【华为开发者空间 x DeepSeek】｜基于华为云开发者空间云主机一键快速部署Dify-LLM应用开发平台实战，打造电商类数据智能分析师AI Agent智能体

华为开发者空间介绍：

华为开发者空间，是为全球开发者打造的专属开发者空间，致力于为每位开发者提供一台云主机、一套开发工具和云上存储空间，汇聚昇腾、鸿蒙、鲲鹏、GaussDB、欧拉等华为各项根技术的开发工具资源，并提供配套案例指导开发者 从开发编码到应用调测，基于华为根技术生态高效便捷的知识学习、技术体验、应用创新。

免费领取开发者空间云主机

→ PC端
→ 移动端

前言：

随着人工智能AI技术的迅速发展，各大厂商大语言模型不断涌现，中小型企业与开发者对于AI模型的需求也是越来越多样化，这里给大家推荐一款以华为云推出的 ModelArts Studio 大模型即服务平台，在平台上开通 DeepSeek-V3-32K 和 DeepSeek-R1-32K 商用服务的大模型，可以极大的以低门槛、高效率的方式接入并应用强大的大模型，成为了众多中小型企业和AI开发者的关注焦点。

一、华为开发者空间介绍：

华为开发者空间，是为全球开发者打造的专属开发者空间，致力于为每位开发者提供一台云主机、一套开发工具和云上存储空间，汇聚昇腾、鸿蒙、鲲鹏、GaussDB、欧拉等华为各项根技术的开发工具资源，并提供配套案例指导开发者 从开发编码到应用调测，基于华为根技术生态高效便捷的知识学习、技术体验、应用创新。

• ①. 华为开发者空间为广大开发者提供的一站式开发者服务平台，为开发者提供全方位的技术支持和服务，帮助开发者更高效地开发和部署应用。
• ②. 在华为开发者空间，开发者可以享受到丰富的开发者工具、开发者社区、技术文档、培训课程、技术支持等服务，帮助开发者快速构建高质量的应用。
• ③. 华为开发者空间还提供了多种云服务，如云服务器、云数据库、云存储等，为开发者提供一站式的云计算解决方案。

1.1 华为开发者空间案例介绍：

以在“华为开发者空间”中的云主机为基础搭建Dify-LLM应用平台，为了更好的使用“华为云开通的ModelArts Studio 大模型即服务平台DeepSeek-V3-32K 和 DeepSeek-R1-32K 商用服务的大模型”和Dify功能，本案例中，我们将在华为开发者空间提供的云主机中安装Dify并进行探索相关功能展示。

1.2 华为云空间核心功能演示：

在华为开发者空间，华为云为每个新生态的开发者免费提供一台云主机，每位开发者每年可享有数百小时的云主机使用时长。

云主机预集成CodeArts IDE、代码仓及JDK、Python等运行时插件，解决本地开发环境中配置复杂、稳定性不足和依赖等问题，为开发者提供性能强大、安全、稳定、高效的开发环境，应用场景：

• ①. 个人开发者：为开发者提供丰富的开发工具，支持开发者应用构建；
• ②. 高校师生：支持教师开课、设计实验项目，学生学习课程及开发实践；
• ③. 开源共创：开发者进行开源适配和开发，完成项目并发布开源仓库和云商店，获得开源激励。

默认机器配置是4核8G的配置，这里我们选择安装Ubuntu 24.04的镜像安装包，点击安装成功后，可以通过两种不同的远程访问方式，主要区别体现在连接目的、交互界面、适用场景和技术实现上：

• ①. 进入桌面：为开发者提供丰富的开发工具，支持开发者应用构建。
• 通过图形化界面远程操作目标计算机的完整桌面环境（如Windows、macOS或Linux桌面）。
• 用户看到的界面与本地操作相同，可运行图形软件、编辑文件等。
• 典型工具：Windows远程桌面（RDP）、第三方软件（向日葵、TeamViewer）。
  ‌ - 适用场景‌：远程办公、技术支持、图形化运维。‌
• ②. 进入远程终端：支持教师开课、设计实验项目，学生学习课程及开发实践。
• 通过命令行界面（CLI）远程登录目标设备，仅支持文本指令操作（如Linux的SSH、Windows的Telnet）。
• 无图形界面，只能执行命令、查看文本输出。
• 典型协议：SSH（安全）、Telnet（明文传输，不安全）。
  ‌ - 适用场景‌：服务器运维、网络设备配置、批量脚本执行。‌

1.3 华为云主机安装Dify教程：

这里可以在Ubuntu系统中，直接安装docker和docker-compose，然后使用-v命令来查看是否安装成功，也可以直接配置一下加速器。

接下来我们下载dify的链接，可以提示fatal无法访问这个连接，提示“Couldn’t connent to server”，试了几次了都没法成功，那我只能在本地下载这个包下来，然后，上传到开发者云空间中，但是使用wget和curl等相关命令都不可以下载这个云空间的连接，我们只能通过“进入桌面”的方式，从火狐浏览器进行下载成功。

在火狐浏览器下载完成后，我们再切回到远程终端上，在Downloads目录下面进行解压，我们进入解压的目录中，再到docker目录下面执行docker-compose up -d命令即可下载镜像，最后就会全部起来起来，接下来，就可以使用Dify来进行使用了。

三、案例介绍 - 什么是Dify？

Dify是一个开源的大语言模型（LLM）应用开发平台，旨在简化和加速生成式AI应用的创建和部署。该平台结合了后端即服务（Backend as Service, BaaS）和LLMOps的理念，为开发者提供了 一个用户友好的界面和一系列强大的工具，使他们能够快速搭建生产级的AI应用。

Dify 是一个用于构建 AI 应用程序的开源平台，Dify融合了后端即服务（Backend as Service）和LLMOps理念。它支持多种大型语言模型，如Claude3、OpenAI等，并与多个模型供应商合作，确保开发者能根据需求选择最适合的模型。Dify通过提供强大的数据集管理功能、可视化的Prompt编排以及应用运营工具，大大降低了AI应用开发的复杂度。

在Dify平台上，通过选择模型、编写提示、添加工具与知识库、配置推理模式及对话开启器，最后进行调试预览并发布为Webapp，实现Agent的创建与部署。

四、什么是DeepSeek？

在人工智能飞速发展的当下，新的AI工具如雨后春笋般不断涌现，DeepSeek便是其中备受瞩目的一颗新星。DeepSeek 是由杭州深度求索人工智能基础技术研究有限公司（DeepSeek AI）推出的人工智能助手工具，其核心是基于大语言模型（LLM）技术构建的智能应用系统，定位为开放、高效、多能的AI助手平台。

与传统AI应用不同，DeepSeek采用深度学习和高效的神经网络技术，极大地提升了回应速度和内容质量。用户只需简单描述需求，它便能生成多样化且富有创意的内容，彻底改变了人们与AI的互动方式。

五、初识ModelArts Studio平台：

ModelArts Studio 是华为云面向大模型应用推出的一站式 AI 平台，提供模型即服务（Model as a Service, MaaS）能力，平台构建了全栈全生命周期的模型开发与部署工具链，旨在帮助开发者和企业用户快速实现大模型的落地应用。

5.1 什么是ModelArts Studio？

“ModelArts Studio平台”提供了丰富的模型选择、灵活的推理接口、统一的API调用方式，以及完整的统计与监控系统，使AI的开发、测试与部署变得前所未有地高效和便捷。我们可以借助 ModelArts Studio，用户无需准备模型、训练模型、测试模型，可以直接访问华为云内置的大模型服务，包括语言模型、图像模型等。

5.2 访问ModelArts Studio：

我们在登录与注册华为云账户后，先进行实名制认证，再点击“ModelArts Studio 官方页面”进入平台首页，在这里可以点击“ModelArts Studio控制台”进入大模型推理入口。

进入首页后，有一个弹框授权的同意，点击“已阅读”即可，然后，在左侧导航栏中选择“模型推理” -> “在线推理”选项栏。这里平台展示5种可供使用的预置大模型。其中“商用服务”，可以看到 DeepSeek-V3-32K 和 DeepSeek-R1-32K 在内的多个模型。

这里可以根据自己需求进行开通，我这里选择V3版本的模型，系统将自动弹出商用服务开通界面，开通即可。

在新弹出的开通服务窗口中，我们可以勾选需要开通的模型服务。本次笔者选择了 DeepSeek-V3-32K 和 DeepSeek-R1-32K 两个模型。

随后，阅读并勾选同意服务使用条款，点击“开通服务”按钮，我这里选择V3版本的模型，不过，要预先冲10块钱，因为是付费的产品，如果不预计充值，避免测试过程中出现部署失败等问题，需确保华为云账号余额大于10元。

5.3 在线模型体验：

在开通ModelArts Studio模型后，我们可以直接使用“在线体验”来进行测试，也可以支持通过API接口集成到其他系统或产品中，这里的调用方式上非常灵活，非常方便集成。

在DeepSeek-V3-32K模型开通成功后，点击“在线体验”即可看到已开通的 DeepSeek 模型，可以通过对话即可开始与模型进行自然语言的AI交流。可以看到整个响应过程非常流畅，在我们输入问题后模型基本在1-2秒内可以完成回复，表现非常的不错。

5.4 API调用与集成：

ModelArts Studio 提供了详尽的 API 文档与示例，包括请求参数、返回结构、错误码说明等，适用于开发者将模型集成进自己的应用程序中。

通过访问平台自动生成的 API 地址，只需配置 token 与模型 ID，即可实现代码级调用，支持 Python、JavaScript、Java 等多种语言。每次请求与返回均可在平台控制台查看详细日志，并有调用次数和消耗额度的实时统计功能，方便管理和优化调用策略。

API 还支持配置上下文窗口长度、温度参数、top_p 等选项，以适应不同类型的生成任务，非常适合需要高自定义度的应用场景。

六、华为云云主机一键部署Dify平台：

6.1 初始化账号并登录Dify平台首页：

上个文章里面，有详细讲解如何基于华为云云主机一键部署Dify平台部署完成后，在输出的资源信息中点击Dify平台的IP相关的访问地址，在第一次访问需设置管理员账户信息，管理员拥有最大的权限，可用于创建应用和管理应用，接下来通过设置的邮箱账号登录Dify平台即可。

登录后，即可进入Dify的工作平台界面，Dify的一个“应用”指基于LLM构建的实际场景应用，通过创建应用，可将智能 AI 技术应用于特定的需求，它既包含了开发 AI 应用的工程范式，也包含了具体的交付物，一个应用为开发者交付：

• ①. 封装友好的 API，可由后端或前端应用直接调用，通过 Token 鉴权。
• ②. 开箱即用、美观且托管的 WebApp，你可以 WebApp 的模版进行二次开发。
• ③. 一套包含提示词工程、上下文管理、日志分析和标注的易用界面。

6.2 Chatflow工作流：

在Dify首页的平台页面，选择创建“空白应用”，在应用类型这里可以选择并选择“Chatflow”类型的工作流创建模式。

“Chatflow”可以支持记忆的复杂多轮对话工作流，该类型支持多节点的对话式流程配置，适合处理自然语言理解、代码执行、数据分析等复杂任务。

这里为了很好的方便用户的使用，可以在开始的步骤这里增加2个引导对话的开场白，这里我们配置三个问题：

• ①. 查询所有的订单商品。
• ②. 查询所有的商品类型。
• ③. 查询所有的订单总价格。

6.3 工具使用 - 获取当前系统时间：

在“开始”节点后面，可以新增一个工具“获取时间戳”，可以方便后面查询使用，可以很好的获取当前的时间戳是多少，好基于一个某个时间段来进行查询。

添加完工具“获取当前时间”后，点击详情中，可以在时区这里修改选择到“亚洲/上海”这个时区，但是这里好像没有北京的时区。

6.4 添加LLM模型：

在“获取当前时间”节点之后，我们可以增加一个“LLM节点”，这里可以看到没有设置模型，我们可以开通“ModelArts Studio_MaaS_大模型即服务_华为云”之前开通DeepSeek-V3/R1商用服务。

在右上角点击“设置”后，可以在左侧的“工作空间”中，看到“模型供应商”，这里可以我们找到“OpenAI-API-compatible”这个模型供应商是可以兼容OpenAI API的模型供应商的，我们点击“安装”即可。

在安装成功后，可以看到在模型列表中的“待配置”中，会显示“OpenAI-API-compatible”这个模型供应商，点击“添加模型”时，可以增加“ModelArts Studio_MaaS_大模型即服务_华为云”之前开通DeepSeek-V3/R1商用服务模型。

在添加“OpenAI-API-compatible”弹框中，这里有一些选项，我们可以看到有模型类型、模型名称、模型显示名称、API Key、API endpoint URL、API endpoint中的模型名称等信息。

在“ModelArts Studio_MaaS_大模型即服务”的控制台中，在“模型推理” -> “在线推理”中找到我们需要添加的模型，点击“调用说明”按钮。

在“调用说明”弹框中，这里表示可以通过其它的方式来进行调用，这里有2项：

• ①. Rest API：REST（Representational State Transfer）是一种基于 Web 标准的软件架构风格，通过 HTTP 协议操作资源（如数据实体），使用统一接口设计实现客户端与服务器的通信。
• ②. OpenAI SDK：OpenAI SDK 是一套由 OpenAI 官方提供的软件开发工具包，本质是让开发者能快速调用各类 AI 能力的「工具箱」。它不是单个工具，而是集成文本生成、图像创作、语音识别等功能的统一接口，开发者只需几行代码就能嵌入 AI 功能到自己的应用中。

打开“OpenAI SDK”的选项页面，我们可以看到模型名称（一定要填写对，刚开始没填写对，弄了好久才好）、模型API地址，那么我们可以来添加API Key，点击“API Key管理”跳转到API Key管理页面。

创建好API Key后，这里需要注意一下，API Key创建后只能显示一次，后面就不会再显示了，需要保存好，如果是企业这种账号的话，更应该注意安全的保护。

接下来就是把模型类型、模型名称、模型显示名称、API Key、API endpoint URL、API endpoint中的模型名称添加进来即可，可以看到右下角就把DeepSeek-v3这个模型添加成功，就可以在后面进行使用了。

6.5 定义LLM提示词：

在添加的LLM节点后，我们可以看到有System选项中，可以添加一些提示词，表示添加一个订单data_orders订单信息表，里面有一些字段，那么，我们可以使用LLM大模型帮我根据这个订单表的信息，生成10条不同的SQL查询语句。

### 角色
你是一个专业的SQL生成工具，需要根据用户生成标准的mysql库的SQL。    
### 任务
请根据以下问题生成 JSON 格式的 SQL 查询数组：
表名：data_orders（订单信息表）
字段说明：
- id: 主键
- order_id: 订单号
- goods_name: 商品名称
- cate_name: 高品分类
- price: 价格
- num: 数量
- status: 订单状态
- created_at: 订单创建时间
- updated_at: 订单更新时间
### 系统参数
当前时间：{{#1750579193762.text#}}

### 要求：
1. 根据用户提出的问题，生成 JSON 格式的 SQL 查询数组。
2. 每条 SQL 查询必须与问题直接相关，并从不同维度分析数据。
3. 生成的SQL最多10个。
4. 将所有生成的 SQL 查询封装到一个 JSON 数组中。
5. 确保 SQL 查询语法正确，并考虑性能优化。
6. 输出必须以 ```json 开始。
7. 如果问题涉及多个统计维度，请分别生成对应的子查询。
8. 涉及全量的应查询SQL以订单聚合。

26.6 代码执行节点探索：

Dify的代码执行功能主要通过工作流中的‌代码执行节点‌实现，开发者可在沙箱环境中运行自定义Python逻辑，同时严格限制文件系统访问和网络请求等敏感操作。

必须定义main函数作为入口，输入参数对应工作流中的变量名，返回值需为字典且键名匹配输出变量声明。例如处理JSON数据时，函数内部需导入pandas等模块并返回结构化结果。

import re
import json

def main(arg1: str) -> dict:
    try:
        # 使用正则表达式提取被 ```json 和 ```包裹的内容
        match = re.search(r'```json\s*([\s\S]*?)\s*```', arg1)
        if not match:
            return {
                "result": [{},{}]
            }
        
        # 提取 JSON 字符串
        json_str = match.group(1).strip()
        
        # 将 JSON 字符串解析为 Python 字典
        result_dict = json.loads(json_str)
        return {
            "result" : result_dict 
        }
    except Exception as e:
        # 如果解析失败，打印错误信息并返回默认输出
        return {
            "result": []
        }

这里有一个坑的地方，就是使用dify调试工具不成功，但是使用自己的python代码是成功的，以下是上一个LLM根据数据库分析的结果来进行匹配：

{
  "text": "```json\n[\n    {\n        \"query\": \"SELECT COUNT(*) AS total_orders FROM data_orders;\",\n        \"description\": \"查询总订单数量\"\n    },\n    {\n        \"query\": \"SELECT SUM(price * num) AS total_revenue FROM data_orders;\",\n        \"description\": \"计算总销售额\"\n    },\n    {\n        \"query\": \"SELECT cate_name, COUNT(*) AS order_count FROM data_orders GROUP BY cate_name ORDER BY order_count DESC;\",\n        \"description\": \"按商品分类统计订单数量\"\n    },\n    {\n        \"query\": \"SELECT status, COUNT(*) AS status_count FROM data_orders GROUP BY status ORDER BY status_count DESC;\",\n        \"description\": \"按订单状态统计订单数量\"\n    },\n    {\n        \"query\": \"SELECT goods_name, SUM(num) AS total_quantity FROM data_orders GROUP BY goods_name ORDER BY total_quantity DESC LIMIT 10;\",\n        \"description\": \"查询销量前十的商品\"\n    },\n    {\n        \"query\": \"SELECT DATE(created_at) AS order_date, COUNT(*) AS daily_orders FROM data_orders GROUP BY order_date ORDER BY order_date DESC LIMIT 7;\",\n        \"description\": \"查询最近7天的每日订单数量\"\n    },\n    {\n        \"query\": \"SELECT HOUR(created_at) AS hour_of_day, COUNT(*) AS hourly_orders FROM data_orders GROUP BY hour_of_day ORDER BY hour_of_day;\",\n        \"description\": \"按小时统计订单数量\"\n    },\n    {\n        \"query\": \"SELECT cate_name, SUM(price * num) AS category_revenue FROM data_orders GROUP BY cate_name ORDER BY category_revenue DESC;\",\n        \"description\": \"按商品分类统计销售额\"\n    },\n    {\n        \"query\": \"SELECT AVG(price) AS avg_price, AVG(num) AS avg_quantity FROM data_orders;\",\n        \"description\": \"计算平均商品价格和平均购买数量\"\n    },\n    {\n        \"query\": \"SELECT COUNT(DISTINCT order_id) AS unique_orders FROM data_orders;\",\n        \"description\": \"查询唯一订单数量\"\n    }\n]\n```",
  "usage": {
    "prompt_tokens": 273,
    "prompt_unit_price": "0",
    "prompt_price_unit": "0",
    "prompt_price": "0",
    "completion_tokens": 462,
    "completion_unit_price": "0",
    "completion_price_unit": "0",
    "completion_price": "0",
    "total_tokens": 735,
    "total_price": "0",
    "currency": "USD",
    "latency": 12.396073523996165
  },
  "finish_reason": "stop"
}

这里可以使用dify自带的调试工具来进行调试，在进行“预览”的环节，可以拿到LLM上个模型产出的返回值（如上面），但是拿到“代码执行”节点进行调试时，发现输入的参数没有效果，并没有把result结果解析出来。

可以看到我们将上面相同的代码，放到IDE中是完全可以匹配结果的，这里我排错了很久，希望大家也可以多注意一下，可以看到这里是没有结果的，但是代码确实没问题，我用IDE尝试过了，而且在预览环节也没问题。

所以在这个“代码执行”节点执行返回结果是这个样子：

{
  "result": [
    {
      "query": "SELECT COUNT(*) AS total_orders FROM data_orders;",
      "description": "查询总订单数量"
    },
    {
      "query": "SELECT SUM(price * num) AS total_revenue FROM data_orders;",
      "description": "计算总销售额"
    },
    {
      "query": "SELECT cate_name, COUNT(*) AS order_count FROM data_orders GROUP BY cate_name ORDER BY order_count DESC;",
      "description": "按商品分类统计订单数量"
    },
    {
      "query": "SELECT status, COUNT(*) AS status_count FROM data_orders GROUP BY status ORDER BY status_count DESC;",
      "description": "按订单状态统计订单数量"
    },
    {
      "query": "SELECT goods_name, SUM(num) AS total_quantity FROM data_orders GROUP BY goods_name ORDER BY total_quantity DESC LIMIT 10;",
      "description": "查询销量前十的商品"
    },
    {
      "query": "SELECT DATE(created_at) AS order_date, COUNT(*) AS daily_orders FROM data_orders GROUP BY order_date ORDER BY order_date DESC LIMIT 7;",
      "description": "查询最近7天的每日订单数量"
    },
    {
      "query": "SELECT HOUR(created_at) AS hour_of_day, COUNT(*) AS hourly_orders FROM data_orders GROUP BY hour_of_day ORDER BY hour_of_day;",
      "description": "按小时统计订单数量"
    },
    {
      "query": "SELECT cate_name, SUM(price * num) AS category_revenue FROM data_orders GROUP BY cate_name ORDER BY category_revenue DESC;",
      "description": "按商品分类统计销售额"
    },
    {
      "query": "SELECT AVG(price) AS avg_price, AVG(num) AS avg_quantity FROM data_orders;",
      "description": "计算平均商品价格和平均购买数量"
    },
    {
      "query": "SELECT COUNT(DISTINCT order_id) AS unique_orders FROM data_orders;",
      "description": "查询唯一订单数量"
    }
  ]
}

6.7 迭代节点：

上面我们是通过LLM生成的10条SQL语句，再通过代码执行，可以得到10条数组结构的一个数据结构，那我们想通过SQL查询器，将每一条SQL去执行，再返回相关的结果，此时，可以使用到迭代节点。

在 Dify 中，‌迭代节点‌专指工作流中对一组数据执行循环处理的逻辑单元，其核心价值在于‌避免重复配置相同操作节点，实现对批量数据的自动化遍历与处理‌。

6.8 循环处理机制：

迭代节点会自动识别输入数据（如列表、数组），逐项执行子工作流中的节点逻辑。例如批量处理 10 个 URL 链接时，只需在迭代节点内配置单次链接分析逻辑（如调用 LLM 生成摘要），系统即可自动循环处理所有链接并输出聚合结果，这种设计大幅减少了重复节点的拖拽操作，尤其适用于数据清洗、多源信息提取等场景。

‌批量生成上传 10 份SQL至工作流，通过迭代节点触发 LLM 对每个SQL的查询，最终返回结构化数据。

‌本质上，迭代节点是复杂工作流的“压缩机”‌——它将重复性任务折叠进循环结构，既降低流程图的视觉复杂度，又通过自动化遍历提升数据处理效率：

• ①. 上下文继承‌：每次循环继承上游节点的变量（如用户 ID、操作权限），确保子流程在统一上下文中运行。
  ‌- ②. 结果聚合优化‌：输出结果自动合并为数组格式，下游节点可直接调用（如将迭代生成的多个摘要传入变量聚合器节点）。
• ③. ‌循环中断控制‌：支持设置最大迭代次数或条件判断（如遇失败条目自动停止），避免资源浪费。

九、总结：

今天主要通过“华为云云空间主机快速搭建Dify-LLM应用开发平台的技能”， 基于Dify平台开发AI Agent的完整流程实现了基于 Text2SQL 的 Dify 工作流，借助 Dify 平台实现自然语言到 SQL 查询的转换，并进行数据库查询与图表生成。

本文详细的介绍了整个工作流的实现步骤，包括工作流的制作，如添加对话开场白、获取当前系统时间、配置 LLM 大语言模型以及使用 SQL Execute 工具执行 SQL 查询等节点与工具的使用。

通过本案例，华为开发者空间提供的云端开发环境，完美解决本地设备算力不足的问题，结合DeepSeek大模型的精准代码生成能力，本次工作流涉及到 Dify 版本的使用、相关工具（时间工具、ECharts 图表生成、database）的安装与配置，以及 SQL 语句的生成与执行等知识，华为云主机结合Dify平台与DeepSeek大模型，实现了从自然语言到SQL的智能转换与数据分析，极大推动了AI在企业数据场景的落地。

通过本文的介绍可以看到，随着模型能力与平台生态的不断完善，智能化数据分析将成为更多企业的“标配工具”，助力业务洞察与决策提效。如果正在寻找高效、智能、可扩展的数据分析方案，基于华为云构建的这一套系统无疑是值得尝试的理想选择。

文章尾部固定增加链接

开发者空间官网
开发者空间活动专题