 字。按中文计算，大概是 800~1500 个 token。加上我上面那套 Prompt 模板，系统指令大约占 300 个 token。所以每次调用总输入大约 1800 个 token，输出大约 300~500 个 token。

用 DeepSeek 的价格来算：

• 输入：1800 tokens × 1元/百万 tokens ≈ 0.0018 元
• 输出：400 tokens × 2元/百万 tokens ≈ 0.0008 元
• 单份简历总成本：约 0.003 元

也就是说，筛选 1000 份简历，成本大约是 3 块钱。你要想升级成某个旗舰模型来干这活，同样的业务量费用分分钟是几百上千倍的差距，但这个活的门槛根本不到需要旗舰模型出手的程度。

你说值不值？这还没算时间成本。以前 HR 一份简历看过加记录至少 3 分钟，100 份就是 5 个小时。现在 Agent 跑完加上人工抽检，半小时内结束战斗。这就是低成本工作流的意义——用最小的钱，把机械劳动替换掉。

4. 本地部署：低配电脑也能跑模型

说到这里你可能要问：既然 API 这么便宜，为什么还要折腾本地部署？我的回答是：本地部署不是省钱用的，是保隐私和保命用的。有些数据不能出内网，有些业务流程就发生在没有网络的车间里，这时候你就需要本地模型。而且本地模型配上低显存的量化方案，真的没有你想象中那么遥不可及。

4.1 低显存跑模型的量化原理

很多人的第一反应是“跑模型不是得几万块的显卡吗”？那是“满血旗舰模型”的世界。你的日常任务只需要 7B（70 亿参数）左右的小模型，对显存的需求远没有那么高，前提是你得用对量化格式。

量化怎么理解？你把大模型想象成一本像素极高的摄影画册，一张照片几百 MB，这对应“全精度模型”。而 4-bit 量化相当于把画册压缩成了清晰度低一些但完全可读的版本——肉眼远看没差别，文件体积却小了一个数量级。

常见的量化等级对应关系如下：

拿一个 7B 模型举例，全精度大约需要 14GB 显存。用 q4_k_m 量化之后，模型文件大约 4.4GB，再加上运行时上下文占用的显存，8GB 显存、甚至 6GB 显存都能勉强跑起来。你要是没有独立显卡，用 32GB 内存的 CPU“硬跑”也能跑，只是慢一些，一份短文档的推理可能要几秒到十几秒，但对于非实时的任务场景完全够用。

4.2 Ollama：一条命令搞定本地模型

本地部署最省心的方案，目前就是 Ollama。它是一个极简的模型运行器，把下载模型、加载模型、提供 API 这几件事封装成了几个命令。我当时的做法是：

安装完 Ollama 之后，打开终端执行：

ollama pull qwen2.5:7b

这会把阿里的 Qwen2.5 7B 模型拉到本地。想用量化版的模型，也可以拉：

ollama pull qwen2.5:7b-q4_K_M

模型拉取完成后，只需要一条命令启动本地 API 服务：

ollama serve

默认端口是 11434。这个服务提供了和 OpenAI 兼容的接口格式，所以你可以在 Dify 或是任何支持 OpenAI API 格式的工具里，直接把 Base URL 填成http://localhost:11434/v1，模型名填qwen2.5:7b，工作流里的 LLM 节点就能指向本地模型了。

我当时真就这么做过：把简历初筛 Agent 的 LLM 节点从 DeepSeek 切换到了本地的 Qwen2.5 7B，跑了一批真实简历对比。结果让我有点意外，硬性条件判断做得有模有样，复杂一点的“风险识别”就差些意思。这也正常，7B 的推理能力天花板摆在那里。

4.3 本地模型的局限与取舍

那是不是所有人都应该本地部署？不是。我踩过坑后给你一个非常实用的决策原则：

• 什么时候用本地模型：数据敏感（绝对不能出内网）、离线环境可用、任务简单重复（关键词提取、文本分类、格式转换）、高频低复杂度。
• 什么时候不要用本地模型：任务涉及复杂推理、长文本理解、创意生成、需要精确遵循很长的指令时，7B 模型很容易露怯。这时候即使贵一点，也该调用线上 API。

还有一个很实用的混合架构思路：工作流先让本地小模型做预处理，比如判断这条数据是否敏感、是否属于简单分类；如果是简单任务，本地模型直接处理到底；如果识别出是高难度任务，再把它转发给云端强模型。等于把 80% 的廉价劳动留在本地，把 20% 的疑难杂症交给专业外援，整体成本和效果达到一个很舒服的平衡。

5. 常见问题与排查技巧实录

搭工作流这事，90% 的时间不是在建流程，而是在调 bug。我把这几个月遇到频率最高、最有代表性的问题整理成速查表，你碰到类似情况可以直接照着查。

5.1 模型“输出格式不稳定”怎么办

现象：你让模型输出严格 JSON，它非要给你夹带解释文字、前言和后记，甚至用 Markdown 代码块包起来。Dify 解析节点直接报错，整个工作流中断。

排查思路和解决办法：

• 先硬约束后软约束：在系统 Prompt 里写明“不要输出任何其他内容，不要使用 Markdown 代码块”，同时给出一条 JSON 示例。这能解决 80% 的情况。
• 加解析兜底：用代码节点处理模型输出，用正则把 JSON 提取出来。JSON 可能被包裹在杂讯里，正则可以直接找到第一个 “{” 到最后一个 “}” 之间的部分再解析。
• 开结构化输出：Dify 和较新的模型 API 都有结构化输出（JSON Mode）功能，在节点里打开，模型就会被限制只能输出合法 JSON，格式稳定度大幅提升。

经验之谈：不要指望模型永远不犯错。工作流设计上必须假设“输出可能不干净”，代码节点兜底是标配。我见过很多新人的工作流脆弱到只要模型换了个标点就断裂，加一层兜底全好了。

5.2 API Key 泄露和费用失控如何防

现象：明明没怎么用，账户余额却在掉；或者某天突然提醒你欠费了。

原因基本是这几类：API Key 泄露出去被人盗刷；Prompt 设计得太啰嗦导致每次都消耗巨量 token；工作流里有死循环或者并发过高，比如某个定时任务每小时跑一次，每次批量处理大量数据。

我的防翻车四件套：

1. API Key 只配置在后端环境变量里，绝不写进前端或公开仓库。
2. 在模型供应商后台设置“月度消费限额”，比如先设 50 元，跑稳了再往上涨。
3. 工作流里对批量任务做“分批+延时”，避免一次并发几十上百个请求。
4. 有专门的日志节点记录每次调用的输入、输出 token 数，定期查一次账本。

5.3 上下文窗口溢出和前文丢失

现象：处理很长的一篇文档时，模型越到后面越“失忆”，或者直接在中间报错“context length exceeded”。

原因很好理解：模型每一次调用的上下文长度有上限，比如 8K、32K、128K。你一股脑把整篇文章塞进去，token 数量超过上限就会报错；即使不超过，模型的长文本注意力也会随长度衰减。

处理长文档我推荐分块方案：先按一定字符数把文档切成多个片段，每个片段分别送入模型处理（提取摘要/关键信息），最后再让模型基于所有摘要做一次汇总。这相当于让模型先通读各章，再开总结会。Dify 和 Coze 里都有“知识库”组件，底层就是帮你做切分、向量化、再检索相关片段，比手动拼 Prompt 省力得多。

5.4 模型幻觉导致业务结果离谱

现象：筛选简历时把不存在的公司名编成了“知名互联网公司”；分析文档时言之凿凿地说出原文里根本没有的结论。

模型幻觉无法根除，只能从流程上进行约束。

我给这个“简历筛选 Agent”加了一套校验逻辑：在代码节点里解析出候选人原始简历中的关键实体（公司、时间、技能），让 LLM 生成的 summary 必须引用这些实体，如果引用了未出现的实体则打回重新生成一轮。你可以理解为“让模型自己给自己做证据链核验”。

更重要的人机协同原则是：AI 做初筛，人做终审。尤其涉及招聘、财务、医疗这类不能开玩笑的领域，永远留一个“人工复核节点”。这不是保守，这是基本职业素养。

写在最后的话

回看这几个月搭工作流的经历，我最深的体会是：真正难的不是模型，而是“把模糊的需求翻译成固定的流程”。模型从贵的换到便宜的，效果反而没什么差别，差别全在 Prompt 怎么写、分支怎么设、兜底怎么加、上下文怎么传。

所以别急着买贵模型，也别急着下单大显卡。先用你手头免费或几块钱就能跑起来的工具，把一个真实的小场景打通，让 AI 真正顶上一个岗位的活，再决定要不要升级装备。

最后再分享一个小技巧：任何工作流里都建议加一个“人在回路”的确认节点。AI 跑一百次可能一百次都顺利，但只要有一次出了离谱结果，可能就够你受的。加一个确认步骤，不是不信任 AI，而是对自己的业务负责。工作流的意义不是取代人，是把人从重复劳动里解放出来，去做更有判断力的事。等你把第一个工作流跑通，你会发现，原来 AI 离普通人的生活就这么近。