【AI实战篇-01】利用Deepseek Api方案实现企业微信客户服务合规监控系统案例

写在前面

相信Ai大模型进步，每个程序员都有目共睹。本人也是通过Ai实现全栈开发，目前一直也在专注于探索Ai的应用场景落地。目标100个应用小场景（哈哈哈，有点吹牛啦），希望有志同道合之人一起探索进步吧！
接下来分享的是【AI实战篇-01】利用Deepseek Api方案实现企业微信客户服务合规监控系统案例，后续也会持续输出AI实战开发案例，希望对大家有启发。废话不多说，直接开干。

准备条件

Deepseek 的api key
企业微信开启会话存档（还需要同步存档数据自己数据库中，后续提供输出Api接口）
Ai提示词（合规监控提示词）

调用流程

第一步：申请Api密钥

image.png

首次创建，保存好创建的key,因为不支持修改。

第二步：根据您的应用场景准备好你的提示词

以我的应用场景：话术合规监测

提示词如下：

你是一名资深的证劵从业合规审核专家，专门负责检查金融对话内容是否涉及违规承诺或误导性信息。你的职责是严格按照以下审核规则，对给定的对话内容进行审核，并仅关注这些范围，忽略其他内容。  
  
## **审核规则**  
- **违规承诺**：查找是否包含类似“保证收益”“稳赚不赔”“绝对不会亏”“市场下跌仍能盈利”等表述。这些表述可能构成非法承诺收益或变相承诺收益。  
- **误导性信息**：甄别是否存在夸大收益或错误描述市场风险的内容，例如“无视市场波动”“个股不受行情影响”“持续暴涨”等。  
  
- ## **输出要求**  
- 你需要逐条检查 JSON 数据中的 `content`，如果发现符合上述违规规则的内容，则返回该条消息的以下字段：  
- `msgid`  
- 新增字段审核反馈字段`violation_points`,记录违规的关键词触发点  
- 新增字段审核反馈字段`violation_rules`,记录违反的具体相关法规  
- 新增整改建议字段`correction_suggestions`，记录整改的建议  
- 新增风险级别字段`level`,1代表低风险，2代表中风险， 3代表高风险  
- 新增风险等级说明字段`level_mark`（即使说明level含义）  
- 新增违规类别字段`category_desc`,简要的总结描述违规的类别(如：内幕交易、市场操纵、保证承诺收益、夸大收益、隐瞒风险)  
- 返回结果必须是 JSON 数组格式，  

例如： 
[ {"msgid":xxxxxxxxx,  
"violation_points":xxxxxx,  
"violation_rules":xxxxxx,  
"correction_suggestions":xxxxxx,  
"level"：1,  
"level_mark":"低风险",  
"category_desc":xxxxx,  
} ]  

- 如果没有发现违规内容，则返回空的 JSON 数组 []

第三步：开始封装请求（PHP示例代码）

$url = 'https://api.deepseek.com/chat/completions';  
$api_key = "你创建的key";  
$user_prompt = json_encode($simpleMessageArr, JSON_UNESCAPED_UNICODE);;  
$system_prompt = <<<TEXT  
你是一名资深的证劵从业合规审核专家，专门负责检查金融对话内容是否涉及违规承诺或误导性信息。你的职责是严格按照以下审核规则，对给定的对话内容进行审核，并仅关注这些范围，忽略其他内容。  
  
## **审核规则**  
- **违规承诺**：查找是否包含类似“保证收益”“稳赚不赔”“绝对不会亏”“市场下跌仍能盈利”等表述。这些表述可能构成非法承诺收益或变相承诺收益。  
- **误导性信息**：甄别是否存在夸大收益或错误描述市场风险的内容，例如“无视市场波动”“个股不受行情影响”“持续暴涨”等。  
  
- ## **输出要求**  
- 你需要逐条检查 JSON 数据中的 `content`，如果发现符合上述违规规则的内容，则返回该条消息的以下字段：  
- `msgid`  
- 新增字段审核反馈字段`violation_points`,记录违规的关键词触发点  
- 新增字段审核反馈字段`violation_rules`,记录违反的具体相关法规  
- 新增整改建议字段`correction_suggestions`，记录整改的建议  
- 新增风险级别字段`level`,1代表低风险，2代表中风险， 3代表高风险  
- 新增风险等级说明字段`level_mark`（即使说明level含义）  
- 新增违规类别字段`category_desc`,简要的总结描述违规的类别(如：内幕交易、市场操纵、保证承诺收益、夸大收益、隐瞒风险)  
- 返回结果必须是 JSON 数组格式，  
例如： [ {"msgid":xxxxxxxxx,  
"violation_points":xxxxxx,  
"violation_rules":xxxxxx,  
"correction_suggestions":xxxxxx,  
"level"：1,  
"level_mark":"低风险",  
"category_desc":xxxxx,  
} ]  
- 如果没有发现违规内容，则返回空的 JSON 数组 []  
TEXT;  
  
// 请求数据  
$payload = [  
    'model' => 'deepseek-chat',  
    'messages' => [  
    ['role' => 'system',  
    'content' => $system_prompt],  
    ['role' => 'user', 'content' => $user_prompt]  
    ]  
];  
// 调用 curl_post 方法  
$response = $this->curl_post($url,$api_key,$payload);   
// 检查响应并处理错误  
if (!empty($response)) {  
    if (isset($response['choices'][0]['message']['content'])) {  
        //取值deepseek的回复答案
        $parseContent = $response['choices'][0]['message']['content'];  
        try {
            //解析deepseek的回复答案（根据你自己的业务逻辑处理）  
            $msgIds = self::extractMsgIds($parseContent);  
            Log::debug('获取到的msgIds的内容',$msgIds);  
            
        }catch (\RuntimeException $e) {  
        // 处理异常  
            return '解析出错: ' . $e->getMessage();  
        }  
      
    } else {  
        // 如果响应格式错误，返回详细错误信息  
        return 'API 响应格式错误: ' . json_encode($response);  
    }  
}  else {  
    // 如果没有返回响应，返回 cURL 错误信息  
    return 'API 调用失败，cURL 错误: ' . $response['error'];  
}

基本上就上面几步搞定。

说明：为了减少token消耗和数据安全，你需要对你的数据进行过滤清洗和脱敏处理，这个就需要你自己根据自己的需求调整啦，大体流程上就是这三步可以搞定啦。

DeepSeek 接口响应字段说明（顶层结构）

{
  "id": "a9c6dd94-cddf-4227-xxxxxxxxx7",
  "object": "chat.completion",
  "created": 1745909869,
  "model": "deepseek-chat",
  "choices": [...],
  "usage": {...},
  "system_fingerprint": "fp_88xxxx9eaa_pxxxxx42xxp8"
}

字段名	类型	含义
`id`	string	唯一请求 ID，方便追踪或调试
`object`	string	返回对象类型，这里是 `"chat.completion"`，表示是聊天补全结果
`created`	int	时间戳（Unix 时间，单位秒），表示生成响应的时间
`model`	string	使用的模型名称，例如 `deepseek-chat`
`choices`	array	模型生成的答案列表（通常只有一条）
`usage`	object	当前调用所消耗的 token 数量等统计信息
`system_fingerprint`	string	系统级模型版本指纹，用于追踪生成环境（如模型版本、服务版本等）

`choices` 字段结构说明

"choices": [
  {
    "index": 0,
    "message": {
      "role": "assistant",
      "content": "```json ... ```"
    },
    "logprobs": null,
    "finish_reason": "stop"
  }
]

字段名	类型	含义
`index`	int	多轮回答中的第几条（一般只有 0）
`message.role`	string	响应角色，通常是 `"assistant"`
`message.content`	string	模型生成的主要内容（一般是 Markdown 格式包裹的文本或 JSON）
`logprobs`	null / object	生成时的词概率（如未开启调试一般为 null）
`finish_reason`	string	生成终止原因，如 `"stop"` 表示自然结束，其他还有 `"length"`（达到最大 token 数）等

`usage` 字段说明

"usage": {
  "prompt_tokens": 1998,
  "completion_tokens": 755,
  "total_tokens": 2753,
  "prompt_tokens_details": {
    "cached_tokens": 1984
  },
  "prompt_cache_hit_tokens": 1984,
  "prompt_cache_miss_tokens": 14
}

字段名	含义
`prompt_tokens`	提示词部分使用的 token 数（即你发给模型的内容）
`completion_tokens`	模型生成的回复所用的 token 数
`total_tokens`	本次请求总共消耗的 token
`prompt_tokens_details.cached_tokens`	来自缓存的 token 数，表示是历史缓存的提示
`prompt_cache_hit_tokens`	命中缓存的 token 数
`prompt_cache_miss_tokens`	未命中缓存的新 token 数（有效的费用计算依据）

小贴士：

token 是模型计费和限制单位，约为 1 个英文单词或 1.3~1.5 个汉字；
prompt_cache_hit_tokens 代表已缓存的部分，通常不收费或低费用；
system_fingerprint 可用于确认后台模型版本是否发生变化。

🙌 感谢你耐心看到这儿～，动动你发财的小手点个赞吧！你的一赞，是我持续输出干货的最大动力！后续会持续分享Ai编程干货知识