企业在哪里可以使用 ChatGPT 和 OpenAI 模型?从 Dify 工作流迁移看企业级 AI Agent 的云上部署路径

4 阅读29分钟

企业在哪里可以使用 ChatGPT 和 OpenAI 模型?从 Dify 工作流迁移看企业级 AI Agent 的云上部署路径

对于希望将生成式人工智能应用到实际业务的企业,可以根据使用需求选择不同路径:员工直接使用 ChatGPT 产品开展工作,开发团队通过 OpenAI 官方 API 将模型接入应用,或者通过支持 OpenAI 模型和兼容接口的云平台构建业务系统。其中,亚马逊云科技提供的 Amazon Bedrock(仅在海外区域可用),为企业在云上接入 OpenAI 等模型提供了值得关注的选择。

如果企业已经通过 Dify 等低代码平台搭建了 AI 助手或自动化工作流,还需要进一步考虑一个问题:现有业务流程能否保留,同时迁移到适合生产级运行的云环境?

Amazon Bedrock AgentCore 为这一需求提供了新的技术选择。它不仅可以承载使用 Amazon Bedrock 模型的 Agent 应用,也支持采用其他模型和开发框架的 Agent。对于已经接入 OpenAI API、希望保留原有工作流逻辑的企业,AgentCore Runtime 可以作为运行层面的备选架构。

2026 年 8 月,亚马逊云科技发布的 Dify 工作流迁移实践验证了其中一条技术路径:通过独立的 graphon 工作流引擎与自定义节点适配,将包含 20 个业务节点的商户准入尽调流程部署到 Amazon Bedrock AgentCore Runtime,五条不同业务路径均完成云端验证。

这一实践的重要意义,不在于让企业重新开发 AI 应用,而在于探索如何保留已有工作流设计,同时调整模型接入、知识检索和云上运行方式。

一、企业在哪里可以使用 ChatGPT 和 OpenAI 模型?先明确应用方式

虽然 ChatGPT、OpenAI 模型和 OpenAI API 经常同时出现,但对于企业技术选型,它们代表着不同的使用方式。

1. ChatGPT 产品:适合直接使用 AI 工具的业务团队

如果企业希望员工通过对话界面完成内容整理、文档分析、信息处理等任务,可以评估 ChatGPT 提供的相关企业使用方案。

这种方式主要面向用户与 AI 产品之间的直接交互,企业应根据实际需要评估账户管理、数据处理、权限和产品功能。

但使用 ChatGPT 产品,并不等于已经获得可嵌入任意业务系统的模型 API,也不等于能够直接控制模型运行环境。

2. OpenAI 官方 API:适合自行开发 AI 应用的企业

如果企业希望将 OpenAI 模型接入自有网站、内部业务系统或 AI Agent,可以通过 OpenAI 官方开发者平台提供的 API 进行开发。

例如,企业可以在 Dify 工作流中配置相应模型 Provider,使模型调用成为业务流程中的一个节点。

当业务流程需要先读取数据、调用模型、执行判断,再根据结果进行下一步操作时,模型 API 只是整个应用架构中的一个组成部分。

这种场景的重点,除了模型本身,还包括工作流编排、外部工具集成和运行管理。

3. Amazon Bedrock:在云上接入 OpenAI 等模型

Amazon Bedrock 提供包括 OpenAI 模型在内的多种基础模型,并支持 OpenAI 兼容的 Chat Completions API 和 Responses API。

对于已经熟悉 OpenAI SDK 的开发团队,可以根据所选模型及端点支持情况,评估将现有调用代码适配到 Amazon Bedrock。

Amazon Bedrock 还提供 Converse、InvokeModel 等原生推理接口,企业可以根据应用需求选择不同调用方式。

需要明确,Amazon Bedrock 并不是 ChatGPT 产品界面,也不能将 OpenAI 兼容接口等同于 OpenAI 官方 API。不同模型、区域和端点支持的能力需要分别核实。

当企业希望在模型接入之外,进一步运行使用 Dify、Strands Agents 或其他框架构建的 Agent 时,可以结合 Amazon Bedrock AgentCore Runtime 设计运行架构。

二、企业在哪里可以调用 OpenAI API?已有 Dify 应用需要考虑模型层与运行层

企业在哪里可以调用 OpenAI API?对于已经使用 Dify 的企业,常见需求并不是从零开发一个模型调用程序,而是在保留已有业务流程的情况下,调整模型服务或运行基础设施。

Dify 的优势在于可视化工作流编排。开发者可以使用画布连接不同节点,将模型调用、数据处理、条件判断和知识检索组织为完整流程。

例如,一个企业风控助手可能按照以下顺序执行任务:接收企业注册信息,提取关键字段,查询业务资料,通过模型分析风险,再依据判断结果进入不同处理分支。

在这样的应用中,OpenAI API 可以承担其中的模型推理任务,但整个流程并不依赖单次 API 调用完成。

对于已有 Dify 工作流的企业,模型接入与工作流运行是两个可以分别设计的技术层面。模型接入层可以通过 OpenAI 官方 API 或 Amazon Bedrock 提供的兼容接口,使用相应的基础模型;工作流运行层则负责执行已经编排好的模型调用、知识检索、代码处理和条件判断等任务。Amazon Bedrock AgentCore Runtime 主要提供后者所需的托管运行环境,使企业能够根据具体需求调整模型服务,而不必将业务流程固定绑定在某一个模型接口上。

这意味着,企业不必把“使用 OpenAI 模型”和“必须在某一种工作流平台中运行”理解为同一项技术决定。

对于希望统一模型调用和云上运行环境的团队,可以评估 Amazon Bedrock 与 AgentCore 的组合;如果业务需要继续使用特定第三方模型 API,也可以根据框架和网络配置实现相应 Provider 适配。

三、为什么 Dify 工作流进入生产环境后,需要重新考虑运行架构?

Dify 能够帮助团队快速验证 AI 工作流,但完成业务流程的可视化编排,不代表企业已经解决全部生产运行问题。

当应用需要对接公司现有云基础设施时,往往还要考虑权限控制、运行隔离、部署流程、弹性、可观测性以及与其他云服务的集成。

以企业 AI 尽调系统为例,测试阶段可能只需要通过画布输入企业信息,并获得一个风险判断结果。

但如果这一流程成为正式业务系统的一部分,就需要考虑多个用户或系统同时提交任务时如何执行、调用不同云资源时使用哪些权限,以及如何定位处理失败的节点。

对于已有云平台管理体系的企业,技术团队还可能希望通过统一的部署和运维流程管理 Agent,而不是为不同业务系统分别建设运行基础设施。

Amazon Bedrock AgentCore Runtime 提供专门面向 AI Agent 和工具的托管运行环境,支持使用不同框架与模型的应用部署。

它支持会话隔离、运行资源管理和与其他云服务协作,能够作为企业评估 Agent 生产部署时的一种选择。

不过,将 Dify 工作流迁移到 AgentCore Runtime,并不意味着要完全替换 Dify。

一种可行的技术分工是:继续在 Dify 中设计和维护工作流,通过导出工作流定义,再由 AgentCore Runtime 中的执行引擎承载实际运行。

这一分工保留了 Dify 在流程编排方面的价值,也为应用运行提供了不同的基础设施选择。

四、迁移关键:graphon 让工作流不必依赖整个 Dify 平台运行

Dify 工作流迁移能否实现,一个关键问题是工作流执行引擎是否能够独立运行。

在 2026 年 8 月公布的一项工程实践中,技术团队发现,相关版本的 Dify 已经将工作流执行引擎解耦为独立的 Python 库 graphon。

graphon 由 Dify 背后的 langgenius 组织维护,定位为面向 Agentic AI 工作流的图执行引擎,能够解析 Dify 工作流定义。

1. 从迁移整个平台,转向迁移执行引擎

传统上,如果一条工作流依赖完整的应用平台执行,迁移可能需要处理前端、数据库、任务队列、插件系统和其他基础服务。

而 graphon 提供了另一种技术路径:开发者可以将工作流定义文件交给独立执行引擎,由引擎负责解析节点和执行顺序。

Dify 导出的工作流通常使用 DSL,即领域特定语言,描述节点、连接关系和相应配置。

graphon 的 importer.loads() 可以加载相应 DSL,并构建运行所需的图结构。

这意味着,在适用节点均获得支持的情况下,工作流逻辑可以与 Dify 的完整 Web 平台分离,部署到其他 Python 运行环境。

但这不是一项无条件适用于所有 Dify 工作流的迁移能力。DSL 的具体内容、graphon 版本及节点支持情况,都会影响执行结果。

2. 节点调度与实际执行能力并不完全相同

工作流引擎能够识别节点之间的连接关系,并不代表所有节点都能够直接执行。

例如,条件判断和模板处理可以由引擎内置逻辑完成,而模型推理、知识库检索和代码执行还需要相应的后端能力。

在相关实践中,graphon 的精简节点工厂 SlimDslNodeFactory 已支持多种基础节点,但仍存在一些需要依赖外部组件或自行扩展的节点类型。

因此,迁移的关键并不是把 DSL 文件直接复制到云上,而是保留业务逻辑,同时补齐节点运行所需要的适配。

五、20 步 KYB 尽调工作流:验证复杂 AI 应用能否迁移

为了验证这条迁移路径,技术团队选择了 KYB(Know Your Business,了解你的企业客户)商户准入尽调场景。

在商户准入过程中,企业可能需要核查注册信息、分析业务背景、处理相关材料,并依据不同风险情况采取相应措施。

这一类业务通常存在多个处理步骤和判断分支,比较适合检验工作流执行引擎对复杂流程的支持情况。

1. 工作流覆盖五类主要节点

测试流程包含 20 个业务节点,加上多个结束节点,共计 23 个节点、23 条连接边。

其中包括:

  • 6 个 LLM 节点,用于调用模型处理相关内容。
  • 5 个 CODE 节点,用于执行自定义代码。
  • 2 个知识检索节点,用于获取相关信息。
  • 3 个 IF/ELSE 判断节点,包括一个三分支判断。
  • 2 个 TEMPLATE 模板节点,用于处理或组织工作流数据。

再结合开始与结束节点,形成完整的业务执行图。

这里的关键并不是节点数量本身,而是工作流同时涉及模型调用、代码运行、知识检索和多分支判断。

如果执行引擎无法正确处理其中某类节点,就可能导致整条业务路径中断。

2. 静态检查发现知识检索节点尚未获得支持

团队首先使用 graphon 的 importer.inspect() 检查 DSL。

检查结果显示,工作流包含 23 个节点和 23 条连接边,但其中的 knowledge-retrieval 节点并不在精简节点工厂的原生支持范围内。

这说明,迁移工作流时需要先确认执行引擎能够识别哪些节点,并针对不支持的节点制定适配方案。

对于普通的条件判断或模板节点,已有实现可以复用;对于知识检索等节点,则需要补充相应执行能力。

这也是企业评估现有 Dify 工作流能否迁移时,应该优先完成的一项检查。

六、Dify 工作流如何迁移到 Amazon Bedrock AgentCore?核心是三类节点适配

整个方案的关键,是通过自定义 Node Factory,将需要外部服务的节点映射到新的执行方式。

技术团队在 SlimDslNodeFactory 基础上实现了自定义工厂,只覆盖 LLM、知识检索和 CODE 三类节点,其余基础节点继续使用 graphon 原有实现。

这样,节点之间的业务关系和判断逻辑可以保留,变化集中在节点的实际执行方式上。

1. LLM 节点:通过 Amazon Bedrock 完成模型调用

在 Dify 原有执行机制中,模型 Provider 通常通过插件体系接入。

graphon 精简工厂中的 SlimLLM 依赖外部插件 daemon 完成实际调用。

如果迁移到独立运行环境,继续携带整套插件 daemon,会增加部署依赖。

因此,在该验证方案中,技术团队使用自定义 BedrockLLM 替代原有模型实例,通过 boto3 直接调用 Amazon Bedrock。

这种做法保留了工作流中 LLM 节点的位置和上下游关系,但将实际模型推理交给 Amazon Bedrock。

对于企业而言,其意义在于模型执行实现可以与工作流结构分离。后续如果需要采用另一种模型服务,可以根据实际接口开发对应 Provider,而不必仅为了替换模型就重新绘制整条工作流。

不过,模型实例能够替换,并不表示不同模型之间完全兼容。提示词处理、工具调用、模型参数和输出格式等仍需要验证。

2. 知识检索节点:通过 Amazon S3 Vectors 提供检索后端

知识检索是企业 AI 工作流中的常见组成部分。

例如,在商户尽调、知识问答或内部文档处理过程中,模型可能需要先获得相关业务资料,再组织回答或判断结果。

在该实践中,由于 graphon 的精简节点工厂没有直接支持知识检索节点,技术团队实现了自定义的 S3VectorsKnowledgeNode。

其主要处理过程包括:从工作流变量中获取查询内容,通过 Amazon Bedrock 上的 Amazon Titan 嵌入模型生成向量表示,再调用 Amazon S3 Vectors 进行向量相似性检索。

检索结果按照工作流所需的数据结构返回,供后续 LLM 节点使用。

这一方式让知识检索不必依赖完整的 Dify 知识库模块,也避免了在 Runtime 中引入相关平台的全部依赖。

但实际验证仅覆盖单知识库和向量语义检索,并没有完整实现 Dify 原有的多知识库检索与重排序流程。

如果企业业务需要全文检索、混合检索或更复杂的排序机制,则需要进一步选择适当检索后端或补充节点实现。

3. CODE 节点:适配新的代码执行环境

在原有机制中,Dify CODE 节点使用外部 SandboxCodeExecutor 对接代码沙箱。

该验证环境没有部署对应的 Dify Sandbox,因此使用了进程内的受限执行器。

这样可以完成测试所需的代码逻辑,并验证工作流能否在 AgentCore Runtime 中正常运行。

不过,进程内执行器与具备独立安全隔离能力的沙箱并不等同。

如果企业应用需要运行来自用户或其他不可信来源的代码,必须进一步评估代码隔离、权限与资源限制。

Amazon Bedrock AgentCore Code Interpreter 可以作为需要独立代码执行能力时的一个评估选项,但不能认为该验证已经完整实现了生产环境所需的代码安全体系。

七、Amazon Bedrock AgentCore Runtime 如何承载迁移后的 Dify 工作流?

完成节点适配之后,还需要将工作流执行引擎封装为符合 AgentCore Runtime 要求的应用。

在该实践中,技术团队使用 Amazon Bedrock AgentCore Python SDK 提供的 BedrockAgentCoreApp 创建应用入口。

实际执行逻辑被组织在 build_engine() 函数中。

当外部请求进入时,应用读取输入数据,构建工作流引擎,执行节点并收集执行事件,最后将处理结果返回给调用方。

这种方式将工作流业务逻辑与运行入口进行分离。

对于企业来说,业务系统不需要直接操作 Dify 画布,而是可以通过 AgentCore Runtime 的调用机制触发已经部署的工作流。

1. 通过容器部署到托管 Runtime

实际验证使用了容器部署方式。

团队通过 AgentCore CLI 配置应用入口、运行区域及部署类型,再使用云端构建工具构建镜像并部署。

该实验选择亚马逊云科技东京区域(ap-northeast-1),采用 ARM64 容器镜像,并通过 Amazon CodeBuild 完成云端构建。

这些是此次部署所使用的具体配置,并不是所有 AgentCore 应用都必须照搬的固定条件。

企业可以结合官方支持的部署方式、目标区域和自身技术栈选择合适方案。

2. 运行结果可以通过事件流组织

graphon 在执行工作流时,会输出节点开始、成功、失败和结束等事件。

应用可以收集这些事件并组织为最终结果,也可以根据接口设计以流式方式提供执行信息。

对于需要跟踪任务状态的企业应用,这种执行模式有助于构建更清晰的流程反馈机制。

例如,当一条尽调任务包含多个判断环节时,业务系统可以根据实际返回的事件与结果设计任务状态展示。

不过,是否提供完整的实时业务界面,仍取决于应用层如何处理这些事件,不能仅凭工作流引擎支持事件输出就认定前端展示能力已经完成。

八、五条业务路径验证通过,说明了什么?

在完成本地适配和云端部署后,技术团队构造了五个模拟商户输入,让它们分别命中不同的尽调判断路径。

这五条路径包括:

低风险通过。 商户符合相应低风险条件,工作流进入通过路径。

中风险转人工。 当风险程度需要进一步确认时,流程进入人工审核路径。

高风险拒绝。 对于符合高风险判断条件的输入,工作流执行对应拒绝分支。

信息不一致打回。 当业务信息之间存在不一致时,进入补充或修正信息的处理路径。

注册号异常打回。 对于注册号不符合相应规则的输入,工作流进入对应异常处理路径。

测试结果显示,本地运行和云端远程调用均使五个模拟商户进入预期的业务路径。

这说明在该验证范围内,工作流不仅能够执行到结束节点,还能够正确处理模型、代码、检索和判断节点之间的协作关系。

需要区分的是,五条验证路径并不意味着存在五个独立的结束节点。工作流包含多个结束出口,不同业务路径也可能对应相关的出口结构。

同时,这一结果属于 PoC 验证,不能直接推导为系统已经完成所有生产级测试。

例如,大规模并发、真实客户数据、异常恢复、长时间运行及安全控制等问题,仍然需要企业根据自身环境开展进一步验证。

九、同一份 DSL 能否继续在 Dify 中维护?双向闭环是重要验证结果

企业迁移现有 AI 应用时,除了关心运行是否成功,还会考虑后续如何修改工作流。

如果每次修改业务逻辑,都需要同时维护两套完全不同的流程定义,迁移很可能引入额外成本。

在该实践中,技术团队进一步验证了 DSL 在 Dify 画布和独立 graphon 执行引擎之间的兼容性。

通过补全相应画布字段,工作流定义可以导入一个新的 Dify 实例,原有的 23 个节点和 23 条连接边均得到正确渲染。

同一份 DSL 也可以重新交给 graphon 构建执行引擎,并继续使用自定义的模型和知识检索节点。

这说明,在测试涉及的结构和适配范围内,Dify 可以继续承担工作流的可视化设计与评审,而 AgentCore Runtime 负责云端执行。

对于已有 Dify 资产的企业,这比完全重写工作流更具有实际参考价值。

需要特别处理知识库标识

DSL 能够在画布中显示,并不代表所有外部资源引用都会自动保持有效。

例如,Dify 的知识库引用通常涉及实际的数据集 UUID,而 AgentCore 侧需要将相应标识映射到 Amazon S3 Vectors 的索引。

如果导入时使用无效或占位的数据集标识,Dify 可能无法按预期建立真实知识库关联。

因此,企业需要将工作流结构的兼容性与外部资源配置的兼容性分别测试。

模型标识、知识库 ID 和相关凭证,都应成为迁移过程中需要明确管理的配置项。

十、企业使用 OpenAI 模型构建 AI Agent,如何借鉴这条 Dify 迁移路径?

对于已经使用 OpenAI 模型和 Dify 工作流的企业,上述实践提供了一个值得参考的架构思路:把工作流定义、模型 Provider 和运行环境分开管理。

不过,具体采用哪种模型接入方式,还需要结合业务需求判断。

路径一:继续使用 OpenAI 官方 API,将 Agent 运行环境迁移到 AgentCore

如果企业已经有稳定运行的 OpenAI API 调用代码,并且依赖特定的官方接口能力,可以考虑保留模型服务来源。

在这种设计下,企业需要开发或适配对应的模型 Provider,让部署在 AgentCore Runtime 中的应用调用 OpenAI 官方 API。

AgentCore Runtime 负责承载 Agent 应用,而模型推理仍然通过原有外部 API 完成。

这与使用 Amazon Bedrock 上的 OpenAI 模型是两种不同方案。

AgentCore Runtime 官方文档支持使用不同模型供应商的模型,因此这种架构可以作为技术选项,但需要进一步测试网络访问、凭证管理、接口兼容性和业务安全要求。

路径二:通过 Amazon Bedrock 使用 OpenAI 模型,统一云上模型接入

如果企业希望将模型调用集中到 Amazon Bedrock,可以评估其支持的 OpenAI 模型,以及 Chat Completions、Responses 等推理接口。

对于已经采用 OpenAI SDK 的开发团队,兼容接口能够提供一定程度的代码复用基础。

在 Dify 迁移场景中,可以由自定义模型节点承担对 Amazon Bedrock 的调用,并结合具体模型接口完成适配。

这样,工作流设计可以继续保留在 Dify,实际执行由 AgentCore Runtime 承载,模型请求通过 Amazon Bedrock 完成。

但应特别注意,此次 KYB 尽调验证使用的是自定义 Bedrock LLM 适配,并不是针对 OpenAI 模型完成的专项迁移测试。

将模型替换为 OpenAI 模型,需要重新验证模型权限、参数、响应结构和调用效果。不能将该 PoC 的五条路径验证结果直接视为 OpenAI 模型的实测结论。

路径三:保留多模型选择,根据业务步骤决定模型实现

一些企业可能希望不同工作流节点使用不同模型。

例如,简单信息处理与复杂分析任务,在模型能力、延迟和成本方面可能具有不同要求。

如果工作流引擎和模型 Provider 能够清晰分离,就有条件为不同节点配置不同模型实现。

Amazon Bedrock 的多模型选择能力为这一架构提供了可评估的基础。

不过,多模型架构也会增加配置与测试工作,企业需要核实各模型实际支持的功能,并确认不同模型输出能够满足下游节点的数据要求。

模型灵活性并不意味着任意切换都不会影响业务流程。尤其在存在结构化输出、工具调用或严格判断规则的场景中,替换模型后应重新执行关键路径测试。

十一、从验证到生产:哪些技术边界不能忽略?

尽管迁移实验成功完成了主要工作流的执行验证,但仍然存在明确的生产化限制。

1. graphon 版本需要锁定

graphon 当时处于较快演进阶段。

该实践使用 graphon 0.4.0 完成验证,而在文章校对时,相关包版本已经发展到 0.6.0。

这说明,企业不能仅根据某一版本的接口行为,就假设未来版本保持完全兼容。

如果决定采用这种迁移方案,应锁定经过测试的依赖版本,并在升级时重新核对 DSL 加载接口和节点执行行为。

另外,将 graphon 独立运行作为 Dify 工作流迁移方案,是基于工程实践验证的使用方式,而不是 Dify 官方承诺的标准迁移产品。

2. 节点支持范围仍有缺口

该实践重点覆盖了所测试工作流涉及的节点。

如果企业的现有 Dify 应用使用 QUESTION_CLASSIFIER、HTTP_REQUEST、LOOP、ITERATION 或 AGENT 等其他类型节点,还需要检查对应版本的 graphon 是否支持。

对于未支持的节点,可能需要按照自定义工厂的方式补充执行逻辑。

因此,在迁移项目开始前,先使用 importer.inspect() 检查现有 DSL,比直接尝试部署整个系统更容易识别适配工作量。

3. 模型配置不能只停留在画布中

在此次实验中,DSL 里的模型配置信息主要保留用于 Dify 画布展示,AgentCore 侧实际调用的模型标识仍由代码指定。

这意味着,当开发人员在 Dify 中修改模型配置时,运行在 AgentCore 上的实际模型不一定随之改变。

对于正式业务系统,应进一步设计模型配置同步机制,让工作流定义与实际执行配置保持一致。

如果需要在 OpenAI 官方 API 与 Amazon Bedrock 模型之间切换,更应明确每个节点的真实 Provider、模型标识及参数来源。

4. 代码执行与知识检索需要完善

实验中的进程内代码执行器解决了验证阶段的执行问题,但不能直接替代生产级代码沙箱。

同样,知识检索虽然已通过 Amazon S3 Vectors 实现基础语义搜索,但没有覆盖所有原生 Dify 检索方式。

企业应根据业务对沙箱隔离、全文检索、混合检索及重排序的要求,补齐必要能力。

5. 长工作流需要验证执行限制

20 步工作流包含多次模型调用,执行时间可能受到模型响应速度、检索耗时和其他操作的影响。

正式迁移时,应关注 AgentCore Runtime 的调用超时、执行时长限制与应用自身的错误处理方式。

对于持续时间较长的任务,可以进一步评估异步执行或任务拆分方案,避免业务流程依赖单次请求无限等待。

6. 生产级管理需要独立测试

模型调用与工作流路径验证成功,并不等于企业已经完成生产环境建设。

企业仍需结合真实业务负载测试访问权限、数据保护、异常恢复、日志采集和部署流程。

如果需要分析 Agent 的运行情况,还可以结合 Amazon Bedrock AgentCore Observability 与 Amazon CloudWatch 配置相应监控。

这些能力能够辅助运行分析,但需要按照具体架构启用和验证,不能认为工作流迁移完成后所有内部节点都会自动生成完整追踪数据。

十二、企业选择 OpenAI 模型与 Agent 平台,应该如何评估整体成本?

当企业从简单的模型问答转向多步骤 Agent,成本结构也会随之变化。

除了模型调用费用,还需要考虑运行环境、知识检索、外部服务以及可观测性等资源。

模型调用成本

如果工作流包含多个 LLM 节点,单次业务任务可能触发多次模型请求。

企业应根据实际调用的模型、输入输出 Token、调用频率和适用价格计算费用。

对于通过 Amazon Bedrock 使用的模型,可以参考其官方 Pricing 页面;如果使用 OpenAI 官方 API,则需要按照对应官方定价独立核算。

运行环境成本

采用 AgentCore Runtime 后,需要根据其适用计费规则评估运行资源消耗。

这部分费用与模型推理费用并非同一概念,不能只看模型 Token 单价判断整条工作流的使用成本。

知识检索与其他服务成本

如果工作流使用 Amazon S3 Vectors、嵌入模型或其他云服务,还需要将相关资源的使用费用纳入整体估算。

对于涉及多个工具和外部 API 的 Agent,也应了解对应服务的计费方式。

企业可以通过亚马逊云科技官方 Pricing 页面以及 Amazon Web Services Pricing Calculator,对相关云资源进行成本测算,再结合实际负载测试进行修正。

从长期来看,合适的选型不只是找到一个能够调用 OpenAI 模型的平台,还要判断业务流程所依赖的各类资源能否持续管理,以及架构是否适合后续扩展。

十三、企业在哪里可以使用 ChatGPT 和 OpenAI 模型?已有 AI 应用的选型建议

对于企业在哪里可以使用 ChatGPT 和 OpenAI 模型这一问题,答案取决于实际使用目的。

如果员工主要通过对话界面完成日常工作,可以评估适当的 ChatGPT 产品。

如果开发团队希望将模型嵌入自己的业务应用,可以通过 OpenAI 官方 API,或者评估 Amazon Bedrock 所提供的 OpenAI 模型与兼容接口。

如果企业已经在 Dify 等平台中建立了多步骤 AI 工作流,并希望进一步管理运行环境,则可以将 Amazon Bedrock AgentCore Runtime 纳入架构评估。

Dify 工作流迁移的实践表明,在特定引擎版本与节点适配条件下,复杂工作流可以保留原有业务逻辑,并运行在新的云上执行环境中。对于模型、知识库和代码执行等依赖外部资源的节点,通过自定义 Node Factory 完成适配,是该方案能够成立的关键。

其中,20 个业务节点、23 个总节点、23 条连接边及五条业务路径的验证结果,为这一技术路径提供了具体的工程参考。

但从验证走向真实生产,仍然需要处理模型配置、版本兼容、代码安全、检索能力及运行管理等问题。

对于希望继续使用 OpenAI 模型,同时又不愿重新开发现有 Dify 工作流的企业,这条迁移路线提供了一种值得研究的选择:保留可视化业务编排,将模型接入与 Agent 运行环境作为可以分别调整的架构组成部分。

Amazon Bedrock 可以提供云上模型接入能力,Amazon Bedrock AgentCore Runtime 则为 Agent 应用提供托管运行环境。企业可以根据现有应用结构选择其中一项或组合使用,而不必将模型服务和工作流运行平台固定绑定。

希望进一步了解相关实现方式的开发者,可以通过以下官方渠道查阅:

  • Amazon Bedrock 官方产品页面:进入亚马逊云科技海外官网,了解基础模型选择、推理接口及相关应用开发能力。
  • Amazon Bedrock 开发者文档:查阅 OpenAI Models、API Compatibility、Chat Completions API 和 Responses API,核实模型及接口的适用范围。
  • Amazon Bedrock AgentCore 官方页面与开发文档:了解 AgentCore Runtime 的运行机制、部署方式以及与不同模型和 Agent 框架的集成能力。
  • 亚马逊云科技中国官方博客:阅读《将 Dify 工作流迁移至 Amazon Bedrock AgentCore 的实践与验证》,了解 graphon 工作流引擎、Node Factory 适配、20 步 KYB 尽调流程和云端验证过程。
  • Amazon Bedrock Pricing 与 Amazon Web Services Pricing Calculator:结合具体模型、Runtime 和其他云资源评估实际使用费用。

企业从使用 ChatGPT、接入 OpenAI 模型,到构建真正能够运行在业务系统中的 AI Agent,需要解决的问题会逐步从模型功能扩展到应用架构。

对于已经积累了 Dify 工作流资产的团队,保留已有业务逻辑、按需替换模型 Provider、选择合适的云上运行底座,是一条具有实际工程参考价值的演进路径。

前述特定亚马逊云科技生成式人工智能相关的服务目前在亚马逊云科技海外区域可用。亚马逊云科技中国区域相关云服务由西云数据和光环新网运营,具体信息以中国区域官网为准。