Cloudflare AI应用场景分析｜附完整命令

在大模型与生成式 AI 快速普及的背景下，越来越多企业开始思考一个问题：如何把 AI 能力安全、稳定、低成本地接入现有业务系统？
传统做法通常依赖云服务器、GPU 集群、模型网关、向量数据库、对象存储、队列系统等一整套基础设施，建设成本高、运维复杂度大。而 Cloudflare 近年来围绕边缘网络推出了一系列 AI 与开发者产品，例如 Workers AI、Vectorize、AI Gateway、R2、D1、Queues、Pages、Turnstile 等，为开发者提供了一种更轻量的 AI 应用构建方式。

本文将系统分析 Cloudflare AI 的典型应用场景，并给出可直接参考的完整命令与示例代码，帮助你从零开始搭建一个基于 Cloudflare 的 AI 应用原型。

一、Cloudflare AI 能力概览

Cloudflare 本身以 CDN、安全防护、DNS 和边缘网络著称。随着 Workers 平台的发展，Cloudflare 已经不再只是一个“加速和安全服务商”，而逐渐成为一个面向开发者的边缘计算平台。

在 AI 应用开发中，Cloudflare 主要提供以下能力：

这些能力组合起来，可以支撑从简单的 AI 聊天机器人，到复杂的知识库问答、内容审核、智能客服、自动摘要、图片理解、文档处理等多种场景。

二、应用场景一：AI 聊天机器人

AI 聊天机器人是最常见的生成式 AI 应用场景。过去如果要搭建聊天机器人，通常需要调用 OpenAI、Anthropic、Google Gemini 等第三方模型 API。使用 Cloudflare Workers AI 后，可以直接在 Workers 中调用模型，减少后端部署成本。

适用场景

• 官网智能客服
• 产品问答助手
• 内部办公助手
• SaaS 产品中的 AI 助理
• 社区自动回复机器人

优势分析

1. 部署简单：无需维护服务器，直接部署到 Cloudflare Workers。
2. 全球低延迟：请求在边缘节点处理，适合全球用户访问。
3. 成本可控：按调用量计费，适合中小型项目快速试错。
4. 易于集成安全能力：可以结合 Turnstile、防火墙规则和限流策略防止接口滥用。

初始化项目命令

首先需要安装 Node.js，然后安装 Wrangler CLI。

npm install -g wrangler

登录 Cloudflare：

wrangler login

创建 Workers 项目：

npm create cloudflare@latest cloudflare-ai-chatbot

进入项目目录：

cd cloudflare-ai-chatbot

安装依赖：

npm install

初始化 Workers AI 绑定配置。编辑 wrangler.toml：

name = "cloudflare-ai-chatbot"
main = "src/index.ts"
compatibility_date = "2024-06-01"

[ai]
binding = "AI"

示例代码

编辑 src/index.ts：

export interface Env {
  AI: Ai;
}

export default {
  async fetch(request: Request, env: Env): Promise {
    if (request.method !== "POST") {
      return new Response("Only POST method is allowed", {
        status: 405,
      });
    }

    const body = await request.json() as {
      message?: string;
    };

    const userMessage = body.message || "你好，请介绍一下 Cloudflare Workers AI。";

    const response = await env.AI.run("@cf/meta/llama-3.1-8b-instruct", {
      messages: [
        {
          role: "system",
          content: "你是一个专业、友好、简洁的中文 AI 助手。",
        },
        {
          role: "user",
          content: userMessage,
        },
      ],
    });

    return Response.json(response);
  },
};

本地运行：

wrangler dev

测试接口：

curl -X POST http://localhost:8787 \
  -H "Content-Type: application/json" \
  -d '{"message":"请用三句话解释 Cloudflare Workers AI 的优势"}'

部署到线上：

wrangler deploy

部署后测试：

curl -X POST https://cloudflare-ai-chatbot..workers.dev \
  -H "Content-Type: application/json" \
  -d '{"message":"请介绍一下你能做什么"}'

三、应用场景二：企业知识库问答 RAG

很多企业希望 AI 能基于自己的文档、产品手册、FAQ、内部制度等内容回答问题，而不是只依赖模型已有知识。这类场景通常称为 RAG，Retrieval-Augmented Generation，检索增强生成。

Cloudflare 的 Vectorize 可以作为向量数据库，Workers AI 可以生成 embedding 和回答内容，R2 可以存储原始文档，三者组合后即可构建轻量级知识库问答系统。

RAG 基本流程

1. 上传企业文档。
2. 将文档切分成小段。
3. 使用 embedding 模型生成向量。
4. 将文本片段和向量写入 Vectorize。
5. 用户提问时，将问题转成向量。
6. 在 Vectorize 中检索最相似的文档片段。
7. 将检索结果作为上下文交给大模型生成答案。

创建 Vectorize 索引命令

wrangler vectorize create company-docs-index \
  --dimensions=768 \
  --metric=cosine

查看索引：

wrangler vectorize list

在 wrangler.toml 中绑定 Vectorize：

name = "cloudflare-rag-demo"
main = "src/index.ts"
compatibility_date = "2024-06-01"

[ai]
binding = "AI"

[[vectorize]]
binding = "VECTORIZE"
index_name = "company-docs-index"

写入知识库数据示例

创建项目：

npm create cloudflare@latest cloudflare-rag-demo
cd cloudflare-rag-demo
npm install

编辑 src/index.ts：

export interface Env {
  AI: Ai;
  VECTORIZE: VectorizeIndex;
}

async function generateEmbedding(env: Env, text: string) {
  const result = await env.AI.run("@cf/baai/bge-base-en-v1.5", {
    text,
  });

  return result.data[0];
}

export default {
  async fetch(request: Request, env: Env): Promise {
    const url = new URL(request.url);

    if (url.pathname === "/insert" && request.method === "POST") {
      const body = await request.json() as {
        id: string;
        text: string;
      };

      const embedding = await generateEmbedding(env, body.text);

      await env.VECTORIZE.upsert([
        {
          id: body.id,
          values: embedding,
          metadata: {
            text: body.text,
          },
        },
      ]);

      return Response.json({
        success: true,
        id: body.id,
      });
    }

    if (url.pathname === "/ask" && request.method === "POST") {
      const body = await request.json() as {
        question: string;
      };

      const questionEmbedding = await generateEmbedding(env, body.question);

      const matches = await env.VECTORIZE.query(questionEmbedding, {
        topK: 3,
        returnMetadata: true,
      });

      const context = matches.matches
        .map((item: any, index: number) => {
          return `资料${index + 1}：${item.metadata.text}`;
        })
        .join("\n");

      const answer = await env.AI.run("@cf/meta/llama-3.1-8b-instruct", {
        messages: [
          {
            role: "system",
            content:
              "你是企业知识库问答助手。请只基于给定资料回答，如果资料不足，请明确说明无法从资料中确定。",
          },
          {
            role: "user",
            content: `资料如下：\n${context}\n\n问题：${body.question}`,
          },
        ],
      });

      return Response.json({
        question: body.question,
        context,
        answer,
      });
    }

    return new Response("Not Found", {
      status: 404,
    });
  },
};

部署：

wrangler deploy

插入知识片段：

curl -X POST https://cloudflare-rag-demo..workers.dev/insert \
  -H "Content-Type: application/json" \
  -d '{
    "id": "doc-001",
    "text": "Cloudflare Workers 是一种无服务器边缘计算平台，可以在全球边缘节点运行 JavaScript、TypeScript、Rust 等代码。"
  }'

继续插入第二段：

curl -X POST https://cloudflare-rag-demo..workers.dev/insert \
  -H "Content-Type: application/json" \
  -d '{
    "id": "doc-002",
    "text": "Cloudflare Vectorize 是向量数据库服务，常用于语义搜索、推荐系统和 RAG 知识库问答。"
  }'

提问测试：

curl -X POST https://cloudflare-rag-demo..workers.dev/ask \
  -H "Content-Type: application/json" \
  -d '{
    "question": "Vectorize 主要适合做什么？"
  }'

四、应用场景三：AI Gateway 统一管理大模型 API

在真实业务中，很多团队不会只使用一个模型，而是同时使用 OpenAI、Anthropic、Workers AI、Google Gemini 等多个模型服务。此时会出现几个问题：

• 如何监控每个模型的调用量？
• 如何记录请求延迟、失败率和成本？
• 如何给 AI API 增加缓存？
• 如何统一处理超时和重试？
• 如何防止密钥直接暴露在客户端？

Cloudflare AI Gateway 就是为这些问题设计的。它可以作为 AI API 调用的统一入口，对请求进行观测、缓存、速率控制和管理。

适用场景

• 多模型供应商统一管理
• 大模型 API 成本分析
• AI 请求日志审计
• AI API 缓存优化
• 企业级模型网关

创建 AI Gateway

可以在 Cloudflare Dashboard 中创建，也可以直接通过 API 方式管理。通常更推荐先在控制台创建 Gateway，假设名称为：

my-ai-gateway

调用 OpenAI 时，可以将请求地址替换为 Cloudflare AI Gateway 的地址：

curl https://gateway.ai.cloudflare.com/v1//my-ai-gateway/openai/chat/completions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-4o-mini",
    "messages": [
      {
        "role": "user",
        "content": "请解释 AI Gateway 的作用"
      }
    ]
  }'

如果使用环境变量：

export CLOUDFLARE_ACCOUNT_ID="你的 Cloudflare Account ID"
export OPENAI_API_KEY="你的 OpenAI API Key"

完整命令如下：

curl "https://gateway.ai.cloudflare.com/v1/${CLOUDFLARE_ACCOUNT_ID}/my-ai-gateway/openai/chat/completions" \
  -H "Authorization: Bearer ${OPENAI_API_KEY}" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-4o-mini",
    "messages": [
      {
        "role": "system",
        "content": "你是一个专业的中文技术顾问。"
      },
      {
        "role": "user",
        "content": "请分析 Cloudflare AI Gateway 在企业 AI 架构中的价值。"
      }
    ]
  }'

五、应用场景四：内容审核与安全防护

AI 应用一旦对外开放，就会面临滥用风险。例如：

• 恶意刷接口导致成本失控
• 用户提交违法、辱骂、广告或垃圾内容
• Prompt Injection 攻击
• 机器人批量注册账号
• 通过 AI 生成大量低质量内容

Cloudflare 在安全方面具备天然优势，可以将 AI 能力与安全产品结合起来。

可组合能力

使用 Workers AI 做简单内容审核

例如，我们可以要求模型判断用户输入是否包含广告、辱骂、敏感内容，并返回 JSON。

export interface Env {
  AI: Ai;
}

export default {
  async fetch(request: Request, env: Env): Promise {
    const body = await request.json() as {
      text: string;
    };

    const result = await env.AI.run("@cf/meta/llama-3.1-8b-instruct", {
      messages: [
        {
          role: "system",
          content:
            "你是内容审核系统。请判断用户文本是否安全，只返回 JSON，格式为 {\"safe\": true, \"reason\": \"原因\"}。",
        },
        {
          role: "user",
          content: body.text,
        },
      ],
    });

    return Response.json(result);
  },
};

测试命令：

curl -X POST https://content-moderation..workers.dev \
  -H "Content-Type: application/json" \
  -d '{
    "text": "请帮我生成一段正常的产品介绍文案"
  }'

加入简单 IP 限流思路

虽然 Cloudflare Dashboard 可以配置更完整的 Rate Limiting，但在 Workers 中也可以做基础逻辑，例如结合 KV 或 D1 记录访问次数。生产环境建议优先使用 Cloudflare 原生速率限制能力，减少应用层复杂度。

六、应用场景五：自动摘要与文档处理

企业内部每天会产生大量内容，例如会议纪要、客服对话、邮件、合同、产品反馈、日志报告等。这些内容如果完全依靠人工阅读和整理，效率很低。通过 Cloudflare Workers AI，可以快速实现自动摘要、重点提取、结构化信息抽取等能力。

典型应用

• 会议纪要自动总结
• 客服工单摘要
• 用户反馈分类
• 合同条款要点提取
• 日志异常说明生成
• 新闻资讯摘要

示例代码

export interface Env {
  AI: Ai;
}

export default {
  async fetch(request: Request, env: Env): Promise {
    const body = await request.json() as {
      content: string;
    };

    const result = await env.AI.run("@cf/meta/llama-3.1-8b-instruct", {
      messages: [
        {
          role: "system",
          content:
            "你是专业中文文档处理助手。请对输入内容进行摘要，输出：1. 一句话总结；2. 关键要点；3. 待办事项。",
        },
        {
          role: "user",
          content: body.content,
        },
      ],
    });

    return Response.json(result);
  },
};

测试命令：

curl -X POST https://doc-summary..workers.dev \
  -H "Content-Type: application/json" \
  -d '{
    "content": "今天会议讨论了新版本上线计划。产品团队提出下周三完成需求验收，研发团队预计周五完成核心功能开发，测试团队需要在下周一前准备测试用例。大家一致认为需要提前准备灰度发布方案。"
  }'

七、应用场景六：图片生成与多模态应用

Cloudflare Workers AI 也支持部分图像相关模型能力。对于营销、设计、内容平台来说，图片生成和图片理解具有较大价值。

适用场景

• 根据文案生成配图
• 电商商品图辅助生成
• 社交媒体封面生成
• 图片描述生成
• 图片内容识别
• 视觉问答

图片生成示例

export interface Env {
  AI: Ai;
}

export default {
  async fetch(request: Request, env: Env): Promise {
    const body = await request.json() as {
      prompt: string;
    };

    const image = await env.AI.run("@cf/stabilityai/stable-diffusion-xl-base-1.0", {
      prompt: body.prompt,
    });

    return new Response(image, {
      headers: {
        "Content-Type": "image/png",
      },
    });
  },
};

测试命令：

curl -X POST https://image-gen..workers.dev \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "A futuristic cloud computing data center, cyberpunk style, blue and purple lighting"
  }' \
  --output cloudflare-ai-image.png

八、应用场景七：结合 R2 构建 AI 文件处理系统

R2 是 Cloudflare 的对象存储服务，兼容 S3 API，适合保存文件、图片、音频、文档和 AI 生成结果。将 R2 与 Workers AI 结合，可以构建一个 Serverless 文件处理系统。

创建 R2 存储桶

wrangler r2 bucket create ai-files

查看存储桶：

wrangler r2 bucket list

绑定 R2 到 Worker：

name = "ai-file-processor"
main = "src/index.ts"
compatibility_date = "2024-06-01"

[ai]
binding = "AI"

[[r2_buckets]]
binding = "BUCKET"
bucket_name = "ai-files"

上传文件命令

wrangler r2 object put ai-files/demo.txt \
  --file ./demo.txt

下载文件命令：

wrangler r2 object get ai-files/demo.txt \
  --file ./download-demo.txt

删除文件命令：

wrangler r2 object delete ai-files/demo.txt

文件读取与摘要示例

export interface Env {
  AI: Ai;
  BUCKET: R2Bucket;
}

export default {
  async fetch(request: Request, env: Env): Promise {
    const url = new URL(request.url);
    const key = url.searchParams.get("key");

    if (!key) {
      return new Response("Missing key", {
        status: 400,
      });
    }

    const object = await env.BUCKET.get(key);

    if (!object) {
      return new Response("File not found", {
        status: 404,
      });
    }

    const text = await object.text();

    const summary = await env.AI.run("@cf/meta/llama-3.1-8b-instruct", {
      messages: [
        {
          role: "system",
          content: "请将输入文档总结为中文要点列表。",
        },
        {
          role: "user",
          content: text,
        },
      ],
    });

    return Response.json({
      key,
      summary,
    });
  },
};

测试：

curl "https://ai-file-processor..workers.dev?key=demo.txt"

九、应用场景八：AI 驱动的搜索与推荐系统

传统搜索依赖关键词匹配，用户必须输入准确词汇才能得到较好结果。向量搜索则可以理解语义，即使用户的表达方式与文档中的词不同，也能找到相关内容。

例如，文档中写的是“边缘计算平台”，用户搜索“离用户更近的云函数”，向量搜索仍可能匹配到相关内容。

适用场景

• 文档语义搜索
• 电商商品推荐
• 内容平台相关推荐
• FAQ 智能检索
• 招聘岗位匹配
• 代码片段搜索

技术组合

Workers AI 生成 embedding
        ↓
Vectorize 存储向量
        ↓
Workers 接收搜索请求
        ↓
Vectorize 返回相似结果
        ↓
前端展示搜索结果

查询示例命令

curl -X POST https://cloudflare-rag-demo..workers.dev/ask \
  -H "Content-Type: application/json" \
  -d '{
    "question": "如何用 Cloudflare 做语义搜索？"
  }'

十、应用场景九：边缘部署的 AI API 后端

Cloudflare Workers 最大的特点是边缘部署。对于 AI 应用来说，边缘部署并不意味着所有推理都必须在边缘完成，更重要的是：请求入口、鉴权、缓存、路由、日志、降级和安全控制可以在边缘完成。

架构优势

1. 降低入口延迟
   用户请求先到最近的 Cloudflare 节点，再由 Worker 决定调用 Workers AI、第三方模型或内部 API。

2. 统一鉴权
   可以在 Worker 层校验 JWT、API Key、Session 或 Turnstile Token。

3. 灰度发布
   可以根据用户 ID、地区、请求头切换不同模型。

4. 成本优化
   对重复问题进行缓存，减少模型调用次数。

5. 故障降级
   当第三方模型不可用时，自动切换到备用模型。

简单模型路由示例

export interface Env {
  AI: Ai;
  OPENAI_API_KEY: string;
}

export default {
  async fetch(request: Request, env: Env): Promise {
    const body = await request.json() as {
      message: string;
      provider?: string;
    };

    if (body.provider === "workers-ai") {
      const result = await env.AI.run("@cf/meta/llama-3.1-8b-instruct", {
        messages: [
          {
            role: "user",
            content: body.message,
          },
        ],
      });

      return Response.json({
        provider: "workers-ai",
        result,
      });
    }

    const openaiResp = await fetch("https://api.openai.com/v1/chat/completions", {
      method: "POST",
      headers: {
        "Authorization": `Bearer ${env.OPENAI_API_KEY}`,
        "Content-Type": "application/json",
      },
      body: JSON.stringify({
        model: "gpt-4o-mini",
        messages: [
          {
            role: "user",
            content: body.message,
          },
        ],
      }),
    });

    return new Response(openaiResp.body, {
      headers: {
        "Content-Type": "application/json",
      },
    });
  },
};

设置密钥：

wrangler secret put OPENAI_API_KEY

部署：

wrangler deploy

测试 Workers AI：

curl -X POST https://ai-router..workers.dev \
  -H "Content-Type: application/json" \
  -d '{
    "provider": "workers-ai",
    "message": "请解释边缘 AI API 后端的优势"
  }'

测试 OpenAI：

curl -X POST https://ai-router..workers.dev \
  -H "Content-Type: application/json" \
  -d '{
    "provider": "openai",
    "message": "请解释模型路由的价值"
  }'

十一、生产环境最佳实践

Cloudflare AI 适合快速构建 AI 应用，但生产环境仍需要关注安全、稳定性和成本控制。

1. 不要在前端暴露模型 API Key

如果使用第三方模型 API，必须通过 Worker 代理调用，并将密钥保存在 Cloudflare Secret 中。

wrangler secret put OPENAI_API_KEY

查看已配置密钥：

wrangler secret list

2. 增加请求频率限制

对外开放的 AI 接口必须做限流，否则很容易被刷爆成本。可以结合 Cloudflare Rate Limiting、WAF 或 Worker 自定义逻辑。

3. 对重复问题增加缓存

对于 FAQ、文档问答、固定模板生成等场景，可以缓存结果，减少模型调用。

const cache = caches.default;
const cacheKey = new Request(request.url, request);
const cached = await cache.match(cacheKey);

if (cached) {
  return cached;
}

4. 记录请求日志

建议记录以下信息：

• 用户 ID
• 请求时间
• 模型名称
• 输入 token 数
• 输出 token 数
• 请求耗时
• 错误码
• 成本估算

这些数据可以进入 D1、Analytics Engine 或外部日志系统。

5. 防止 Prompt Injection

对于 RAG 应用，不要无条件相信检索出来的文档内容。系统提示词中应明确要求模型只基于资料回答，并避免执行文档中的隐藏指令。

6. 设置模型降级方案

如果主模型不可用，可以自动切换到备用模型。例如：

优先使用 Workers AI
失败后切换 OpenAI
再次失败返回模板化回答

十二、Cloudflare AI 的优势与局限

主要优势

1. 边缘网络能力强
   Cloudflare 拥有全球分布式网络，对于全球化业务非常友好。

2. Serverless 架构简单
   开发者不需要管理服务器、负载均衡和容器集群。

3. 产品组合完整
   Workers、R2、D1、Vectorize、Queues、AI Gateway 可以覆盖大多数 AI 应用基础需求。

4. 适合快速原型开发
   从创建项目到部署上线通常只需要几分钟。

5. 安全能力成熟
   Cloudflare 的 WAF、DDoS 防护、Turnstile、Access 等能力可以直接服务 AI 应用。

主要局限

1. 模型选择有限
   Workers AI 支持的模型数量相比专业模型平台可能更少。

2. 复杂训练任务不适合
   Cloudflare AI 更偏推理与应用层，不适合大规模模型训练。

3. 长上下文能力受模型限制
   如果需要处理超长文档，仍需要分块、摘要、RAG 等工程方案。

4. 部分能力依赖区域和套餐
   不同账号、套餐和地区可能有不同限制，生产前应查看官方文档。

十三、推荐落地架构

如果你要构建一个企业级 AI 知识库问答系统，可以采用以下架构：

用户浏览器
   ↓
Cloudflare Pages 前端
   ↓
Cloudflare Turnstile 防滥用
   ↓
Cloudflare Workers API
   ↓
鉴权、限流、日志、缓存
   ↓
Workers AI 生成 embedding
   ↓
Vectorize 语义检索
   ↓
Workers AI 或第三方大模型生成回答
   ↓
D1 记录会话与日志
   ↓
R2 存储原始文档与附件

对应的基础设施创建命令可以整理如下：

# 安装 Wrangler
npm install -g wrangler

# 登录 Cloudflare
wrangler login

# 创建 Workers 项目
npm create cloudflare@latest enterprise-ai-kb

# 进入目录
cd enterprise-ai-kb

# 安装依赖
npm install

# 创建 Vectorize 索引
wrangler vectorize create enterprise-kb-index \
  --dimensions=768 \
  --metric=cosine

# 创建 R2 存储桶
wrangler r2 bucket create enterprise-kb-files

# 创建 D1 数据库
wrangler d1 create enterprise-kb-db

# 设置第三方模型密钥，可选
wrangler secret put OPENAI_API_KEY

# 本地开发
wrangler dev

# 部署上线
wrangler deploy

D1 创建后会返回数据库信息，需要写入 wrangler.toml：

[[d1_databases]]
binding = "DB"
database_name = "enterprise-kb-db"
database_id = "替换为创建 D1 后返回的 database_id"

创建会话日志表：

wrangler d1 execute enterprise-kb-db \
  --command "CREATE TABLE IF NOT EXISTS chat_logs (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    user_id TEXT,
    question TEXT,
    answer TEXT,
    model TEXT,
    created_at TEXT
  );"

查询日志：

wrangler d1 execute enterprise-kb-db \
  --command "SELECT * FROM chat_logs ORDER BY id DESC LIMIT 10;"

十四、总结

Cloudflare AI 的价值不只是“提供一个模型调用接口”，而是把 AI 推理、边缘计算、安全防护、对象存储、向量检索、数据库和 API 网关整合到一个统一的平台中。对于开发者和企业来说，这意味着可以用更少的基础设施成本，更快地构建 AI 应用。

从应用场景来看，Cloudflare AI 特别适合以下方向：

• AI 聊天机器人
• 企业知识库问答
• AI API 网关
• 内容审核
• 文档摘要
• 图片生成
• 智能搜索
• 文件处理
• 边缘 AI API 后端

如果你的目标是快速上线一个 AI 原型，或者希望在现有 Web 产品中增加 AI 能力，Cloudflare 是一个非常值得考虑的平台。它不一定适合所有复杂 AI 场景，例如大规模训练、极致高性能 GPU 推理或超长上下文任务，但对于大量应用层 AI 产品来说，Cloudflare 提供了一套非常实用、轻量、可扩展的解决方案。

最终，AI 应用的竞争力并不只来自模型本身，更来自工程能力、用户体验、安全体系和成本控制。Cloudflare 的优势正是在这些应用基础设施层面，为开发者提供了一条更简洁的路径。