DeepSeek 自动化工作流实战：从 API 接入到配置文件落地指南

发布人：慈云数据-客服中心发布时间：14小时前阅读量：0

DeepSeek 工作流自动化教程｜附配置文件

在大模型快速普及的今天，很多团队已经不再满足于“打开网页、输入提示词、复制结果”这种单点式使用方式，而是希望把 AI 能力真正嵌入到日常工作流中：自动总结会议纪要、自动撰写日报周报、自动分析客服工单、自动生成代码审查意见、自动归档知识库内容，甚至与企业内部系统联动，形成可持续运行的自动化流程。

DeepSeek 作为近年来非常受关注的大模型之一，具备较强的中文理解、推理、代码生成和文本处理能力。相比单纯把它当作聊天工具使用，将 DeepSeek 接入自动化工作流，才能真正释放它在企业办公、内容生产、研发协作和数据分析中的价值。

本文将以“从零搭建 DeepSeek 工作流自动化”为主题，系统介绍工作流设计思路、常见应用场景、接口调用方式、自动化编排方法，并附带可直接参考的配置文件示例，帮助你快速搭建属于自己的 AI 自动化系统。

一、什么是 DeepSeek 工作流自动化？

所谓 DeepSeek 工作流自动化，指的是将 DeepSeek 的大模型能力接入到一个自动化流程中，让它在特定触发条件下自动完成某些任务。

举个简单例子：

当团队成员在飞书、企业微信或钉钉中提交一段会议记录后，系统自动调用 DeepSeek，对会议内容进行总结，提取待办事项，并把结果发送到指定群聊或同步到项目管理工具中。

这个过程不需要人工反复复制粘贴，也不需要每次都重新设计提示词。只要流程配置完成，系统就可以按照预设规则持续运行。

一个典型的 DeepSeek 自动化工作流通常包括以下几个部分：

触发器：什么时候启动流程，例如收到一封邮件、提交一个表单、定时执行、代码仓库发生变更等。
数据输入：输入给 DeepSeek 的内容，例如文本、工单、会议记录、日志、代码片段等。
提示词模板：告诉模型要完成什么任务、以什么格式输出。
模型调用：通过 API 调用 DeepSeek。
结果处理：解析模型输出，提取字段，进行格式化。
后续动作：发送通知、写入数据库、生成文档、提交到系统等。

通过这种方式，DeepSeek 不再只是一个聊天机器人，而是成为企业数字化流程中的一个“智能节点”。

二、适合自动化的 DeepSeek 使用场景

在正式配置之前，我们先了解哪些任务特别适合接入 DeepSeek。

1. 会议纪要自动生成

企业每天都会产生大量会议内容。人工整理会议纪要不仅耗时，而且容易遗漏重点。通过 DeepSeek，可以自动完成：

会议摘要生成；
关键结论提取；
待办事项整理；
责任人与截止时间识别；
输出标准化会议纪要格式。

例如输入一段会议转录文本，模型可以输出如下结构：

## 会议主题
产品需求评审会议

## 核心结论
1. 首页改版方案通过初审；
2. 搜索功能需要补充异常状态设计；
3. 数据埋点方案由研发与数据团队共同确认。

## 待办事项
| 事项 | 负责人 | 截止时间 |
|---|---|---|
| 补充搜索异常状态设计 | 张三 | 本周五 |
| 梳理首页埋点方案 | 李四 | 下周一 |

2. 客服工单智能分类与回复

客服系统每天可能收到大量用户反馈，其中既有 bug，也有咨询、投诉和功能建议。DeepSeek 可以帮助客服团队实现：

自动识别工单类型；
判断情绪倾向；
提取用户核心问题；
推荐回复话术；
标记是否需要人工介入。

例如系统收到用户反馈：

“我昨天充值了会员，但是今天打开还是显示普通用户，订单号是 202406xxxx，希望尽快处理。”

DeepSeek 可以输出：

{
  "category": "支付与会员问题",
  "sentiment": "焦急",
  "priority": "高",
  "summary": "用户充值会员后权益未生效",
  "need_human": true,
  "suggested_reply": "您好，非常抱歉给您带来不便。我们已记录您的订单号，将尽快核查会员权益状态，请您稍后留意处理结果。"
}

3. 内容生产与审核

对于运营、市场、新媒体团队来说，DeepSeek 可以承担大量初稿生成和文本优化工作，例如：

根据关键词生成文章大纲；
改写营销文案；
生成小红书、公众号、微博文案；
检查错别字；
统一品牌语气；
对敏感表达进行提示。

不过需要注意，内容生产类流程最好保留人工审核环节，尤其是对外发布的内容。AI 可以提高效率，但不能完全替代编辑判断。

4. 研发辅助与代码审查

DeepSeek 在代码理解和生成方面也有较强应用价值，可以接入研发流程：

自动生成代码注释；
分析 Pull Request 改动；
提出潜在 bug；
生成单元测试；
解释报错日志；
自动生成接口文档。

例如，当 Git 仓库中有新的 Pull Request 时，自动化工具可以获取代码 diff，然后调用 DeepSeek 输出代码审查建议，并自动评论到 PR 页面。

5. 知识库自动整理

企业知识库经常面临资料分散、格式不统一、内容重复等问题。DeepSeek 可以用于：

将长文档压缩成摘要；
从文档中提取 FAQ；
自动生成标签；
判断文档所属分类；
将零散记录整理成结构化知识库文章。

这类场景非常适合与 Notion、飞书文档、语雀、Confluence 等工具结合。

三、整体技术架构

一个实用的 DeepSeek 工作流自动化系统，可以采用如下架构：

触发器
  ↓
自动化平台 / 后端服务
  ↓
数据预处理
  ↓
DeepSeek API
  ↓
结果解析
  ↓
业务系统 / 通知渠道 / 数据库

你可以根据实际情况选择不同的实现方式：

方案一：使用自动化平台

适合不想写太多代码的用户，例如：

n8n；
Zapier；
Make；
Pipedream；
自建低代码平台。

优点是配置直观，适合快速搭建原型；缺点是复杂逻辑和私有化能力有限。

方案二：使用后端服务

适合有研发能力的团队，可以用 Python、Node.js、Go 等语言实现接口服务，再与业务系统集成。

优点是灵活、可控、安全性更好；缺点是需要一定开发和维护成本。

方案三：混合方式

常见做法是：简单流程交给 n8n 等自动化平台，核心业务逻辑和敏感数据处理放到自研后端服务中。

这种方式兼顾了效率和安全性，适合大多数中小团队。

四、准备工作

在正式配置前，需要准备以下内容。

1. DeepSeek API Key

你需要在 DeepSeek 官方平台获取 API Key。一般流程为：

登录 DeepSeek 开放平台；
创建或进入 API 管理页面；
生成一个新的 API Key；
妥善保存，不要直接暴露在前端页面或公开仓库中。

建议将 API Key 存放在环境变量中，例如：

export DEEPSEEK_API_KEY="sk-xxxxxxxxxxxxxxxx"

如果你使用 Docker 或 n8n，也可以通过 .env 文件管理。

2. 确认模型名称

常见可用模型包括类似：

deepseek-chat
deepseek-reasoner

其中：

deepseek-chat 更适合通用对话、总结、改写、分类等任务；
deepseek-reasoner 更适合需要复杂推理、规划和多步骤分析的任务。

具体模型名称请以官方文档为准。

3. 设计提示词模板

提示词是工作流自动化质量的核心。一个好的提示词模板应该包括：

角色设定；
任务目标；
输入内容；
输出格式；
约束条件；
错误处理规则。

例如会议纪要提示词：

你是一名专业的会议纪要助手。
请根据用户提供的会议内容，生成结构化会议纪要。

要求：
1. 使用中文输出；
2. 不要编造未出现的信息；
3. 如果负责人或截止时间没有明确提到，请填写“未明确”；
4. 输出 Markdown 格式；
5. 包含：会议摘要、关键结论、待办事项、风险点。

会议内容如下：
{{meeting_text}}

五、使用 Python 调用 DeepSeek API

下面给出一个基础版 Python 示例，用于调用 DeepSeek 并生成会议纪要。

1. 安装依赖

pip install requests python-dotenv

2. 创建 `.env` 文件

DEEPSEEK_API_KEY=sk-xxxxxxxxxxxxxxxx
DEEPSEEK_BASE_URL=https://api.deepseek.com
DEEPSEEK_MODEL=deepseek-chat

3. 编写调用脚本

新建文件 deepseek_workflow.py：

import os
import requests
from dotenv import load_dotenv

load_dotenv()

API_KEY = os.getenv("DEEPSEEK_API_KEY")
BASE_URL = os.getenv("DEEPSEEK_BASE_URL", "https://api.deepseek.com")
MODEL = os.getenv("DEEPSEEK_MODEL", "deepseek-chat")

def call_deepseek(prompt: str):
    url = f"{BASE_URL}/v1/chat/completions"

    headers = {
        "Authorization": f"Bearer {API_KEY}",
        "Content-Type": "application/json"
    }

    payload = {
        "model": MODEL,
        "messages": [
            {
                "role": "system",
                "content": "你是一个严谨、专业、擅长结构化输出的 AI 工作流助手。"
            },
            {
                "role": "user",
                "content": prompt
            }
        ],
        "temperature": 0.3
    }

    response = requests.post(url, headers=headers, json=payload, timeout=60)
    response.raise_for_status()

    data = response.json()
    return data["choices"][0]["message"]["content"]

if __name__ == "__main__":
    meeting_text = """
    今天我们讨论了官网首页改版方案。产品认为新版首屏需要突出核心卖点，
    设计团队会在本周五前提供两个视觉方案。研发提到，如果新增动态效果，
    需要额外两天开发时间。运营建议在首页增加用户案例模块，方便转化。
    最后决定先完成视觉方案评审，再确定是否加入动态效果。
    """

    prompt = f"""
你是一名专业的会议纪要助手。
请根据以下会议内容生成结构化会议纪要。

要求：
1. 使用 Markdown 格式；
2. 不要编造会议中未出现的信息；
3. 待办事项需要包含事项、负责人、截止时间；
4. 如果信息没有明确出现，请写“未明确”。

会议内容：
{meeting_text}
"""

    result = call_deepseek(prompt)
    print(result)

运行：

python deepseek_workflow.py

六、配置文件示例：通用 DeepSeek 工作流

为了方便维护，建议不要把所有参数都写死在代码中，而是通过配置文件管理不同工作流。

下面是一个可参考的 YAML 配置文件。

`workflow.config.yaml`

app:
  name: deepseek-workflow
  version: "1.0.0"
  timezone: Asia/Shanghai

deepseek:
  base_url: https://api.deepseek.com
  api_key_env: DEEPSEEK_API_KEY
  model: deepseek-chat
  temperature: 0.3
  timeout: 60

workflows:
  meeting_summary:
    enabled: true
    trigger:
      type: webhook
      path: /webhook/meeting-summary
      method: POST
    input:
      field: meeting_text
      max_length: 12000
    prompt:
      system: |
        你是一个专业的会议纪要助手，擅长从会议内容中提取结论、待办事项和风险。
      user_template: |
        请根据以下会议内容生成结构化会议纪要。

        输出要求：
        1. 使用 Markdown 格式；
        2. 不要编造未出现的信息；
        3. 如果负责人或截止时间没有明确提到，请填写“未明确”；
        4. 必须包含：会议摘要、关键结论、待办事项、风险点。

        会议内容：
        {{meeting_text}}
    output:
      format: markdown
      send_to:
        - type: webhook
          url: https://example.com/callback/meeting

  ticket_classifier:
    enabled: true
    trigger:
      type: webhook
      path: /webhook/ticket-classifier
      method: POST
    input:
      field: ticket_content
      max_length: 6000
    prompt:
      system: |
        你是一个客服工单分析助手，擅长判断用户问题类型、情绪和处理优先级。
      user_template: |
        请分析以下客服工单，并严格输出 JSON。

        JSON 字段包括：
        - category：工单类别
        - sentiment：用户情绪
        - priority：优先级，取值为 high、medium、low
        - summary：一句话总结
        - need_human：是否需要人工介入，布尔值
        - suggested_reply：建议回复话术

        工单内容：
        {{ticket_content}}
    output:
      format: json
      send_to:
        - type: webhook
          url: https://example.com/callback/ticket

  weekly_report:
    enabled: true
    trigger:
      type: cron
      schedule: "0 18 * * 5"
    input:
      source: database
      query_name: weekly_tasks
    prompt:
      system: |
        你是一个项目管理助手，擅长根据任务记录生成清晰、客观的周报。
      user_template: |
        请根据以下任务记录生成本周工作周报。

        要求：
        1. 分为本周完成、进行中事项、风险与阻塞、下周计划；
        2. 语言简洁正式；
        3. 不夸大成果；
        4. 使用 Markdown 格式。

        任务记录：
        {{task_records}}
    output:
      format: markdown
      send_to:
        - type: email
          recipients:
            - manager@example.com
            - team@example.com

这个配置文件同时定义了三个工作流：

meeting_summary：会议纪要生成；
ticket_classifier：客服工单分类；
weekly_report：每周五自动生成周报。

实际开发中，你可以通过读取配置文件动态创建不同任务，而不必为每个工作流重复写一套代码。

七、基于配置文件的 Python 实现思路

下面给出一个简化版实现，用于读取 YAML 配置并调用 DeepSeek。

安装依赖

pip install pyyaml requests python-dotenv

示例代码

import os
import yaml
import requests
from dotenv import load_dotenv

load_dotenv()

def load_config(path="workflow.config.yaml"):
    with open(path, "r", encoding="utf-8") as f:
        return yaml.safe_load(f)

def render_template(template: str, variables: dict):
    result = template
    for key, value in variables.items():
        result = result.replace("{{" + key + "}}", str(value))
    return result

def call_deepseek(config: dict, system_prompt: str, user_prompt: str):
    deepseek_config = config["deepseek"]
    api_key = os.getenv(deepseek_config["api_key_env"])

    url = f'{deepseek_config["base_url"]}/v1/chat/completions'

    payload = {
        "model": deepseek_config["model"],
        "messages": [
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": user_prompt}
        ],
        "temperature": deepseek_config.get("temperature", 0.3)
    }

    headers = {
        "Authorization": f"Bearer {api_key}",
        "Content-Type": "application/json"
    }

    response = requests.post(
        url,
        headers=headers,
        json=payload,
        timeout=deepseek_config.get("timeout", 60)
    )
    response.raise_for_status()
    data = response.json()

    return data["choices"][0]["message"]["content"]

def run_workflow(workflow_name: str, variables: dict):
    config = load_config()
    workflow = config["workflows"][workflow_name]

    if not workflow.get("enabled", False):
        raise RuntimeError(f"workflow {workflow_name} is disabled")

    system_prompt = workflow["prompt"]["system"]
    user_template = workflow["prompt"]["user_template"]
    user_prompt = render_template(user_template, variables)

    return call_deepseek(config, system_prompt, user_prompt)

if __name__ == "__main__":
    result = run_workflow(
        "meeting_summary",
        {
            "meeting_text": "本次会议讨论了新版官网设计，设计团队周五前提交方案，研发评估动态效果工作量。"
        }
    )

    print(result)

这段代码虽然简单，但已经具备了工作流自动化的基本骨架：

通过配置文件管理模型参数；
通过配置文件管理提示词；
支持多个工作流；
支持变量替换；
支持统一调用 DeepSeek。

后续可以在此基础上扩展 Webhook、定时任务、日志、权限控制和结果回调。

八、使用 n8n 搭建 DeepSeek 自动化流程

如果你不想从零开发，也可以使用 n8n 这类自动化工具搭建流程。n8n 的优势是节点式配置，适合快速连接不同系统。

1. 基础流程

以“Webhook 接收会议文本，并调用 DeepSeek 生成纪要”为例，流程如下：

Webhook Trigger
  ↓
Set Node
  ↓
HTTP Request Node
  ↓
Function Node
  ↓
Webhook Response / Send Message

2. HTTP Request 节点配置

在 n8n 中添加 HTTP Request 节点，配置如下：

{
  "method": "POST",
  "url": "https://api.deepseek.com/v1/chat/completions",
  "authentication": "none",
  "headers": {
    "Authorization": "Bearer {{$env.DEEPSEEK_API_KEY}}",
    "Content-Type": "application/json"
  },
  "body": {
    "model": "deepseek-chat",
    "messages": [
      {
        "role": "system",
        "content": "你是一个专业的会议纪要助手。"
      },
      {
        "role": "user",
        "content": "请根据以下会议内容生成结构化会议纪要：{{$json.meeting_text}}"
      }
    ],
    "temperature": 0.3
  }
}

3. 结果提取

DeepSeek 返回结果通常位于：

choices[0].message.content

你可以在 Function 节点中提取：

return [
  {
    json: {
      summary: $json.choices[0].message.content
    }
  }
];

然后再发送到飞书、钉钉、企业微信、邮箱或数据库。

九、提示词模板设计技巧

工作流自动化和普通聊天最大的区别在于：自动化需要稳定输出，而不是每次自由发挥。

因此提示词模板要尽量明确。

1. 明确角色

例如：

你是一名专业的客服质检专家。

比单纯写“帮我分析一下”更稳定。

2. 明确输出格式

如果后续需要程序解析，建议要求输出 JSON：

请严格输出 JSON，不要输出 Markdown，不要添加解释文字。

并给出字段说明。

3. 明确禁止编造

在总结、纪要、分析类任务中，必须加入：

不要编造输入内容中没有出现的信息。
如果信息缺失，请填写“未明确”。

4. 控制模型温度

自动化场景通常不需要过强创造性，建议设置：

temperature: 0.1 ~ 0.4

内容创作类可以适当提高，例如 0.6 或 0.8。

5. 给出示例

如果你希望输出更稳定，可以在提示词中加入示例：

输出示例：
{
  "category": "支付问题",
  "priority": "high",
  "summary": "用户反馈支付后权益未生效"
}

十、工作流安全与稳定性建议

在企业环境中使用 DeepSeek 自动化时，除了“能跑起来”，还要考虑安全和稳定性。

1. 不要泄露 API Key

不要把 API Key 写在前端代码、公开 Git 仓库或明文文档中。建议使用：

环境变量；
密钥管理服务；
Docker Secret；
Kubernetes Secret。

2. 对输入内容做长度限制

大模型上下文长度有限，同时过长输入也会增加成本。建议对输入文本设置最大长度，例如：

max_length: 12000

超出部分可以先截断，或者分段总结后再汇总。

3. 增加重试机制

API 请求可能因为网络、限流或服务波动失败。建议增加：

超时设置；
自动重试；
指数退避；
错误日志记录。

4. 保留人工审核

对外发布、法律合规、财务决策、医疗建议等高风险场景，不建议完全自动化。可以让 DeepSeek 输出建议，再由人工确认。

5. 记录调用日志

建议记录以下信息：

工作流名称；
调用时间；
输入摘要；
模型名称；
token 消耗；
返回结果；
错误信息。

这样方便后续排查问题和优化成本。

十一、完整 `.env` 配置示例

下面是一个推荐的环境变量配置文件：

# DeepSeek API 配置
DEEPSEEK_API_KEY=sk-xxxxxxxxxxxxxxxx
DEEPSEEK_BASE_URL=https://api.deepseek.com
DEEPSEEK_MODEL=deepseek-chat

# 服务配置
APP_ENV=production
APP_PORT=8080
LOG_LEVEL=info

# 回调地址
MEETING_CALLBACK_URL=https://example.com/callback/meeting
TICKET_CALLBACK_URL=https://example.com/callback/ticket

# 邮件配置
SMTP_HOST=smtp.example.com
SMTP_PORT=465
SMTP_USER=robot@example.com
SMTP_PASSWORD=your-password

如果你使用 Docker，可以将 .env 文件与 docker-compose.yml 配合使用。

十二、Docker Compose 配置示例

下面是一个简化的 Docker Compose 配置，适合部署一个 DeepSeek 工作流服务。

version: "3.9"

services:
  deepseek-workflow:
    image: python:3.11-slim
    container_name: deepseek-workflow
    working_dir: /app
    volumes:
      - ./app:/app
      - ./workflow.config.yaml:/app/workflow.config.yaml
    env_file:
      - .env
    command: >
      sh -c "pip install -r requirements.txt && python main.py"
    ports:
      - "8080:8080"
    restart: unless-stopped

对应的 requirements.txt：

requests
python-dotenv
pyyaml
fastapi
uvicorn

如果你想把工作流做成 Webhook 服务，可以使用 FastAPI。

十三、FastAPI Webhook 示例

下面是一个简化版接口服务：

from fastapi import FastAPI, Request
from pydantic import BaseModel
from workflow_runner import run_workflow

app = FastAPI()

class MeetingRequest(BaseModel):
    meeting_text: str

@app.post("/webhook/meeting-summary")
def meeting_summary(req: MeetingRequest):
    result = run_workflow(
        "meeting_summary",
        {
            "meeting_text": req.meeting_text
        }
    )

    return {
        "success": True,
        "result": result
    }

class TicketRequest(BaseModel):
    ticket_content: str

@app.post("/webhook/ticket-classifier")
def ticket_classifier(req: TicketRequest):
    result = run_workflow(
        "ticket_classifier",
        {
            "ticket_content": req.ticket_content
        }
    )

    return {
        "success": True,
        "result": result
    }

启动服务：

uvicorn main:app --host 0.0.0.0 --port 8080

测试调用：

curl -X POST http://localhost:8080/webhook/meeting-summary \
  -H "Content-Type: application/json" \
  -d '{"meeting_text":"今天讨论了产品首页改版，设计周五前提交方案，研发下周评估开发周期。"}'

十四、成本优化建议

当工作流开始稳定运行后，成本控制也很重要。

1. 减少无效调用

在调用 DeepSeek 前，先判断输入是否为空、是否重复、是否过短。例如用户只输入“好的”“收到”，就不需要调用模型。

2. 分层处理

简单分类任务可以使用较短提示词和较低温度；复杂分析任务再使用更强模型。

3. 缓存结果

对于相同输入，可以缓存模型返回结果，避免重复调用。

4. 压缩上下文

长文档可以先分段摘要，再汇总摘要，而不是一次性把全部内容传给模型。

十五、常见问题

1. 为什么模型输出不是标准 JSON？

可能是提示词不够明确。建议加入：

请严格输出 JSON，不要输出任何解释、注释或 Markdown。

同时在程序中增加 JSON 解析失败后的重试逻辑。

2. 为什么总结内容会出现不存在的信息？

需要在提示词中强调：

不要编造输入中没有出现的信息。
无法判断的内容请写“未明确”。

此外，输入内容本身也要尽量清晰。

3. 工作流是否可以完全无人值守？

对于低风险场景可以，例如内部摘要、自动分类、标签生成。但对外发布、财务、法律、医疗、重大业务决策等场景，建议保留人工审核。

4. 能否同时支持多个模型？

可以。你可以在配置文件中为不同工作流设置不同模型，例如总结用 deepseek-chat，复杂推理用 deepseek-reasoner。

十六、总结

DeepSeek 工作流自动化的核心，不只是“调用一次 API”，而是把模型能力嵌入到稳定、可复用、可监控的业务流程中。一个成熟的自动化方案应当包含触发器、输入处理、提示词模板、模型调用、结果解析、后续动作和日志监控。

如果你是个人用户，可以先从会议纪要、周报生成、内容改写等简单场景开始；如果你是团队或企业，可以进一步把 DeepSeek 接入客服系统、研发流程、知识库和项目管理工具中。

本文提供的配置文件、Python 示例、n8n 配置和 Docker Compose 示例，已经覆盖了从原型到部署的关键环节。你可以在此基础上根据自己的业务需求扩展更多工作流，例如合同摘要、日报生成、销售线索分析、舆情监控、代码审查等。

真正高效的 AI 使用方式，不是让人不断适应工具，而是让工具主动进入流程。把 DeepSeek 接入自动化工作流，正是从“使用 AI”走向“让 AI 参与工作”的关键一步。

文章标签： DeepSeek 工作流自动化 API调用配置文件

上一篇：跨境电商提效实战：用 DeepSeek 搭一套会自动干活的运营流程

下一篇：把 DeepSeek 接进工作流：从 n8n 到 Python 的自动化实战配置指南

更多栏目

新闻动态

文档中心

下载中心

目录结构

全文

产品与服务

新闻帮助

生态合作

了解我们