# **一台Mac Mini跑5个Agent，外贸出海全流程自动化｜Dify+n8n+Ollama+企业微信（Lark）实战**

Agent拆解实验室
61 阅读3分钟

前言

这不是一篇"概念文"。这是一个正在跑的系统，每天早上8:30自动往企业微信群推送行业决策简报。

本文记录完整的搭建过程、技术选型、踩坑细节。如果你也想用AI做点"真的能跑"的东西，希望能帮到你。

技术栈一览

本地（Mac Mini M2）
├── Docker
├── Ollama + Qwen2.5-7B（本地推理）
└── Dify（Agent平台，5个Agent）
    ├── 情报官（DeepSeek API）
    ├── 买家猎手（DeepSeek API）
    ├── 开发信写手（Qwen本地）
    ├── 客户开拓（DeepSeek API）
    └── 客服专家（Qwen本地）

香港服务器（阿里云）
├── n8n（工作流引擎）
└── 企业微信消息推送服务

链路：Dify API → n8n Webhook → 企业微信API → 群消息

Step 1：Mac Mini 基础环境

# 安装Docker
brew install --cask docker

# 安装Ollama
brew install ollama

# 拉取Qwen2.5-7B
ollama pull qwen2.5:7b

# 测试推理
ollama run qwen2.5:7b "Hello, how are you?"

Mac Mini M2跑7B模型完全够用，推理速度约15 tokens/s，日常使用感觉不到延迟。

Step 2：部署Dify

git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d

访问 http://localhost 即可进入Dify后台。

关键配置：在Dify的「模型供应商」里添加两个：

  • Ollama（本地）：endpoint填 http://host.docker.internal:11434
  • DeepSeek（API）：填入你的API Key

然后创建5个Agent，每个Agent配置对应的模型和System Prompt。

Step 3：香港服务器部署n8n

# SSH到服务器
ssh root@你的服务器IP

# Docker部署n8n
docker run -d \
  --name n8n \
  -p 5678:5678 \
  -v n8n_data:/home/node/.n8n \
  --restart always \
  n8nio/n8n

Step 4：打通企业微信推送(Lark)

这是整个系统里最复杂的一环。核心流程：

  1. 在企业微信管理后台创建自建应用，拿到CorpID和AgentId
  2. 在n8n里创建Workflow：
    • 触发器：Webhook（接收Dify的回调）
    • 节点1：HTTP Request获取access_token
    • 节点2：HTTP Request发送消息到企业微信
  3. 在Dify的Agent里，配置「工具」调用n8n的Webhook URL

access_token缓存是关键——不要每次都重新获取：

// n8n Function节点：token缓存逻辑（伪代码）
const now = Date.now();
const cached = $getWorkflowStaticData('global');

if (cached.token && cached.expire > now) {
  return cached.token;
}

// 重新获取
const resp = await $http.get(
  `https://qyapi.weixin.qq.com/cgi-bin/gettoken?corpid=${CORP_ID}&corpsecret=${SECRET}`
);

cached.token = resp.access_token;
cached.expire = now + 7000 * 1000; // 提前200秒过期
return cached.token;

Step 5：定时决策简报

在n8n里创建一个定时Workflow：

  • 触发器：Cron节点，每天08:00
  • 节点1：HTTP Request调用Dify情报官Agent API
  • 节点2：格式化返回内容为Markdown
  • 节点3：推送到企业微信群

效果：每天早上8:30，企业微信群里准时出现一份结构化的行业简报。

踩坑记录

坑1：Docker网络问题 Dify的Docker容器访问宿主机的Ollama，不能用localhost，要用 host.docker.internal。

坑2：Dify API调用格式 Dify的Chat API需要在body里带 user 字段，否则会报400。很多教程漏了这个。

curl -X POST http://localhost/v1/chat-messages \
  -H "Authorization: Bearer app-xxxxx" \
  -H "Content-Type: application/json" \
  -d '{"inputs":{},"query":"今日行业简报","response_mode":"blocking","user":"system"}'

坑3：企业微信Markdown限制 企业微信的Markdown消息不支持完整Markdown语法，比如不支持表格。需要在n8n里做格式转换，把表格转成纯文本列表。

成本

月成本不到100元人民币。主要开销是香港服务器（50元/月）和DeepSeek API（约30-50元/月）。其他全部免费开源。

总结

这套系统的核心思路：

  • 用Dify管理AI Agent（可视化、低门槛）
  • 用n8n做工作流编排（灵活、可扩展）
  • 用企业微信做交互入口（不需要额外开发前端）
  • 本地模型+云端API混合使用（平衡成本和能力）

正在做的下一步：企业微信群内@Agent自动响应——在群里@买家猎手就能直接触发搜索。这部分涉及企业微信回调服务开发，后续会单独写一篇。

有问题欢迎评论区交流。

avatar
文章
阅读
粉丝