用 Dify 与 EdgeOne 打造真正可上线的智能财经分析系统

从一次简单的搜索，到多轮自动分析；从本地 Demo，到可公开访问的在线系统；从功能验证，到稳定交付。这次实践让我更加确信：AI 应用的落地，拼的从来不只是模型能力，而是整体工程能力。如果说 Dify 让我们以极低门槛构建复杂工作流，那么 EdgeOne 则让这些工作流真正拥有面向用户的能力。对于希望把 AI 应用投入真实场景的开发者来说，Dify 与 EdgeOne 的组合，是一条非常值得尝试

Lethehong

190人浏览 · 2026-05-15 13:37:01

Lethehong · 2026-05-15 13:37:01 发布

在很多人看来，AI 应用的核心是模型能力。但在实际项目中，我越来越意识到，一个应用真正的价值，并不在于它能否回答问题，而在于它能否稳定地运行，并持续为用户提供可靠结果。

尤其是在财经分析场景中，这一点更加明显。

市场上的信息从来不缺。宏观政策、行业新闻、上市公司公告、财务数据、市场情绪，每天都在快速更新。真正困难的地方在于，信息彼此分散，噪声远远大于有效内容。研究者往往需要在多个网站之间来回切换，不断检索、筛选、记录，再手动整理成完整的分析逻辑。

这个过程耗时且低效。

于是，我尝试用 Dify 搭建一套能够自动完成多轮搜索、持续累积上下文，并最终生成结构化分析报告的智能工作流。同时，为了让这套系统不仅能在本地运行，还能稳定地部署到线上，我引入了腾讯云 EdgeOne，负责统一访问入口、全球加速和安全防护。

最终，这个项目不再只是一个演示用的工作流，而是一套可以真正对外提供服务的智能财经分析系统。

一、从“会搜索”到“会分析”

二、让 AI 像研究员一样工作

三、Dify：负责整个分析流程的编排

四、Python 节点：用最简单的代码实现深度控制

五、Tavily：把搜索结果变成可直接利用的资料

六、变量聚合：让每一次搜索都成为下一步的基础

七、最终整理：输出真正有价值的分析报告

八、为什么我一定要引入 EdgeOne

九、EdgeOne：让工作流真正具备上线能力

9.1 在 Dify 中获取 API Key

9.2 在 EdgeOne 中创建 AI 应用

一、从“会搜索”到“会分析”

传统的搜索方式，本质上只是在回答一个问题：

你能找到哪些相关信息？

但财经分析真正需要回答的是：

这些信息之间有什么关系？
哪些因素才是核心变量？
哪些结论得到了多方验证？
未来还应该关注什么？

举个例子。

如果用户提出：

分析某新能源汽车企业近期的供应链风险。

普通搜索可能返回：

电池原材料价格上涨；
某供应商产能下降；
企业库存水平增加。

这些信息都很有价值，但彼此之间并没有自动建立联系。

而真正的研究过程，应该是这样的：先了解事件背景，再补充产业数据，然后交叉验证财务指标，最后得出风险判断。

这也是我构建这套工作流的初衷。

二、让 AI 像研究员一样工作

图 1：系统整体架构，展示用户请求如何经过 EdgeOne、Dify、Python、Tavily，最终生成结构化分析报告。

我希望系统不是只执行一次搜索，而是像分析师一样，一步一步推进问题。

它的工作过程如下：

接收用户提出的问题；
根据设定的深度执行多轮搜索；
每轮搜索结果持续保存；
后续轮次基于已有信息继续追踪；
最终生成结构化研究报告。

整个流程看起来像这样：

用户提问
   ↓
EdgeOne 统一入口
   ↓
Dify 工作流
   ↓
Python 深度控制
   ↓
Iteration 多轮循环
   ↓
Tavily 搜索
   ↓
变量聚合
   ↓
最终报告生成

这套架构的意义在于，它把原本依赖人工完成的调研流程自动化了。

三、Dify：负责整个分析流程的编排

图 2：Dify 工作流总览，包含开始节点、Python 节点、Iteration 节点、Tavily 节点、变量聚合和最终输出节点。

在这套系统中，Dify 是核心调度平台。

我将整个工作流拆分为几个清晰的节点：

开始节点：接收问题与搜索深度；
Python 节点：生成迭代数组；
Iteration 节点：控制多轮循环；
Tavily 搜索节点：获取实时信息；
变量聚合节点：保存上下文；
最终整理节点：生成研究报告；
回复节点：输出结果。

这种模块化设计有一个明显优势：逻辑清晰，可维护性高，也方便后续继续扩展。

四、Python 节点：用最简单的代码实现深度控制

Iteration 节点需要数组作为输入，因此必须先把用户输入的搜索轮数转换成列表。

代码非常简单：

def main(depth: int) -> dict:
    depth = depth or 3
    array = list(range(depth))
    return {
        "array": array,
        "depth": depth
    }

如果用户输入 3，系统会生成：

[0, 1, 2]

这意味着工作流将执行三轮搜索。

虽然代码只有几行，但它决定了整个系统是否具备真正的迭代能力。

五、Tavily：把搜索结果变成可直接利用的资料

在信息密集型场景中，最大的成本不是搜索，而是清洗搜索结果。

普通搜索往往包含大量：

重复转载；
标题党内容；
低质量论坛讨论；
缺乏来源的观点。

而 Tavily 更适合 AI 应用，它返回的并不是简单链接，而是经过处理后的核心摘要与来源信息。

复制填入上图的API key处即可

这意味着系统可以直接使用这些结果，而不必再进行大量手工筛选。

在财经分析中，这一点尤其重要。

六、变量聚合：让每一次搜索都成为下一步的基础

如果每轮搜索彼此独立，那么多轮执行就失去了意义。

因此，我在工作流中增加了变量聚合节点，把所有搜索结果统一保存。

整个过程很像研究员不断完善自己的笔记：

第一轮：记录事件背景；
第二轮：补充数据证据；
第三轮：交叉验证；
最终：整理成完整结论。

这样，系统就能够持续积累上下文，而不是每次都重新开始。

七、最终整理：输出真正有价值的分析报告

当迭代结束后，系统会对全部信息进行统一整理。

我采用如下结构输出：

事件背景；
核心影响因素；
数据验证；
风险评估；
后续关注点。

这种结构和专业研究报告的逻辑非常接近。

用户看到的结果，不再是简单的搜索摘要，而是一篇具有完整分析链条的研究内容。

八、为什么我一定要引入 EdgeOne

如果只是本地测试，工作流运行到这里已经完成。

但我真正的目标，并不是做一个只能自己使用的 Demo，而是打造一个可以稳定提供服务的在线系统。

这时，新的问题就出现了：

用户访问速度不稳定；
HTTPS 配置复杂；
接口容易遭到恶意请求；
缺少统一入口；
源站压力过大。

这些问题，并不是 Dify 或搜索工具本身能够解决的。

因此，我选择用腾讯云 EdgeOne 作为整个系统的入口层。

九、EdgeOne：让工作流真正具备上线能力

到这里，整个智能财经分析工作流已经在 Dify 中构建完成，具备了完整的分析能力。但如果仅停留在 Dify 内部，它仍然只是一个“可以运行的工作流”，而不是一个真正可以对外提供服务的应用。

为了让系统能够通过公网稳定访问，并具备 HTTPS、全球加速和安全防护能力，我们需要借助腾讯云 EdgeOne 完成最终部署。

这一部分，也是整个项目从“本地 Demo”走向“在线产品”的关键一步。

9.1 在 Dify 中获取 API Key

首先，我们需要获取 Dify 提供的 API 密钥，用于 EdgeOne 调用工作流接口。

在 Dify 中打开对应的应用，进入 API 访问（API Access） 页面，即可看到系统自动生成的访问凭证。

通常需要获取以下两项信息：

API Key
API Endpoint（工作流访问地址）

API Endpoint 一般格式如下：

https://your-dify-domain/v1

API Key 则是一串由系统生成的密钥，用于身份认证。

图：在 Dify 应用中获取 API Key 和 API Endpoint。

这两项信息相当于连接 Dify 工作流与 EdgeOne 的“桥梁”，后续部署时必须填写。

9.2 在 EdgeOne 中创建 AI 应用

接下来，登录 Tencent Cloud EdgeOne 控制台。

在控制台中选择 AI 应用部署（不同版本界面名称可能略有差异），新建一个应用实例。

创建过程中，系统会要求填写以下信息：

配置项	说明
应用名称	自定义，例如 finance-analysis
Dify API URL	粘贴刚刚获取的 API Endpoint
Dify API Key	粘贴刚刚复制的 API Key
域名	可使用系统分配域名或绑定自定义域名
HTTPS	默认开启
安全策略	建议启用默认 WAF 和 CC 防护