DeepSeek 工作流自动化教程｜附配置文件

在大模型快速普及的背景下，越来越多的团队开始把 AI 接入到日常业务流程中：自动整理会议纪要、自动生成日报周报、自动回复客户咨询、自动分析数据报表、自动撰写运营文案、自动进行代码审查……这些任务本质上都有一个共同点：流程固定、重复频繁、对效率要求高。

DeepSeek 作为近年来非常受关注的大模型服务之一，具备较强的中文理解、代码生成、推理分析和内容创作能力。如果只是把它当作一个聊天工具使用，价值当然有限；但如果将 DeepSeek 接入自动化工作流平台，就可以让它成为一个稳定的“AI 执行节点”，参与到业务系统、表格、数据库、消息通知、邮件、客服系统等多个环节中。

本文将以实战方式介绍如何搭建一套 DeepSeek 工作流自动化方案，并附上可参考的配置文件。你可以根据自己的业务场景进行修改和扩展。

一、什么是 DeepSeek 工作流自动化？

所谓 DeepSeek 工作流自动化，简单来说，就是把 DeepSeek API 接入到自动化流程中，让它在特定条件触发后自动执行某些任务。

例如：

• 当用户提交表单后，自动调用 DeepSeek 总结用户需求；
• 当企业微信收到客户消息后，自动让 DeepSeek 生成回复建议；
• 当数据库新增一条投诉记录后，自动判断投诉等级并通知负责人；
• 当每天早上 9 点到达时，自动汇总昨日销售数据并生成日报；
• 当 GitHub 提交 Pull Request 后，自动调用 DeepSeek 进行代码审查；
• 当公众号文章初稿生成后，自动进行润色、标题优化和摘要提炼。

工作流自动化的关键不是让 AI 单独完成所有事情，而是把 AI 放到合适的节点中，让它与已有工具协同工作。

一个典型的 AI 工作流通常包含以下几个部分：

触发器 → 数据获取 → 数据清洗 → 调用 DeepSeek → 结果解析 → 存储/通知/执行动作

例如一个“自动生成日报”的流程可以是：

定时触发 → 查询销售数据库 → 整理数据 → DeepSeek 生成日报 → 发送到企业微信群

二、准备工作

在开始搭建之前，你需要准备以下内容。

1. DeepSeek API Key

你需要前往 DeepSeek 官方平台申请 API Key。申请完成后，请妥善保存密钥。

一般 API Key 的格式类似：

sk-xxxxxxxxxxxxxxxxxxxxxxxx

注意：不要把 API Key 直接写进公开仓库，也不要发到群聊或截图中。建议通过环境变量或配置文件进行管理。

2. 自动化平台选择

目前常见的工作流自动化工具包括：

本文将重点介绍两种方式：

1. n8n 可视化工作流方案
2. Python 脚本自动化方案

第一种适合希望快速搭建流程的用户，第二种适合需要深度定制的开发者。

三、方案一：使用 n8n 搭建 DeepSeek 自动化工作流

n8n 是一个开源的自动化工作流平台，支持 HTTP 请求、Webhook、定时任务、数据库、邮件、Slack、Telegram、企业微信等大量集成。它非常适合用来把 DeepSeek 接入业务流程。

四、使用 Docker 部署 n8n

如果你希望快速本地或服务器部署 n8n，可以使用 Docker Compose。

1. 新建项目目录

mkdir deepseek-n8n-workflow
cd deepseek-n8n-workflow

2. 创建 .env 文件

N8N_HOST=localhost
N8N_PORT=5678
N8N_PROTOCOL=http

N8N_BASIC_AUTH_ACTIVE=true
N8N_BASIC_AUTH_USER=admin
N8N_BASIC_AUTH_PASSWORD=your_strong_password

WEBHOOK_URL=http://localhost:5678/

DEEPSEEK_API_KEY=sk-your-deepseek-api-key
DEEPSEEK_API_URL=https://api.deepseek.com/chat/completions
DEEPSEEK_MODEL=deepseek-chat

说明：

• N8N_BASIC_AUTH_USER 和 N8N_BASIC_AUTH_PASSWORD 用于保护 n8n 后台；
• DEEPSEEK_API_KEY 是你的 DeepSeek 密钥；
• DEEPSEEK_MODEL 可以根据实际使用情况调整；
• 如果你部署在公网服务器，需要把 localhost 改成你的域名。

3. 创建 docker-compose.yml

version: "3.8"

services:
  n8n:
    image: n8nio/n8n:latest
    container_name: deepseek-n8n
    restart: always
    ports:
      - "${N8N_PORT}:5678"
    environment:
      - N8N_HOST=${N8N_HOST}
      - N8N_PORT=5678
      - N8N_PROTOCOL=${N8N_PROTOCOL}
      - WEBHOOK_URL=${WEBHOOK_URL}
      - N8N_BASIC_AUTH_ACTIVE=${N8N_BASIC_AUTH_ACTIVE}
      - N8N_BASIC_AUTH_USER=${N8N_BASIC_AUTH_USER}
      - N8N_BASIC_AUTH_PASSWORD=${N8N_BASIC_AUTH_PASSWORD}
      - DEEPSEEK_API_KEY=${DEEPSEEK_API_KEY}
      - DEEPSEEK_API_URL=${DEEPSEEK_API_URL}
      - DEEPSEEK_MODEL=${DEEPSEEK_MODEL}
      - TZ=Asia/Shanghai
    volumes:
      - ./n8n_data:/home/node/.n8n

4. 启动服务

docker compose up -d

启动后访问：

http://localhost:5678

输入 .env 中设置的用户名和密码，即可进入 n8n 控制台。

五、示例工作流：自动生成日报并发送到企业微信群

接下来，我们以一个常见业务场景为例：每天定时读取销售数据，让 DeepSeek 自动生成日报，然后发送到企业微信群机器人。

工作流目标

每天 18:00 自动执行以下操作：

1. 从接口或数据库获取当天销售数据；
2. 将数据整理为结构化文本；
3. 调用 DeepSeek 生成一份中文销售日报；
4. 将日报发送到企业微信群机器人。

六、n8n 节点设计

整个流程可以设计为：

Cron 定时触发
  ↓
HTTP Request 获取销售数据
  ↓
Function 整理数据
  ↓
HTTP Request 调用 DeepSeek
  ↓
Function 解析模型结果
  ↓
HTTP Request 发送企业微信通知

七、DeepSeek API 请求配置

在 n8n 中添加一个 HTTP Request 节点，用于调用 DeepSeek。

HTTP Request 节点配置

请求体示例

{
  "model": "deepseek-chat",
  "messages": [
    {
      "role": "system",
      "content": "你是一名专业的数据分析师，擅长根据销售数据生成结构清晰、重点明确的中文日报。"
    },
    {
      "role": "user",
      "content": "请根据以下销售数据生成一份销售日报，要求包含：总体概况、关键指标、异常情况、原因分析、明日建议。\n\n销售数据：{{$json.sales_summary}}"
    }
  ],
  "temperature": 0.4,
  "max_tokens": 1200
}

这里需要注意：

• temperature 建议设置为 0.2~0.5，保证输出相对稳定；
• max_tokens 控制最大输出长度；
• system 用于定义 DeepSeek 的角色；
• user 用于传入具体任务和数据；
• {{$json.sales_summary}} 是 n8n 中引用上一个节点输出数据的表达式。

八、Function 节点：整理销售数据

假设上一个 HTTP Request 节点返回的数据如下：

{
  "date": "2026-06-06",
  "total_sales": 328000,
  "order_count": 1260,
  "refund_amount": 8600,
  "new_customers": 312,
  "top_products": [
    {
      "name": "智能台灯",
      "sales": 86000
    },
    {
      "name": "蓝牙耳机",
      "sales": 74000
    }
  ],
  "channels": {
    "线上商城": 198000,
    "直播间": 86000,
    "线下门店": 44000
  }
}

可以在 n8n 的 Function 节点中写入以下代码，将数据整理成便于模型理解的文本。

const data = $json;

const summary = `
日期：${data.date}
销售总额：${data.total_sales} 元
订单数量：${data.order_count}
退款金额：${data.refund_amount} 元
新增客户：${data.new_customers}

热销商品：
${data.top_products.map((item, index) => `${index + 1}. ${item.name}：${item.sales} 元`).join('\n')}

渠道销售：
${Object.entries(data.channels).map(([channel, amount]) => `${channel}：${amount} 元`).join('\n')}
`;

return [
  {
    json: {
      sales_summary: summary
    }
  }
];

经过整理后，DeepSeek 收到的是一段清晰的业务数据，而不是杂乱的 JSON。这样做有两个好处：

1. 减少模型误解数据结构的概率；
2. 提高生成内容的可读性和稳定性。

九、Function 节点：解析 DeepSeek 返回结果

DeepSeek API 通常返回类似结构：

{
  "id": "xxx",
  "object": "chat.completion",
  "created": 1710000000,
  "model": "deepseek-chat",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "这里是生成的日报内容"
      },
      "finish_reason": "stop"
    }
  ]
}

可以使用 Function 节点提取内容：

const content = $json.choices?.[0]?.message?.content || '未能生成日报，请检查 DeepSeek 返回结果。';

return [
  {
    json: {
      report: content
    }
  }
];

十、企业微信群机器人发送配置

企业微信群机器人一般使用 Webhook 地址发送消息。你可以在群聊中添加机器人，获取 Webhook URL。

发送节点可以使用 HTTP Request。

请求配置

请求体

{
  "msgtype": "markdown",
  "markdown": {
    "content": "{{$json.report}}"
  }
}

如果你希望给日报加一个标题，可以改成：

{
  "msgtype": "markdown",
  "markdown": {
    "content": "## 今日销售日报\n\n{{$json.report}}"
  }
}

十一、完整 n8n 工作流配置文件示例

下面给出一个简化版的 n8n workflow JSON。实际使用时，你可以在 n8n 后台通过 Import Workflow 导入，然后根据自己的接口地址和企业微信 Webhook 修改。

注意：以下配置仅作为参考模板，不建议直接在生产环境中使用真实密钥。请使用环境变量或 n8n Credentials 进行管理。

{
  "name": "DeepSeek 自动生成销售日报",
  "nodes": [
    {
      "parameters": {
        "triggerTimes": {
          "item": [
            {
              "hour": 18,
              "minute": 0
            }
          ]
        }
      },
      "id": "CronTrigger",
      "name": "每日18点触发",
      "type": "n8n-nodes-base.cron",
      "typeVersion": 1,
      "position": [260, 300]
    },
    {
      "parameters": {
        "url": "https://example.com/api/sales/today",
        "method": "GET",
        "responseFormat": "json"
      },
      "id": "GetSalesData",
      "name": "获取销售数据",
      "type": "n8n-nodes-base.httpRequest",
      "typeVersion": 1,
      "position": [480, 300]
    },
    {
      "parameters": {
        "functionCode": "const data = $json;\n\nconst summary = `\\n日期：${data.date}\\n销售总额：${data.total_sales} 元\\n订单数量：${data.order_count}\\n退款金额：${data.refund_amount} 元\\n新增客户：${data.new_customers}\\n\\n热销商品：\\n${data.top_products.map((item, index) => `${index + 1}. ${item.name}：${item.sales} 元`).join('\\n')}\\n\\n渠道销售：\\n${Object.entries(data.channels).map(([channel, amount]) => `${channel}：${amount} 元`).join('\\n')}\\n`;\n\nreturn [{ json: { sales_summary: summary } }];"
      },
      "id": "FormatSalesData",
      "name": "整理销售数据",
      "type": "n8n-nodes-base.function",
      "typeVersion": 1,
      "position": [700, 300]
    },
    {
      "parameters": {
        "url": "https://api.deepseek.com/chat/completions",
        "method": "POST",
        "responseFormat": "json",
        "jsonParameters": true,
        "headerParametersJson": "{\n  \"Authorization\": \"Bearer {{$env.DEEPSEEK_API_KEY}}\",\n  \"Content-Type\": \"application/json\"\n}",
        "bodyParametersJson": "{\n  \"model\": \"deepseek-chat\",\n  \"messages\": [\n    {\n      \"role\": \"system\",\n      \"content\": \"你是一名专业的数据分析师，擅长根据销售数据生成结构清晰、重点明确的中文日报。\"\n    },\n    {\n      \"role\": \"user\",\n      \"content\": \"请根据以下销售数据生成一份销售日报，要求包含：总体概况、关键指标、异常情况、原因分析、明日建议。\\n\\n销售数据：{{$json.sales_summary}}\"\n    }\n  ],\n  \"temperature\": 0.4,\n  \"max_tokens\": 1200\n}"
      },
      "id": "CallDeepSeek",
      "name": "调用 DeepSeek",
      "type": "n8n-nodes-base.httpRequest",
      "typeVersion": 1,
      "position": [920, 300]
    },
    {
      "parameters": {
        "functionCode": "const content = $json.choices?.[0]?.message?.content || '未能生成日报，请检查 DeepSeek 返回结果。';\nreturn [{ json: { report: content } }];"
      },
      "id": "ParseDeepSeekResult",
      "name": "解析日报内容",
      "type": "n8n-nodes-base.function",
      "typeVersion": 1,
      "position": [1140, 300]
    },
    {
      "parameters": {
        "url": "https://qyapi.weixin.qq.com/cgi-bin/webhook/send?key=your-wecom-robot-key",
        "method": "POST",
        "jsonParameters": true,
        "bodyParametersJson": "{\n  \"msgtype\": \"markdown\",\n  \"markdown\": {\n    \"content\": \"## 今日销售日报\\n\\n{{$json.report}}\"\n  }\n}"
      },
      "id": "SendWeCom",
      "name": "发送企业微信",
      "type": "n8n-nodes-base.httpRequest",
      "typeVersion": 1,
      "position": [1360, 300]
    }
  ],
  "connections": {
    "每日18点触发": {
      "main": [
        [
          {
            "node": "获取销售数据",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "获取销售数据": {
      "main": [
        [
          {
            "node": "整理销售数据",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "整理销售数据": {
      "main": [
        [
          {
            "node": "调用 DeepSeek",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "调用 DeepSeek": {
      "main": [
        [
          {
            "node": "解析日报内容",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "解析日报内容": {
      "main": [
        [
          {
            "node": "发送企业微信",
            "type": "main",
            "index": 0
          }
        ]
      ]
    }
  }
}

十二、方案二：使用 Python 实现 DeepSeek 工作流自动化

如果你的场景需要更高的灵活性，比如需要复杂的数据处理、数据库查询、权限控制、任务队列和异常重试，那么使用 Python 会更合适。

下面我们实现一个简单流程：

读取业务数据 → 调用 DeepSeek → 生成日报 → 保存到文件 → 发送通知

十三、Python 项目结构

建议项目结构如下：

deepseek-workflow/
├── config.yaml
├── .env
├── main.py
├── requirements.txt
├── prompts/
│   └── sales_report.md
└── output/
    └── reports/

十四、Python 依赖配置

创建 requirements.txt：

requests==2.32.3
python-dotenv==1.0.1
PyYAML==6.0.2

安装依赖：

pip install -r requirements.txt

十五、环境变量配置

创建 .env 文件：

DEEPSEEK_API_KEY=sk-your-deepseek-api-key

生产环境中建议使用服务器环境变量、Kubernetes Secret 或 CI/CD Secret，不建议直接写在代码仓库里。

十六、业务配置文件 config.yaml

deepseek:
  api_url: "https://api.deepseek.com/chat/completions"
  model: "deepseek-chat"
  temperature: 0.4
  max_tokens: 1200

workflow:
  report_title: "每日销售日报"
  output_dir: "output/reports"
  language: "zh-CN"

notification:
  wecom_webhook: "https://qyapi.weixin.qq.com/cgi-bin/webhook/send?key=your-wecom-robot-key"

sales_data:
  date: "2026-06-06"
  total_sales: 328000
  order_count: 1260
  refund_amount: 8600
  new_customers: 312
  top_products:
    - name: "智能台灯"
      sales: 86000
    - name: "蓝牙耳机"
      sales: 74000
    - name: "机械键盘"
      sales: 52000
  channels:
    online_store: 198000
    live_stream: 86000
    offline_store: 44000

这个配置文件包含了 DeepSeek 参数、工作流参数、通知参数和模拟销售数据。在真实项目中，sales_data 可以替换为数据库查询、接口请求或数据仓库结果。

十七、提示词模板 prompts/sales_report.md

你是一名专业的数据分析师，请根据以下销售数据生成一份中文销售日报。

要求：
1. 使用正式但易读的商务表达；
2. 输出结构必须包含：总体概况、关键指标、渠道表现、热销商品、异常情况、原因分析、明日建议；
3. 如果数据不足，不要编造事实，请明确说明“当前数据不足以判断”；
4. 建议尽量具体，避免空泛表达；
5. 使用 Markdown 格式输出。

销售数据如下：

{{sales_data}}

将提示词单独放在文件中，方便后续维护和版本管理。对于企业来说，提示词其实也是业务规则的一部分，不建议散落在代码中。

十八、核心脚本 main.py

import os
import json
import yaml
import requests
from datetime import datetime
from dotenv import load_dotenv


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


def load_prompt(path="prompts/sales_report.md"):
    with open(path, "r", encoding="utf-8") as f:
        return f.read()


def format_sales_data(data):
    top_products = "\n".join(
        [f"- {item['name']}：{item['sales']} 元" for item in data.get("top_products", [])]
    )

    channels = data.get("channels", {})
    channel_text = "\n".join(
        [f"- {name}：{amount} 元" for name, amount in channels.items()]
    )

    return f"""
日期：{data.get("date")}
销售总额：{data.get("total_sales")} 元
订单数量：{data.get("order_count")}
退款金额：{data.get("refund_amount")} 元
新增客户：{data.get("new_customers")}

热销商品：
{top_products}

渠道销售：
{channel_text}
"""


def call_deepseek(config, prompt):
    api_key = os.getenv("DEEPSEEK_API_KEY")
    if not api_key:
        raise RuntimeError("未检测到 DEEPSEEK_API_KEY，请检查 .env 或环境变量配置。")

    deepseek_config = config["deepseek"]

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

    payload = {
        "model": deepseek_config["model"],
        "messages": [
            {
                "role": "system",
                "content": "你是一个严谨、专业、擅长业务分析的 AI 助手。"
            },
            {
                "role": "user",
                "content": prompt
            }
        ],
        "temperature": deepseek_config.get("temperature", 0.4),
        "max_tokens": deepseek_config.get("max_tokens", 1200)
    }

    response = requests.post(
        deepseek_config["api_url"],
        headers=headers,
        data=json.dumps(payload),
        timeout=60
    )

    response.raise_for_status()
    result = response.json()

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


def save_report(config, report):
    output_dir = config["workflow"].get("output_dir", "output/reports")
    os.makedirs(output_dir, exist_ok=True)

    date_str = datetime.now().strftime("%Y%m%d_%H%M%S")
    file_path = os.path.join(output_dir, f"sales_report_{date_str}.md")

    with open(file_path, "w", encoding="utf-8") as f:
        f.write(report)

    return file_path


def send_wecom_notification(config, report):
    webhook = config.get("notification", {}).get("wecom_webhook")
    if not webhook:
        print("未配置企业微信 Webhook，跳过通知。")
        return

    payload = {
        "msgtype": "markdown",
        "markdown": {
            "content": report[:4000]
        }
    }

    response = requests.post(webhook, json=payload, timeout=30)
    response.raise_for_status()

    print("企业微信通知发送成功。")


def main():
    load_dotenv()

    config = load_config()
    prompt_template = load_prompt()

    sales_text = format_sales_data(config["sales_data"])
    final_prompt = prompt_template.replace("{{sales_data}}", sales_text)

    print("正在调用 DeepSeek 生成日报...")
    report = call_deepseek(config, final_prompt)

    title = config["workflow"].get("report_title", "销售日报")
    full_report = f"# {title}\n\n{report}"

    file_path = save_report(config, full_report)
    print(f"日报已保存：{file_path}")

    send_wecom_notification(config, full_report)


if __name__ == "__main__":
    main()

运行：

python main.py

如果一切正常，你会看到控制台输出：

正在调用 DeepSeek 生成日报...
日报已保存：output/reports/sales_report_20260606_180000.md
企业微信通知发送成功。

十九、如何让 Python 脚本定时运行？

如果你使用 Linux 服务器，可以通过 crontab 实现定时任务。

编辑定时任务：

crontab -e

添加以下内容，表示每天 18:00 执行：

0 18 * * * cd /path/to/deepseek-workflow && /usr/bin/python3 main.py >> logs/report.log 2>&1

建议创建日志目录：

mkdir logs

这样每次执行结果都会写入 logs/report.log，方便排查问题。

二十、提示词设计建议

DeepSeek 工作流能否稳定输出高质量结果，很大程度取决于提示词设计。与普通聊天不同，自动化流程中的提示词需要更明确、更结构化。

1. 明确角色

例如：

你是一名拥有 10 年经验的销售数据分析师。

角色不是为了“装饰”，而是为了约束模型的语气、视角和输出重点。

2. 明确输入

不要只写：

帮我写日报。

而应该写：

请根据以下销售数据生成日报，数据包括销售额、订单数、退款金额、新增客户、热销商品和渠道销售情况。

3. 明确输出结构

例如：

请按以下结构输出：
1. 总体概况
2. 关键指标
3. 异常情况
4. 原因分析
5. 明日建议

结构越明确，自动化解析越容易。

4. 明确禁止事项

例如：

如果数据不足，请说明数据不足，不要编造原因。

这一点在业务自动化中非常重要。AI 输出可以帮助判断，但不应该凭空生成事实。

二十一、生产环境注意事项

如果你计划把 DeepSeek 工作流用于生产环境，需要重点关注以下问题。

1. API Key 安全

不要把 API Key 写死在代码中，也不要上传到 GitHub。推荐使用：

• 环境变量；
• Docker Secret；
• Kubernetes Secret；
• 云平台密钥管理服务；
• n8n Credentials。

2. 错误重试

DeepSeek API 或外部系统接口可能出现网络波动。建议增加重试机制，例如：

• 请求失败后重试 3 次；
• 每次重试间隔递增；
• 超过重试次数后发送告警；
• 记录失败日志。

3. 成本控制

如果工作流频繁调用模型，需要控制输入长度和调用次数。可以考虑：

• 对原始数据先做摘要；
• 限制最大 token；
• 对重复内容进行缓存；
• 只在必要条件满足时调用 DeepSeek。

4. 输出校验

对于关键业务场景，不能直接相信模型输出。建议增加校验逻辑：

• 是否包含指定字段；
• 是否符合 JSON 格式；
• 是否存在敏感词；
• 是否引用了不存在的数据；
• 是否超出业务权限范围。

5. 人工审核

在营销文案、客户回复、合同分析等场景中，建议增加人工审核节点。AI 可以生成建议，但最终发送或执行前由人工确认，可以显著降低风险。

二十二、更多可扩展场景

掌握上述方法后，你可以将 DeepSeek 接入更多工作流。

1. 客服自动回复

客户消息 → DeepSeek 判断意图 → 检索知识库 → 生成回复 → 人工确认/自动发送

2. 会议纪要生成

录音转文字 → DeepSeek 总结会议纪要 → 提取待办事项 → 发送给参会人

3. 舆情监控

抓取社媒评论 → DeepSeek 判断情绪倾向 → 分类风险等级 → 通知运营团队

4. 代码审查

Git 提交 → 获取 Diff → DeepSeek 分析潜在问题 → 输出 Review 建议

5. 内容运营

选题库 → DeepSeek 生成大纲 → 生成初稿 → SEO 优化 → 发布前审核

二十三、推荐的工作流设计原则

在实际项目中，不建议一开始就设计非常复杂的 AI Agent 系统。更稳妥的方法是从简单、明确、可控的流程开始。

建议遵循以下原则：

1. 先自动化重复任务，再自动化复杂判断
   例如先做日报、摘要、分类，再做决策建议。

2. 先让 AI 辅助人，再让 AI 自动执行
   例如先生成客服回复建议，由人工确认后再发送。

3. 输入要结构化，输出也要结构化
   结构化程度越高，流程越稳定。

4. 保留日志和中间结果
   出错时可以定位是数据问题、提示词问题，还是模型返回问题。

5. 持续优化提示词和配置
   工作流上线后要根据实际输出效果迭代，而不是一次写完就不管。

二十四、总结

DeepSeek 工作流自动化的核心价值，不是简单地“让 AI 写一段话”，而是把大模型能力嵌入到真实业务流程中，让它在合适的时间处理合适的数据，并把结果交付给合适的人或系统。

本文介绍了两种常用实现方式：

• 使用 n8n 搭建可视化自动化流程；
• 使用 Python 编写可定制的自动化脚本。

同时提供了以下配置示例：

• Docker Compose 部署配置；
• .env 环境变量配置；
• n8n 工作流 JSON；
• Python 项目配置 config.yaml；
• 提示词模板；
• Python 自动化脚本；
• crontab 定时任务配置。

如果你是运营、产品或业务团队，可以优先从 n8n 方案开始，用低代码方式快速验证效果；如果你是开发者或工程团队，可以选择 Python 方案，将 DeepSeek 深度集成到数据库、消息队列、内部系统和权限体系中。

真正高质量的 AI 自动化，不是追求“全自动”，而是追求稳定、可控、可评估、可迭代。当你把触发条件、数据输入、提示词、模型调用、结果校验和通知机制都设计清楚后，DeepSeek 就不只是一个聊天助手，而会成为团队工作流中高效可靠的智能节点。