1. 从“会说话”到“会做事”:为什么你需要Dify Workflow?
如果你之前用过Dify,大概率是从它的聊天机器人或者知识库问答开始的。这很好,你已经让AI“会说话”了。但说实话,这就像你买了一台顶配的电脑,却只用来打字——有点浪费。Dify真正的“杀手锏”,或者说它区别于其他AI应用平台的核心,其实是那个看起来像流程图工具的 Workflow(工作流)。
我刚开始接触Workflow时,感觉就像第一次用上了乐高积木。以前做AI应用,你得写一堆代码去串联不同的服务:调用大模型、查数据库、判断条件、再调用外部API……代码越写越乱,逻辑像一团毛线。而Workflow把这一切都变成了可视化的“搭积木”。你只需要把不同的功能“节点”拖到画布上,用线连起来,一个复杂的智能决策流程就搭建好了。它不再是简单的“一问一答”,而是变成了一个能思考、能判断、能执行一系列动作的“智能大脑”。
举个例子,一个简单的聊天机器人,用户问“我的订单到哪了?”,它可能只会从知识库里找一段标准回复。但用Workflow构建的智能客服系统,可以做到:先让大模型分析用户意图是“查询物流”,然后自动去调用你内部订单系统的API,拿到真实的物流单号和状态,再组织成一段人性化的回复发给用户。如果查询失败,它还能自动判断是否需要转接人工。整个过程,你不需要写一行后端逻辑代码,全在可视化界面里拖拽完成。
所以,Workflow解决的,正是如何将大模型的能力,无缝、可靠地嵌入到你真实的业务逻辑中去。它让你从构建“玩具”走向构建真正能解决实际问题的“生产工具”。接下来,我就带你从零开始,亲手搭建一个这样的智能决策引擎。
2. 核心积木块:你必须掌握的七类工作流节点
要搭好积木,首先得认识每一块积木是干什么的。Dify Workflow提供了多种节点类型,我把最核心、最常用的七种给你掰开揉碎了讲清楚。你可以把它们想象成一个团队里的不同角色。
2.1 大脑:LLM节点
这是工作流的“CPU”,负责调用大模型进行思考、理解和生成。配置它时,有几个关键点我踩过坑:
- 提示词模板:这是灵魂。一定要善用变量,比如
{ {user_input}}。我习惯把系统指令写清楚,比如“你是一个严谨的客服助手,只根据已知信息回答。” - 模型选择:Dify支持多种模型。对于需要强推理的意图识别,我会用GPT-4;对于简单的文本润色,性价比更高的国产模型可能就够了。这里可以根据预算和效果灵活切换。
- 输出格式:如果你希望大模型输出结构化的数据(比如一个包含“意图”和“置信度”的JSON),一定要在提示词里明确要求,并选择“JSON”格式,这样后续节点才能方便地使用它的输出。
一个实战技巧:我经常用LLM节点做“意图分类”。比如用户输入一句话,我让大模型判断这是“咨询价格”、“投诉建议”还是“查询状态”。输出的结果(比如一个标签)会变成一个变量,直接驱动后面的条件判断节点,实现流程分流。
2.2 记忆库:知识库检索节点
当你的流程需要基于内部文档、手册、FAQ来回答时,这个节点就是你的“外接硬盘”。配置时要注意:
- 知识库选择:你可以创建多个知识库,比如“产品手册”、“售后政策”、“内部规章”。在节点里精准选择,避免无关信息干扰。
- 检索精度:
top_k参数控制返回几条相关片段。不是越多越好,一般3-5条就够了,太多可能导致回复冗长或包含噪声。 - 启用增强:打开“关键词增强”选项,它会在向量检索的基础上,结合关键词匹配,通常能提高检索的准确率,尤其当文档专业术语较多时。
实测下来,它和LLM节点配合是天作之合。流程通常是:检索节点找到相关文档片段,然后把这些片段作为上下文,连同用户问题一起喂给LLM节点,让LLM生成最终答案。这样既保证了信息的准确性,又获得了流畅的表述。
2.3 决策者:If/Else条件判断节点
这是实现“智能决策”的关键。它让工作流有了分支,不再是一条直线。它的规则基于你之前节点设置的变量。
比如,经过LLM节点分析,我们得到了一个变量 {
{user_intent}},其值可能是“complaint”(投诉)。在If/Else节点里,你就可以设置规则:{
{user_intent}} == "complaint"。如果成立,流程走向“优先处理”分支(比如直接
3327



被折叠的 条评论
为什么被折叠?



