一、前言

在日常的项目开发中，我们经常会遇到各种技术细节问题：

• amis 配置写法

• logicflow 流程图的节点/连线配置

• pebble 模板语法

• SQL 语句优化与生成

• 甚至需要 自动生成代码片段 来快速验证思路

这些问题虽然有文档，但在复杂项目中，查阅资料的效率往往不高。

如果我们能在 橙武低代码平台（支持自定义扩展）上接入 deepseek，并将项目代码、数据库表结构喂给它，就能让模型成为一个真正的 “项目技术顾问”：

• 它理解你的项目上下文；

• 它知道你的代码和数据库；

• 它可以直接输出对应的 amis 配置、logicflow 流程 JSON、SQL 语句、pebble 模板。

接下来，我将详细介绍如何实现这一目标。

---

二、整体方案设计

核心思路：

1. 部署 deepseek 本地模型（例如 deepseek-r1:8b 或 deepseek-coder-6.7b）；

2. 构建知识库：将项目代码、数据库表结构、业务文档导入；

3. 接入橙武低代码平台，封装一个“智能顾问”模块；

4. 实现问答与代码生成：当开发者提问时，deepseek 基于上下文输出答案或生成对应代码。


---

三、部署 deepseek 模型

1. 使用 Ollama 部署（推荐快速体验）

curl -fsSL https://ollama.com/install.sh | sh
ollama pull deepseek-coder:6.7b
ollama run deepseek-coder:6.7b

这里推荐用 deepseek-coder 系列，代码理解能力更强，适合生成 amis/SQL/logicflow 代码。

2. 使用 vLLM 部署（支持长上下文）

pip install vllm

python -m vllm.entrypoints.openai.api_server \
  --model deepseek-ai/deepseek-coder-6.7b \
  --max-model-len 32768

这样就能通过 OpenAI API 格式 调用。

---

四、喂给 deepseek 我的项目代码与表结构

模型本身不会“记忆”你整个项目，因此需要 外部知识库。

1. 准备数据

• 项目源码（amis 配置文件、logicflow JSON、pebble 模板、后端代码）；

• 数据库结构（通过 mysqldump --no-data 导出建表 SQL）；

• 相关文档（需求说明、接口说明）。

2. 建立向量数据库

常见选择：

• Chroma（轻量级，本地存储）

• Milvus（适合大规模）

• Weaviate

示例（用 Chroma）：

from langchain.vectorstores import Chroma
from langchain.embeddings import HuggingFaceEmbeddings

# 使用开源 embedding 模型
embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")

# 构建数据库
vectorstore = Chroma(persist_directory="db", embedding_function=embeddings)

# 导入项目文件
docs = []
for file in project_files:
    with open(file, "r", encoding="utf-8") as f:
        docs.append({"content": f.read(), "metadata": {"source": file}})

vectorstore.add_texts([d["content"] for d in docs], metadatas=[d["metadata"] for d in docs])

3. 检索增强生成（RAG）

当用户提问时：

1. 在向量数据库中检索相关代码片段；

2. 将结果拼接进 Prompt；

3. 再调用 deepseek，让它回答。

---

五、在橙武低代码平台中集成

橙武低代码平台支持 插件扩展 或 自定义 API 调用。

实现方案：

1. 在平台中新增一个“智能顾问”模块（例如一个聊天面板）；

2. 当用户输入问题时，调用后端 API：

   • 后端先去向量数据库检索上下文；

   • 拼接 Prompt；

   • 调用 deepseek；

   • 返回结果给前端展示。

示例接口（FastAPI）：

from fastapi import FastAPI
from openai import OpenAI

app = FastAPI()
client = OpenAI(base_url="http://localhost:8000/v1", api_key="dummy")

@app.post("/ask")
async def ask(question: str):
    # 1. 检索相关上下文
    context = search_vector_db(question)  # 返回最相关的代码片段
    # 2. 拼接 Prompt
    prompt = f"""
你是一名项目顾问，帮助开发者解决问题。
下面是项目的部分上下文：
{context}

现在开发者的问题是：
{question}

请基于上下文，给出解决方案或代码。
"""
    # 3. 调用 deepseek
    resp = client.chat.completions.create(
        model="deepseek-coder-6.7b",
        messages=[{"role": "user", "content": prompt}],
        max_tokens=1500,
        temperature=0.7
    )
    return {"answer": resp.choices[0].message["content"]}

---

六、应用场景示例

1. amis 配置生成

提问：

帮我写一个 amis 表格，展示用户表的数据，包含分页和搜索。

模型回答：

{
  "type": "page",
  "body": {
    "type": "crud",
    "api": "/api/users",
    "columns": [
      {"name": "id", "label": "用户ID"},
      {"name": "name", "label": "用户名"},
      {"name": "email", "label": "邮箱"}
    ],
    "filter": {
      "title": "搜索",
      "body": [
        {"type": "input-text", "name": "name", "label": "用户名"}
      ]
    }
  }
}

---

2. logicflow 流程图生成

提问：

生成一个审批流程，节点有：提交 → 部门经理审批 → 财务审批 → 完成

模型回答：

{
  "nodes": [
    {"id": "1", "type": "start", "x": 100, "y": 100, "text": "提交"},
    {"id": "2", "type": "approval", "x": 300, "y": 100, "text": "部门经理审批"},
    {"id": "3", "type": "approval", "x": 500, "y": 100, "text": "财务审批"},
    {"id": "4", "type": "end", "x": 700, "y": 100, "text": "完成"}
  ],
  "edges": [
    {"sourceNodeId": "1", "targetNodeId": "2"},
    {"sourceNodeId": "2", "targetNodeId": "3"},
    {"sourceNodeId": "3", "targetNodeId": "4"}
  ]
}

---

3. pebble 模板生成

提问：

生成一个 pebble 模板，循环渲染用户列表

回答：

<ul>
{% for user in users %}
  <li>{{ user.name }} - {{ user.email }}</li>
{% endfor %}
</ul>

---

4. SQL 生成与优化

提问：

帮我写一个 SQL，查询过去 30 天内注册的用户数量

回答：

SELECT COUNT(*) AS recent_users
FROM users
WHERE register_time >= NOW() - INTERVAL 30 DAY;

---

七、避免模型“胡说”的技巧

1. 检索增强（RAG）：必须给模型上下文，否则它可能编造。

2. 明确身份：告诉它“你是项目顾问，只能基于已有代码回答”。

3. 限制输出格式：指定输出 JSON/SQL/amis 配置等，减少偏差。

4. 分阶段提问：先让模型生成思路，再让它生成代码。

---

八、总结

通过本文，我们完成了：

1. 在本地部署 deepseek，作为智能顾问模型；

2. 构建知识库，把项目代码、表结构喂给模型；

3. 在橙武低代码平台集成，实现开发者和模型的交互；

4. 实战场景：amis 配置、logicflow、pebble、SQL 的自动生成。

这样，deepseek 不仅是一个通用 AI，更是一个真正理解你项目的 “专属技术顾问”。

未来扩展方向：

• 将 Git 仓库 + 向量数据库 自动同步；

• 加入 代码执行与调试 功能，让模型能运行生成的 SQL/配置；

• 引入 多代理协作，一个专门负责 amis，一个专门负责 SQL，一个负责模板，提升准确率。

在低代码与 AI 的结合下，我们正在迎来 “智能化开发新时代”：不仅是“低代码”，更是“无障碍开发”。