本地部署Next-AI-Draw.io:用DeepSeek生成可编辑架构图

0 阅读

为什么我们需要AI辅助绘图

在编写技术方案或梳理业务流程时,画图往往是最耗时的环节之一。很多时候,逻辑已经在脑海中清晰成型:服务A调用服务B,数据库C负责持久化,消息队列D处理异步任务。但一旦打开绘图软件,大量时间就消耗在了机械操作上——拖拽节点、调整尺寸、对齐连线、重新排版。如果需求发生变更,整个布局可能又要推倒重来。

这种重复性劳动不仅低效,还容易打断思考连贯性。Next-AI-Draw.io 的出现正是为了解决这个问题。它不是简单地生成一张静态图片,而是利用大模型理解自然语言描述,直接生成可编辑的 draw.io 源文件。这意味着 AI 负责完成从0到1的初稿搭建,而开发者可以专注于从1到10的逻辑校验与细节优化。

本文将详细记录在 Windows 平台上通过 Docker 部署 Next-AI-Draw.io 的全过程,并接入 DeepSeek 模型进行实测。同时,针对本地部署后无法在外网访问的痛点,我们将引入 Cpolar 内网穿透方案,实现随时随地的远程绘图与协作。

Next-AI-Draw.io 核心特性解析

Next-AI-Draw.io 是一个开源项目,其核心价值在于将大模型的语义理解能力与传统绘图工具的灵活性相结合。与 Midjourney 或 DALL-E 等生成静态图像的工具不同,它生成的图表保留了对每个组件的控制权。

可编辑性与版本回溯

传统 AI 绘图工具生成的 PNG 或 JPG 图片,一旦需要修改某个标签或调整连线走向,几乎只能重画。Next-AI-Draw.io 生成的是标准的 draw.io XML 结构,用户可以在界面中直接选中任意节点进行修改。此外,工具支持历史版本回溯,即使多次迭代导致布局混乱,也能一键恢复到之前的状态,避免了“改图改崩”的风险。

多场景适配

该工具内置了多种专业模板,能够识别并生成不同类型的图表:

  • 架构图:自动识别云服务组件(如 AWS EC2、S3)、数据库、负载均衡器等图标。
  • 流程图:准确处理判断分支、循环逻辑和异常路径。
  • UML 类图:根据描述生成类、接口、继承关系及关联关系。
  • ER 图:梳理实体间的对应关系,适合数据库设计阶段使用。

隐私安全优势

对于企业用户或对数据敏感的个人开发者而言,云端绘图工具存在数据泄露风险。Next-AI-Draw.io 支持完全本地化部署,所有图表数据仅存储在本地容器中,不上传至任何第三方服务器。只有向大模型发送提示词时会经过网络,且可以通过配置私有化部署的大模型接口进一步隔离数据。

Windows 环境下的 Docker 部署

部署过程并不复杂,前提是本地已安装 Docker Desktop。如果没有安装,需先前往 Docker 官网下载并配置好 WSL2 后端。

获取 API Key

本教程以 DeepSeek 模型为例,因其在中英文理解及代码逻辑生成上表现稳定,且性价比较高。你需要先在 DeepSeek 开放平台注册账号,创建一个 API Key。请妥善保管该密钥,不要将其硬编码在公开代码库中。

执行部署命令

打开 PowerShell 或 CMD 终端,执行以下 Docker 运行命令。这条命令会拉取镜像、配置环境变量并启动容器。

docker run -d \
  --restart unless-stopped \
  --name next-ai-draw-io \
  -p 3164:3000 \
  -e AI_PROVIDER=openai \
  -e AI_MODEL=deepseek-chat \
  -e OPENAI_BASE_URL=https://api.deepseek.com \
  -e OPENAI_API_KEY=sk-your-api-key-here \
  wbsu2003/next-ai-draw-io

参数详解

  • -p 3164:3000:将容器的 3000 端口映射到宿主机的 3164 端口。你可以随意更改宿主机端口,只要不被占用即可。
  • AI_PROVIDER:设置为 openai,因为 DeepSeek 兼容 OpenAI 的 API 格式。
  • AI_MODEL:填写具体的模型名称,如 deepseek-chat 或 deepseek-coder。
  • OPENAI_BASE_URL:DeepSeek 的接口地址,保持默认即可。
  • OPENAI_API_KEY:替换为你实际申请的 API Key。

执行命令后,等待约 10-30 秒(取决于网络速度),容器即启动成功。在浏览器中访问 http://localhost:3164,即可看到 Next-AI-Draw.io 的操作界面。

实战测试:从文字到图表

部署完成后,我们尝试几个典型场景,验证其生成效果。

场景一:生成 TCP/IP 网络层思维导图

在输入框中输入:“帮我生成一份 TCP/IP 网络层架构思维导图,包含应用层、传输层、网络层和链路层的主要协议。”

AI 会在几秒内生成一个层级分明的树状图。应用层下列出了 HTTP、FTP、DNS;传输层列出了 TCP、UDP;网络层则是 IP、ICMP 等。虽然初始布局可能需要微调,但核心知识点覆盖准确,省去了手动创建几十个节点的时间。

场景二:电商下单业务流程图

输入指令:“生成电商用户下单支付的完整业务流程图,包括库存检查、支付网关调用、订单状态更新以及支付失败的异常处理分支。”

生成的流程图清晰地展示了从“用户点击下单”到“支付成功/失败”的路径。特别是异常分支,如“库存不足”或“支付超时”,AI 自动添加了判断菱形框和对应的回流路径。这对于产品经理撰写 PRD 或开发人员梳理逻辑非常有帮助。

场景三:后端登录模块 UML 类图

输入:“生成一个基于 JWT 的后端登录模块 UML 类图,包含 UserController、AuthService、TokenUtil 和 UserRepository,并标明它们之间的依赖关系。”

AI 生成了四个类框,并正确绘制了箭头指向:UserController 依赖 AuthService,AuthService 依赖 TokenUtil 和 UserRepository。虽然类中的具体方法签名可能需要根据实际代码补充,但整体架构关系一目了然,适合作为技术文档的初稿。

解决本地访问限制:Cpolar 内网穿透

本地部署虽然安全,但也带来了访问局限。你只能在运行 Docker 的那台电脑上通过 localhost 访问。如果你想在手机上预览图表,或者在办公室电脑访问家里的 NAS 上部署的服务,就需要解决内网穿透问题。

这里推荐使用 Cpolar,它配置简单,无需拥有公网 IP 或云服务器。

安装与登录

  1. 访问 Cpolar 官网注册账号。
  2. 下载 Windows 版本的客户端并安装。
  3. 安装完成后,在浏览器访问 http://localhost:9200,使用注册的账号登录 Web 管理界面。

创建隧道

在 Cpolar 管理界面中,点击“隧道管理” -> “创建隧道”,配置如下信息:

  • 隧道名称:自定义,例如 next-ai-draw。
  • 协议:选择 http。
  • 本地地址:填写 3164(即之前 Docker 映射的宿主机端口)。
  • 域名类型:如果希望地址固定,选择“二级子域名”并预留一个名称;如果只是临时测试,可选择“随机域名”。
  • 地区:选择距离你物理位置最近的节点,如 China Top。

获取公网地址

创建成功后,在“在线隧道列表”中可以看到生成的公网 URL,例如 https://next-ai-draw.cpolar.cn。在任何设备的浏览器中输入该地址,即可访问你本地运行的 Next-AI-Draw.io 服务。

需要注意的是,免费版的带宽和流量可能有限制,对于高频大图加载场景,建议升级套餐或优化图表复杂度。但对于个人日常使用和轻量级协作,免费额度通常足够。

工作流建议:AI 起草,人工校验

尽管 Next-AI-Draw.io 能大幅提高效率,但完全依赖 AI 并不可取。大模型偶尔会产生“幻觉”,比如连接错误的服务、遗漏关键分支或使用不存在的组件图标。

因此,推荐的工作流是:

  1. 明确需求:用清晰、结构化的自然语言描述系统结构或流程。越详细的提示词,生成的初稿质量越高。
  2. AI 生成:让工具生成初步图表。
  3. 人工校验:检查节点关系是否符合实际逻辑,确认没有遗漏异常路径。
  4. 微调优化:利用 draw.io 的原生功能调整布局、美化配色、补充细节文字。
  5. 导出分享:导出为 PNG、PDF 或保留 .drawio 文件以便后续编辑。

这种方式既利用了 AI 的速度,又保留了人类的专业判断,是目前平衡效率与质量的最佳实践。

结语

Next-AI-Draw.io 并非要取代设计师或架构师,而是将我们从繁琐的绘图操作中解放出来。通过本地部署结合内网穿透,我们既保障了数据隐私,又获得了灵活的访问能力。对于经常需要输出技术文档、方案设计的团队而言,这是一套值得投入时间搭建的基础设施。

随着大模型能力的持续进化,未来的绘图工具或许能更深刻地理解上下文,甚至直接读取代码仓库生成实时更新的架构图。但在当下,掌握“AI 辅助+人工校正”的协同模式,已是提升个人生产力的有效手段。