一、项目背景

在教育服务行业，企业经常面临以下痛点：

• 市场人员收集大量用户资料（简历、Excel、文本），需要快速判断是否符合目标客户画像；
• 售前客服需要24小时在线解答产品咨询，且要求回复风格亲切；
• 内部员工频繁查询客户、写日报、问公司流程，效率低下；
• 领导需要每日日报总结和每周行业动态报告。

本文基于 FastAPI + Dify + MySQL，用最低代码量实现了一套完整的AI智能体系统，支持客户自动研判、对外客服、内部员工助理、日报周报自动生成与邮件推送。系统已在虚拟机CentOS 7上通过Docker部署Dify，后端运行于Windows，整体架构清晰，适合中小型企业快速落地。

---

二、系统架构

技术栈：

• 后端：FastAPI + SQLAlchemy + MySQL（复用现有学生管理系统）
• AI编排：Dify（开源，部署于CentOS 7 Docker）
• 邮件：SMTP（QQ邮箱）
• 文件解析：Dify文档提取器（无代码）
• 研判规则：Dify条件分支节点（纯界面配置，客户可自行修改）

---

三、数据库设计

只需两张核心表（基于已有学生管理系统扩展）：

3.1 客户表 customer

CREATE TABLE `customer` (
  `id` int NOT NULL AUTO_INCREMENT,
  `name` varchar(100) DEFAULT NULL,
  `age` int DEFAULT NULL,
  `education` varchar(50) DEFAULT NULL,
  `occupation` varchar(100) DEFAULT NULL,
  `interest_tags` varchar(500) DEFAULT NULL,
  `source_text` text,
  `judge_result` tinyint DEFAULT NULL,
  `judge_score` decimal(5,2) DEFAULT NULL,
  `judge_reason` varchar(500) DEFAULT NULL,
  `created_at` datetime DEFAULT CURRENT_TIMESTAMP,
  PRIMARY KEY (`id`)
);

3.2 日报表 daily_report

CREATE TABLE `daily_report` (
  `id` int NOT NULL AUTO_INCREMENT,
  `employee_id` varchar(50) NOT NULL,
  `employee_name` varchar(50) NOT NULL,
  `report_date` date NOT NULL,
  `work_summary` text,
  `achievements` text,
  `next_plan` text,
  `issues` text,
  `created_at` datetime DEFAULT CURRENT_TIMESTAMP,
  PRIMARY KEY (`id`)
);

---

四、后端API实现（FastAPI）

后端只负责数据持久化与邮件发送，不包含任何AI逻辑（全部交给Dify）。核心接口如下：

4.1 保存客户（供Dify调用）

@app.post("/api/v1/customer/save")
async def save_customer(cust: CustomerSave):
    # 直接入库
    db = SessionLocal()
    customer = Customer(**cust.dict())
    db.add(customer)
    db.commit()
    db.refresh(customer)
    return {"id": customer.id}

4.2 查询客户列表

@app.get("/api/v1/customer/list")
async def list_customers(judge_result: int = None, name: str = None, page: int = 1, page_size: int = 10):
    query = db.query(Customer)
    if judge_result is not None:
        query = query.filter(Customer.judge_result == judge_result)
    if name:
        query = query.filter(Customer.name.like(f"%{name}%"))
    paginated = query.offset((page-1)*page_size).limit(page_size).all()
    return {"total": query.count(), "items": paginated}

4.3 提交日报

@app.post("/api/v1/report")
async def submit_report(report: ReportIn):
    db = SessionLocal()
    daily = DailyReport(**report.dict())
    db.add(daily)
    db.commit()
    return {"id": daily.id}

4.4 日报总结（手动触发，发送邮件）

@app.post("/api/v1/daily_summary")
async def daily_summary(date: str = None):
    if not date:
        date = (datetime.now() - timedelta(days=1)).strftime("%Y-%m-%d")
    reports = db.query(DailyReport).filter(DailyReport.report_date == date).all()
    if not reports:
        return {"msg": "无日报数据"}
    # 简单拼接总结（实际可调用LLM）
    summary = f"日报总结 {date}\n共{len(reports)}人提交\n"
    for r in reports:
        summary += f"- {r.employee_name}: {r.work_summary[:50]}...\n"
    send_email("leader@example.com", "日报总结", summary)
    return {"msg": "发送成功"}

4.5 员工鉴权（简化版）

在请求头中加入 X-Employee-ID，后端读取作为操作人。生产环境可扩展JWT。

from fastapi import Header

def get_current_employee(x_employee_id: str = Header(...)):
    return x_employee_id

---

五、Dify工作流配置（零代码）

Dify是核心AI编排平台，我们创建了三个智能体。

5.1 客服智能体 SalesAgent

功能：区分业务咨询和通用问答，业务咨询走知识库RAG，通用问答走甜美风格LLM。

关键节点配置：

• 意图分类器（LLM提示词）：

  判断用户问题是“业务咨询”还是“通用问答”。
  业务咨询：公司产品、留学项目、价格、流程等。
  通用问答：闲聊、问候、天气。
  只输出类别。
  

• 知识库检索：使用 CompanyKB（已上传常见问答、企业介绍、中德项目文档）。

• 业务回答LLM：专业语气，基于检索结果回复。

• 通用问答LLM：系统提示词“你是一个甜美可爱的客服小姐姐，多用颜文字，语气活泼”。

5.2 内部员工智能体 InternalAgent

核心功能：研判客户（上传文件自动提取字段并打分）、查询客户、创建客户、写日报、公司知识问答。

研判客户分支节点序列：

1. 文档提取器（支持txt/docx/xlsx）→ 输出纯文本
2. LLM提取字段（输出JSON：姓名、年龄、学历、职业、兴趣标签，以及 occupation_match、interest_match 布尔值）
3. 代码节点（解析JSON并初始化得分变量）
4. 条件分支 – 年龄（22-35岁 +25分）
5. 条件分支 – 学历（本科/硕士/博士 +25分）
6. 条件分支 – 职业匹配（occupation_match==true +25分）
7. 条件分支 – 兴趣匹配（interest_match==true +25分）
8. 条件分支 – 总分判断（>=60 → 符合）
9. HTTP请求节点 → 调用后端 /customer/save
10. 回复节点：返回研判结果

条件分支节点均为可视化配置，客户可自行修改年龄范围、学历列表、加分阈值等，完全无需代码。

5.3 周报生成工作流 WeeklyReportWorkflow

• 联网搜索节点（搜索教育政策、投融资、重大事件）
• LLM整理成Markdown报告（包含政策、资本、事件、风险、机遇）
• 后端调用此工作流并发送邮件

---

六、部署与运行

6.1 Windows端（后端）

git clone <your-repo>
cd backend
python -m venv venv
venv\Scripts\activate
pip install fastapi uvicorn sqlalchemy pymysql python-dotenv
uvicorn main:app --host 0.0.0.0 --port 8000 --reload

开放防火墙8000端口，记录本机IP（如 192.168.1.100）。

6.2 CentOS 7 虚拟机（Dify）

# 安装Docker
curl -fsSL https://get.docker.com | bash
systemctl enable docker

# 克隆Dify并启动
git clone https://github.com/langgenius/dify.git
cd dify/docker
docker-compose up -d

访问 http://<虚拟机IP>:3000 配置管理员账号，然后：

• 创建知识库 CompanyKB，上传业务文档。
• 创建上述三个工作流，在HTTP请求节点中填写Windows后端的实际IP。
• 发布，获取WebApp链接。

6.3 一键启动所有服务

在后端目录下运行：

waitress-serve --host=0.0.0.0 --port=8000 main:app

员工打开 Dify InternalAgent 的WebApp链接即可使用。

---

七、测试场景演示

1. 客户研判：上传文本 张三，25岁，本科，程序员，对AI感兴趣 → Dify提取字段 → 条件分支打分100 → 入库成功 → 回复“符合画像”。
2. 客服咨询：问“德国双元制有什么优势？” → 返回“免学费、享补贴、保就业”等。
3. 员工查询客户：问“查询符合画像的客户” → 返回列表。
4. 写日报：问“写日报：今日沟通5个客户，成果新增2个意向” → 保存成功。
5. 日报总结：调用 /daily_summary → 领导收到邮件。
6. 行业周报：调用 /weekly_report → 领导收到Markdown周报。

---

八、总结与扩展

优点

• 极简后端：只做CRUD和邮件，代码不足300行。
• AI逻辑全在Dify：客户可自行修改研判规则、知识库、对话风格，无需懂代码。
• 快速部署：Docker Compose + Python虚拟环境，半小时可跑通。
• 可扩展：新增研判维度只需在Dify工作流加条件分支；新增业务知识只需上传文档。

后续改进方向

• 添加JWT鉴权，实现员工/领导角色权限控制。
• 日报总结改用LLM生成更自然的摘要。
• 周报接入真实联网搜索API（Bing/Serper）。
• 将后端也容器化，实现全Docker部署。

项目源码与文档

所有文档（架构设计、API规范、Dify配置、测试用例）已按国际规范命名，可私信获取。

结语：本文展示了如何用最少代码搭建一个生产级的AI智能体系统，让业务人员也能自由修改AI规则。希望对你有所帮助，欢迎在评论区交流！

---