在 Windows 上部署 Next AI Draw.io 并接入 DeepSeek 模型实测

1 阅读

背景与目标

画架构图、流程图或 UML 图时，最耗时间的往往不是理清逻辑，而是把已经想好的结构手动拖拽成节点、连线并反复调整排版。尤其当需求频繁变更，图纸就得跟着改，效率很低。

img

Next AI Draw.io 提供了一种新思路：用自然语言描述你想要的图，让大模型生成对应的 draw.io 格式初稿，再通过对话继续增删节点、调整关系或优化布局。AI 负责第一稿和重复劳动，人负责最终的技术逻辑校验。

img

本文的目标很具体：

  • 在 Windows 电脑上通过 Docker 部署 Next AI Draw.io；
  • 接入 DeepSeek 的公开 API（非本地模型）；
  • 实际测试几类常见图表的生成与修改效果；
  • 用 cpolar 实现内网穿透，支持远程访问。

需要明确的是，“本地部署”在这里仅指应用运行在自己的机器上，模型推理仍通过 DeepSeek 的公网服务完成，因此并非完全离线方案。

关于 Next AI Draw.io

Next AI Draw.io 是一个开源项目（GitHub 地址：https://github.com/DayuanJiang/next-ai-draw-io），核心功能是将大模型的文本生成能力与 draw.io 的图形编辑能力结合。用户输入一段描述，比如“画一个用户登录的 UML 序列图”，工具会调用配置的大模型生成符合 draw.io 格式的 XML 结构，并直接渲染成可编辑的图表。

它的优势在于：

  • 自然语言驱动：无需熟悉 draw.io 组件库，用日常语言即可生成专业图表；
  • 可编辑性保留：生成的图仍是标准的 draw.io 文件，可在原生编辑器中继续修改；
  • 版本回溯：每次修改都会保存历史快照，支持回退；
  • 多模型兼容：支持 OpenAI、DeepSeek、AWS Bedrock 等主流 API；
  • 本地运行：应用本身可通过 Docker 在本地启动，数据不强制上传云端。

不过要注意，目前它并不包含内置的本地大模型，所有 AI 能力依赖外部 API。这意味着你的描述文本和上下文会发送到第三方服务，敏感信息需谨慎处理。

Windows 上的 Docker 部署步骤

部署的前提是已安装 Docker Desktop for Windows。如果没有，可从官网下载并启用 WSL2 后端。

准备工作

  1. 获取 DeepSeek API Key：登录 DeepSeek 官网控制台，创建 API Key；
  2. 确认模型名称：本文使用 deepseek-v4-pro；
  3. 接口地址：DeepSeek 的 OpenAI 兼容接口为 https://api.deepseek.com。

启动容器

打开 PowerShell 或 CMD，执行以下命令（替换 YOUR_API_KEY 为实际密钥）：

docker run -d \
  --restart unless-stopped \
  --name next-ai-draw-io \
  -p 3164:3000 \
  -e AI_PROVIDER=openai \
  -e AI_MODEL=deepseek-v4-pro \
  -e OPENAI_BASE_URL=https://api.deepseek.com \
  -e OPENAI_API_KEY=YOUR_API_KEY \
  wbsu2003/next-ai-draw-io

image-20260608161327933

这里有几个关键点：

image-20260608161252771

  • AI_PROVIDER 设为 openai 是因为 DeepSeek 提供了 OpenAI 兼容接口；
  • 端口映射 -p 3164:3000 将容器内的 3000 端口暴露为本地的 3164；
  • 使用的镜像是社区构建的 wbsu2003/next-ai-draw-io，并非官方仓库直接发布，长期使用建议核对项目 README 中推荐的镜像。

image-20260608163137828

执行后，等待约 10 秒，访问 http://localhost:3164 即可看到界面。

image-20260608163234562

实测生成效果

image-20260608163301307

我们测试了五类常见图表，观察 AI 是否能准确理解需求并生成可编辑的 draw.io 结构。

image-20260608163348836

思维导图：TCP/IP 网络层架构

image-20260608163442052

输入：“帮我生成一份 TCP/IP 网络层架构思维导图。”

image-20260608163456947

结果：AI 正确识别出四层模型（链路层、网络层、传输层、应用层），并为每层添加了典型协议作为子节点。布局采用中心辐射式，符合思维导图惯例。后续可通过指令如“在传输层下增加 QUIC 协议”进行增量修改。

image-20260608163513097

业务流程图：电商下单支付售后

image-20260608163645897

输入：“生成电商用户下单、支付、售后的完整业务流程图，包含异常分支。”

image-20240319175308664

结果：流程从用户浏览商品开始，经过加入购物车、下单、支付（成功/失败）、发货、确认收货，再到申请售后（退货/换货）。支付失败和售后审核不通过等异常路径均有体现。节点类型使用了标准的 BPMN 风格（圆角矩形表示活动，菱形表示判断）。

image-20260608163837590

UML 类图：用户登录注册模块

image-20260608164006339

输入：“生成后端用户登录注册模块的 UML 类图，包含 UserService、UserRepository 和 User 实体。”

image-20260608164120805

结果：正确创建了三个类，标明了属性和方法，并用依赖和聚合关系连接。例如，UserService 依赖 UserRepository，UserRepository 持有 User 列表。虽然方法签名略显简略，但结构基本可用。

image-20260608164205174

ER 图：小型项目数据库设计

image-20260608164254794

输入：“生成一个博客系统的数据库 ER 图，包含用户、文章、评论三张表。”

文章配图

结果：生成了 users、posts、comments 三张表，主键、外键关系正确（posts.user_id → users.id，comments.post_id → posts.id）。字段数量适中，未过度生成无关列。

AWS 云架构图

输入：“画一个简单的 AWS 架构图：用户通过 CloudFront 访问 S3 静态网站，API 请求由 API Gateway 转发给 Lambda，Lambda 查询 DynamoDB。”

结果：使用了 AWS 官方图标集，组件位置合理，连线标注清晰。CloudFront 指向 S3，API Gateway 连接 Lambda，Lambda 再连接 DynamoDB。整体符合 AWS Well-Architected 框架的常见模式。

观察与局限

  • 优点：初稿生成速度快，结构大致合理，节省了大量手动排版时间；
  • 问题：技术细节可能出错。例如，在 UML 图中，某些方法的参数类型缺失；在 ER 图中，未标明字段是否可为空；在流程图中，部分判断条件表述模糊。

因此，AI 生成的结果必须人工复核，尤其涉及系统边界、数据一致性或安全逻辑时，不能因图表“看起来完整”就默认正确。

通过 cpolar 实现远程访问

默认情况下，localhost:3164 只能在本机访问。若需从手机、公司电脑或其他网络环境使用，需做内网穿透。

配置 cpolar

  1. 注册 cpolar 账号（https://www.cpolar.com/）；
  2. 下载并安装 Windows 客户端；
  3. 启动后访问 http://localhost:9200，用账号登录 Web 管理界面；
  4. 创建隧道：
    • 协议：HTTP；
    • 本地地址：3164；
    • 域名类型：选择“二级子域名”（需先在官网预留一个名称）；
    • 地区：China Top。

image-20260608163920275

创建成功后，cpolar 会提供一个类似 yourname.cpolar.top 的公网地址。任何设备访问该地址，即可打开你的 Next AI Draw.io 实例。

安全提醒

由于容器启动时已注入 OPENAI_API_KEY，任何能访问该页面的人都可能触发 API 调用，从而消耗你的模型额度。因此：

  • 不要将公网地址公开分享；
  • 如需团队协作，应等待 Next AI Draw.io 支持访问密码或 OAuth 登录；
  • 长期使用建议配置 HTTPS（cpolar 付费版支持自定义域名 + SSL）。

注意事项与建议

  1. 镜像来源：本文使用的 Docker 镜像 wbsu2003/next-ai-draw-io 并非项目官方发布。建议查看 GitHub 仓库的最新文档，确认推荐的镜像和版本，避免安全或兼容性问题。

  2. 数据持久化：当前部署方式未挂载数据卷，容器删除后历史记录会丢失。如需保留项目，应添加 -v 参数将数据目录映射到本地文件夹。

  3. 模型成本：DeepSeek 按 token 计费，复杂图表可能消耗较多上下文。建议在提示词中明确“保持简洁”“只包含核心组件”以控制成本。

  4. 替代方案：如果你希望完全离线运行，可考虑将 Next AI Draw.io 与本地 LLM（如 Ollama 托管的 Qwen、Llama 3）对接，但这需要额外配置 OpenAI 兼容代理（如 OpenLLM 或 LiteLLM）。

小结

Next AI Draw.io 在 Windows 上的部署并不复杂，Docker 一行命令即可启动。配合 DeepSeek API，它能快速将自然语言转化为可编辑的 draw.io 图表，显著提升绘图效率。实测表明，对于思维导图、流程图、UML 和云架构等场景，AI 生成的初稿具备实用价值，但仍需人工校验技术细节。

通过 cpolar 实现内网穿透后，该工具可随时随地访问，适合个人开发者或小团队临时协作。但务必注意 API Key 的保护，避免被滥用。

这套组合拳——本地应用 + 公网模型 + 内网穿透——提供了一种折中的高效绘图方案：既保留了数据本地存储的可控性，又利用了大模型的理解与生成能力。对于经常需要画图但又不愿陷入繁琐操作的人来说，值得一试。