摘要：前段时间做了在项目中引入ai助手，可以实现直接通过对话指令实现三维渲染或操作，并且还能做一些基础聊天。现对完成过程做一个回忆。主要记录比较简单的调通过程，有未提及或不对的地方，望大家指出。也希望对你有所帮助。

1.直接使用deepseek线上服务-付费

（这个主要是我一开始熟悉一下流程，付费的deepseek也可以在下文本地部署中使用，免费服务请直接看目录第二条dify的使用）

API文档地址：首次调用 API | DeepSeek API Docs

个人使用DeepSeek-V3,小充了几元做调试用（根本用不完😂）

官网价格如下：

具体用量计算和离线计算代码也给出了

开始操作：

a.首先从文档进入充值界面

b.充值后创建apikey

c.拿到apikey就可以直接调用了。前端不能直接调用，会受到限制出现跨域，因此需要后端做代理，这里用node.js做一个最简化的代理，来调试。（下示例中提示词内容仅仅是测试用，实际项目中需要更精准、具体和详细的描述，让ai能够完全按照规范回答 ）

var express = require("express");
const cors = require("cors");
const axios = require("axios");
const bodyParser = require("body-parser");
var app = express();
const honstName = "localhost";
const port = 8080;
const deepkey = "sk-0000000000000000000000000000000"; // 你的apikey
// 这里选择对话补全/chat/completions（根据输入的上下文，来让模型补全对话内容）
const deepSeekBaseUrl = "https://api.deepseek.com/v1/chat/completions";

app.use(cors());
app.use(bodyParser.urlencoded({ extended: true }));
app.use(bodyParser.json());

app.post("/api/deepseek", async (req, res) => {
  try {
    const response = await axios.post(
      deepSeekBaseUrl,
      {
        model: "deepseek-chat", // 选用DeepSeek-V3模型
        messages: [
          {
            role: "system", // 这个角色可以理解为提示词
            content:
              '你是一个任务解析助手。当用户输入与移动或定位相关的指令时，回复动作 "move" 和动作对象；当用户输入与选中相关的指令时，回复动作 "select" 和动作对象。对象中的符号保留。输出格式为标准JSON，例如：{"action": "move", "target": "设备1", "message": ""}。如未识别到上述指令，输出：{"action": "unknown", "target": "", "message": ""}。其中message为你自定义回答，非指令内容则给与回应，指令类则回复："暂不支持当前指令！"',
          }, // 可以限制ai回复格式，方便前端填入自己的对话框以及三维操作
          { role: "user", content: req.body.input }, // 此处为用户输入的对话或指令
        ],
        stream: false, // 是否以流式发送消息增量，个人项目需要完整的回复，才能明确三维操作设为false
        temperature: 0.2, // 结果多样性和随机性控制，数值越小越严谨,越大越发散
        max_tokens: 50, // 限制生成tokens数量，介于 1 到 8192 间的整数
      },
      {
        headers: {
          Authorization: `Bearer ${deepkey}`,
          "Content-Type": "application/json",
        },
      }
    );
    console.log("结果", response.data);
    res.json(response.data);
  } catch (error) {
    console.log("错误", error);
    res.status(500).json({ error: error.message });
  }
});

app.listen(port, honstName, () => {
  console.log(`test Server running at http://${honstName}:${port}`);
});

d.接下来由前端访问node代理接口/api/deepseek,即可得到ai的回复(以下做简单示例)

const sendMessageBtn = document.getElementById('sendMessageBtn')
const chatBox = document.getElementById('chatBox')
const resultBox = document.getElementById('resultBox')
const fetchDeepSeekData = async (inputData) => {
  try {
      const response = await axios.post('http://localhost:8080/api/deepseek', {
        input: inputData
      });
      return response.data;
  } catch (error) {
      console.error('Error fetching data from DeepSeek:', error);
      throw error;
  }
};

sendMessageBtn.addEventListener('click', async () => {
  resultBox.value = "正在请求DeepSeek服务"
  if(chatBox.value)
  {
    const res = await fetchDeepSeekData(chatBox.value)
    resultBox.value = res
  }
})

2. 使用本地部署的dify（deepseek、llama、）-付费 / 免费 

部署dify的流程，我是完全按照大佬的来，直接跳转：保姆教程篇：手把手教你从零开始本地部署Dify工作流-CSDN博客

在部署过程，类似于WSL更新、docker下载组件或者llama模型下载可能会卡住，这个时候大概是需要科学上网。

或者有部分可通过docker添加镜像来解决：(可添加多个，示例是我找到的一个能用的)

"registry-mirrors": [
    "https://docker.1ms.run"
  ]

接下来开始操作（分为本地模型和线上模型）

A.本地模型（以llama3.2为例）

a.首先下载Ollama(其中支持llama、deepseek-r1等多个模型),下载好直接双击安装即可

上链接：Ollama

b.下载模型。如下图不同大小的模型（越大越好使,根据部署的电脑硬件情况选择）后面命令复制

示例：我安装的llama3.2，打开cmd然后ollama run llama3.2

安装好之后就直接可以开始对话;本地浏览器访问http://localhost:11434/能看到运行状态

默认端口就是11434

c.接下来配置dify

点击头像-设置-模型供应商-安装（如下两张图）（有的供应商下载需要时间，没出来就稍微等一等吧）

然后配置模型：点击添加模型，配置如下（主要是名称和地址，地址是你的ip加端口（ip可cmd通过ipconfig查看）,其他可默认）

d.完成之后就可以开始使用了：

创建空白应用，对话就选聊天助手，然后添加提示词，点击右上角发布就可以开始对话了

在这里可进行一些参数配置（编排界面右上角，发布旁边）

如图所示是一个简单示例，指令类回复正常，但是非指令，就没有按照unknown回答。

主要问题有二：1.指令描述不够准确、详细，没有给出更具体示例；（下文讲通过知识库优化了一下会好些）2.这个模型只有2g多，ai本身就很有限。又对比了deepseek r1还是付费的deepseek chat好用

e.接下来就是api服务了

在添加的工作室内，点击监测，可以看到有提供的公开访问聊天地址和API服务，点击API密钥创建apikey,以及文档。监测上还有接口访问日志

f.前端调用

fetchDeepSeekData = async (inputData) => {
    try {
      const response = await axios.post(
        'http://ip.ip.ip.ip/v1/chat-messages', // 中间是本机ip，chat-messages是对话
        { // 参数在文档中都有解释,就不详讲
          inputs: {},
          query: inputData, // 用户输入内容
          response_mode: "blocking", // blocking阻塞式；streaming流式
          conversation_id: "",
          user: "abc-123",
        },
        {
          headers: {
            Authorization: `Bearer ${this.deepseekKey}`, // 创建的apikey
            "Content-Type": "application/json",
          },
        }
      );
      console.log("DeepSeek response:", response.data);
      return response.data;
    } catch (error) {
      console.error("Error fetching data from DeepSeek:", error);
      Message({
        type: "danger",
        message: error,
      });
      $(".assistant_talk_content").text("出错了，请稍后重试");
      $(".wave_container").css("opacity", 0);
    }
  };

B.线上模型(前端调用和本地模型是一样的，配置也类似，参考本地模型流程)

1.模型：可以接入上文购买的deepseek付费模型，以及推荐的‘硅基流动’（SiliconCloud）供应商，

如下图包含了deepseek、llama、Qwen2等六十多个开源模型

注册免费获取apikey,模型广场中有很多免费模型和折扣模型。获取apikey之后即可在dify中添加模型

上链接：Models

2.知识库

设置：主要是关于检索的嵌入模型，我这下拉里只有硅基流动的几个模型，不能用deepseek和llama（这就是为啥知识库放在这里讲）,我这有的选就没深研究这块，有其他大佬发文解释的，有需要可以搜索看看

上传知识库文档后，有部分地方需要优化，让ai回复更准确、召回准确度更高

1>分段

上传之后会自动分段，但是分段效果不太理想，有的一个内容会被斩断

还是需要手动对内容进行分割

2>关键词

同样的问题，自动生成的关键词会有不完整、无用关键词等问题，手动填写有助于提高召回的准确率

总：以上就是关于前端项目引入ai的简单流程跑通，希望有所帮助或启发