30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度最近在尝试将大模型能力集成到业务中时发现从零开始构建一个稳定、可维护的AI应用链路远比想象中复杂。从模型选型、API调用、上下文管理到构建复杂的多步骤推理逻辑Agent每一步都可能耗费大量时间且最终产出的应用往往难以迭代和维护。如果你也面临类似的困境希望快速构建一个能处理复杂任务、具备自主决策能力的AI应用那么Dify及其核心的工作流Workflow功能或许就是你正在寻找的解决方案。它并非另一个简单的聊天机器人框架而是一个面向生产级的可视化AI应用开发平台能将你的创意在几分钟内转化为可部署的智能体Agent。本文将手把手带你从零开始基于 Dify 工作流搭建一个具备联网搜索、信息整合与结构化输出能力的“AI新闻摘要助手”。无论你是想快速验证AI创意的产品经理还是希望提升开发效率的工程师都能通过这篇教程避开99%的配置和概念弯路直达核心。1. 理解 Dify 与 AI 工作流为什么是它在深入动手之前我们有必要厘清几个核心概念这能帮助你理解 Dify 所解决的痛点以及其设计哲学。1.1 Dify 是什么Dify 是一个开源的 LLM 应用开发平台。你可以把它理解为一个“可视化、低代码的 AI 应用工厂”。它的目标是将 AI 应用开发中那些重复、复杂且易错的部分如提示词工程、上下文管理、工具调用、流程编排、部署监控等抽象成标准化的组件和界面让开发者能更专注于业务逻辑和创新。根据其官方描述Dify 提供从构思、开发到部署、监控的完整基础设施旨在帮助团队打造能投入生产并创造真正价值的 Agentic AI 解决方案。1.2 什么是 AI 工作流Workflow这是 Dify 的核心功能也是本文的重点。传统开发一个AI功能你可能需要写一堆if-else和函数调用。而在 Dify 中工作流允许你通过拖拽节点、连接线条的方式可视化地编排一个复杂的 AI 任务执行流程。一个工作流通常由以下类型的节点构成输入节点接收用户的问题或指令。LLM 节点调用大语言模型进行思考、推理或生成。工具节点执行具体操作如联网搜索、查询数据库、调用 API、执行代码等。条件判断节点根据上一步的结果决定流程的走向分支。输出节点将最终结果格式化后返回给用户。为什么这很重要因为它将 AI 应用的逻辑从“黑盒提示词”变成了“白盒流程图”。你可以清晰地看到信息是如何流动、被处理和转化的这使得调试、优化和协作变得异常直观。1.3 Dify 工作流 vs. 其他方案你可能会想到 LangChain、LlamaIndex 等开发框架或者 Coze、扣子等平台。以下是简单对比方案特点适合场景LangChain/LlamaIndex代码级框架灵活性极高需要较强的编程能力。深度定制、研究性质、需要与现有代码深度集成的复杂项目。Coze/扣子平台级产品开箱即用生态封闭深度绑定特定模型。快速搭建基于特定平台生态如抖音的聊天机器人或简单插件。Dify 工作流平衡点提供可视化编排同时保持代码级灵活性支持自定义工具、API开源可私有化部署支持几乎所有主流模型。快速原型验证、生产级应用开发、团队协作、需要复杂逻辑与可控性的AI智能体Agent构建。简单来说如果你既不想被平台绑定又希望有比纯代码开发更高的效率Dify 工作流是一个极佳的选择。2. 环境准备三种方式部署 Dify在开始构建工作流之前我们需要先拥有一个 Dify 环境。Dify 支持多种部署方式这里介绍最常用的三种你可以根据自身情况选择。2.1 部署方式对比与选择部署方式难度适合场景说明Docker Compose推荐中等个人学习、团队测试、生产环境最标准、最可控的部署方式适合所有主流操作系统。云服务一键部署简单快速体验、评估使用 Sealos、Zeabur 等平台几分钟即可获得一个在线服务。本地源码运行较难开发者二次开发、深度定制需要 Python、Node.js 环境适合参与贡献或需要修改核心代码。对于绝大多数想快速上手的同学Docker Compose是最佳选择。它避免了环境差异带来的各种问题并且最接近生产部署模式。2.2 使用 Docker Compose 部署详细步骤前提条件你的机器上需要安装好 Docker 和 Docker Compose。如果没有请先访问 Docker 官网 进行安装。步骤 1获取部署文件打开终端Linux/macOS或 PowerShell/CMDWindows执行以下命令下载官方部署脚本# 下载部署脚本 curl -Lo docker-compose.yaml https://raw.githubusercontent.com/langgenius/dify/main/docker/docker-compose.yaml # 下载环境变量配置文件 curl -Lo .env https://raw.githubusercontent.com/langgenius/dify/main/.env.example步骤 2配置关键环境变量使用文本编辑器如 VSCode, Notepad打开刚才下载的.env文件。我们主要关注以下几个配置# 打开 .env 文件进行编辑 # 对于 Linux/macOS vim .env # 或使用 cat 命令查看 cat .env找到并修改以下行以下配置为最低要求用于本地体验# 设置数据库密码请务必修改为一个强密码 DB_PASSWORDdifyai123456 # 外部访问地址如果你是本地部署可以设置为你的服务器IP或 localhost APP_WEB_URLhttp://localhost:3000 # 邮件服务可选体验时可暂时关闭 MAIL_TYPEoff为什么需要设置APP_WEB_URL这个地址用于 Dify 内部服务间通信以及生成回调链接。如果设置错误可能会导致应用无法正常访问或功能异常。步骤 3启动 Dify 服务在包含docker-compose.yaml和.env文件的目录下运行以下命令# 在后台启动所有服务 docker-compose up -d这个命令会拉取 Redis、PostgreSQL、Nginx 和 Dify 自身的镜像并启动所有容器。首次运行需要下载镜像时间取决于你的网络速度。步骤 4检查服务状态与访问启动完成后使用以下命令查看容器是否正常运行docker-compose ps你应该看到所有服务的状态都是Up。然后在浏览器中访问http://localhost:3000如果你在远程服务器部署请将localhost替换为服务器 IP。首次访问会进入初始化页面按照提示创建管理员账号即可。步骤 5配置模型供应商关键登录后点击左下角“设置” - “模型供应商”。这是让 Dify “活”起来的关键一步你需要为它提供“大脑”大模型。Dify 支持数十种模型包括 OpenAI GPT、 Anthropic Claude、国内的通义千问、智谱GLM、DeepSeek等。这里以配置OpenAI和Ollama本地模型为例配置 OpenAI在“模型供应商”页面点击“OpenAI”。填入你的 OpenAI API Key。你可以从 OpenAI Platform 获取。在下方“模型”区域点击“新建模型”。填写模型名称如gpt-4o选择模型类型如GPT-4模型ID填写gpt-4o。点击“保存”。配置 Ollama本地运行模型如果你希望在本地运行开源模型以节省成本或保证数据隐私Ollama 是绝佳选择。确保你已在运行 Dify 的同一台机器上安装并启动了 Ollamaollama serve。在 Dify “模型供应商”页面点击“Ollama”。默认的 API Base 地址是http://host.docker.internal:11434。这里有个关键点Dify 运行在 Docker 容器内要访问宿主机的 Ollama需要使用特殊的 Docker 网络主机名host.docker.internalWindows/macOS Docker Desktop 支持。如果你是 Linux 原生 Docker可能需要改为http://172.17.0.1:11434或使用network_mode: host模式。点击“保存”。同样在下方“模型”区域点击“新建模型”。名称填llama3.2模型类型选LLM模型ID填llama3.2这个ID必须与你在 Ollama 中拉取的模型名一致。至此你的 Dify 平台就准备就绪了3. 核心概念拆解Dify 工作流节点全览在动手搭建前我们先系统性地认识一下 Dify 工作流编辑器中的核心节点。理解每个节点的作用是设计高效工作流的基础。Dify 的节点主要分为几大类开始、LLM、工具、逻辑、代码、知识库、文本处理、结束。3.1 开始与结束节点开始节点每个工作流的入口定义了用户输入的变量。你可以在这里设置提示词引导用户输入。结束节点工作流的出口负责将最终结果返回给用户。你可以在这里定义输出的格式如纯文本、JSON、Markdown。3.2 LLM 节点这是工作流的“大脑”。你可以配置选择模型调用之前配置好的任意模型供应商如 GPT-4, Claude, 本地 Llama3。系统提示词定义 AI 的角色和任务边界这是控制 AI 行为的关键。上下文变量引用上游节点的输出作为本次对话的上下文。温度、最大 Token 数等参数控制生成内容的随机性和长度。3.3 工具节点这是工作流的“手和脚”让 AI 具备了与外界交互的能力。Dify 内置了丰富的工具HTTP 请求调用任何外部 RESTful API。代码执行安全地执行 Python 或 JavaScript 代码片段。文本提取/处理正则匹配、文本分割、总结等。内置工具联网搜索需在“工具”设置中配置 Serper 或 Tavily 的 API Key、维基百科查询等。重点工具节点的输出是一个结构化对象通常是 JSON你需要用{{variable}}的形式在后续节点中引用其特定字段。3.4 逻辑控制节点条件判断根据某个变量的值如{{#if result.length 0}}来决定流程走向实现分支逻辑。循环对列表类型的数据进行遍历处理。变量分配器用于创建或修改变量是流程中数据转换的枢纽。3.5 知识库节点Dify 的另一大核心功能。你可以上传文档TXT, PDF, Word, PPT, MarkdownDify 会自动进行切片、向量化并存入向量数据库。知识库检索节点在工作流中根据用户问题从已建立的知识库中检索最相关的文本片段并将其作为上下文提供给 LLM 节点实现RAG检索增强生成。掌握了这些节点你就拥有了构建复杂 AI 智能体的全部积木。4. 实战从零搭建“AI新闻摘要助手”工作流现在我们进入最激动人心的部分——亲手搭建一个工作流。我们的目标是用户输入一个话题如“人工智能最新进展”工作流能自动联网搜索相关信息整合并生成一份结构清晰、带有来源的摘要报告。4.1 创建应用与工作流登录 Dify点击顶部导航栏的“创建应用”。选择“工作流”类型输入应用名称如“AI新闻摘要助手”点击创建。进入应用后你会看到空白的画布左侧是节点列表。4.2 搭建工作流骨架我们将按照“提问 - 搜索 - 总结 - 格式化输出”的流程来搭建。步骤 1放置并配置“开始”节点从左侧拖拽一个“开始”节点到画布。点击它在右侧配置面板的“变量”部分添加一个变量变量名query显示名称请输入你想了解的话题类型文本必填勾选 这个变量将用于接收用户的输入。步骤 2添加“联网搜索”工具节点从左侧“工具”分类下拖拽“联网搜索”节点到画布。将“开始”节点的输出端口右边的小圆点连接到“联网搜索”节点的输入端口。点击“联网搜索”节点进行配置搜索查询填入{{query}}。这意味着将用户输入的话题作为搜索关键词。最大结果数设置为5获取前5条相关结果。注意首次使用需在应用界面的“工具”标签页中配置好 Serper 或 Tavily 的 API Key步骤 3添加 LLM 节点进行信息整合从左侧“LLM”分类下拖拽一个“LLM”节点到画布。将“联网搜索”节点的输出连接到该 LLM 节点的输入。配置 LLM 节点选择模型比如选择我们之前配置的gpt-4o。系统提示词这里至关重要它决定了 AI 如何处理搜索到的信息。你是一个专业的新闻编辑。请根据提供的网络搜索结果整理一份关于 {{query}} 的简明摘要报告。 要求 1. 提取核心事实和关键进展。 2. 分点陈述逻辑清晰。 3. 在每一点后面用括号注明信息来源的标题或域名。 4. 确保信息准确不捏造。 5. 如果搜索结果为空或无关请如实告知用户“未找到相关信息”。上下文在“上下文”区域添加一个“变量”。变量名填search_results内容填{{#search.results}}。这样就把搜索工具返回的 JSON 结果传递给了 LLM。步骤 4添加“结束”节点并格式化输出拖拽一个“结束”节点到画布。将 LLM 节点的输出连接到“结束”节点。配置“结束”节点输出内容填入{{#llm.choices.0.message.content}}。这是引用 LLM 节点生成的内容。你还可以在“回复模式”中选择“文本”或“Markdown”让输出更美观。至此一个基础的工作流就搭建完成了你的画布应该类似下图文字描述[开始节点] -- (query) -- [联网搜索节点] -- (results) -- [LLM节点] -- (answer) -- [结束节点]4.3 测试与运行点击画布右上角的“保存”按钮。点击右上角的“发布”按钮将工作流发布为一个可访问的应用。发布后点击“体验”或“访问应用”即可打开一个聊天窗口。在输入框尝试提问“最近太空探索有什么新发现”等待几秒钟你将看到工作流自动执行先搜索然后 LLM 基于搜索结果生成一份带来源的摘要。首次运行可能遇到的问题搜索失败检查“联网搜索”工具的 API Key 是否在应用设置中正确配置。LLM 无响应检查模型供应商配置是否正确API Key 是否有余额或权限。变量引用错误确保在引用变量时使用了正确的语法{{variable_name}}并且变量名与上游节点的输出字段名一致。5. 进阶优化工作流与添加复杂逻辑基础工作流跑通后我们可以让它更智能、更健壮。5.1 添加条件判断处理无结果情况当前流程中即使用户输入无意义内容或搜索无结果LLM 节点也会运行。我们可以优化在“联网搜索”节点后添加一个“条件判断”节点在“逻辑”分类下。配置判断条件{{search.results.length}}0。意思是“如果搜索结果数量大于0”。将“联网搜索”节点连接到条件判断节点。从条件判断节点的“真”分支连接到原来的 LLM 节点。从条件判断节点的“假”分支直接连接到一个新的 LLM 节点或文本节点并配置其直接回复“未找到关于{{query}}的相关信息请尝试更换关键词。”再将这个新 LLM 节点连接到“结束”节点。这样只有当有搜索结果时才会执行复杂的摘要生成否则直接返回友好提示。5.2 使用“变量分配器”进行数据清洗搜索返回的结果可能包含大量 HTML 标签或无意义信息。我们可以在 LLM 处理前先做一次清洗。在“联网搜索”和“条件判断”节点之间插入一个“变量分配器”节点。配置该节点创建一个新变量比如cleaned_results。在“值”的编辑框中我们可以写一段简单的 JavaScript 代码来处理{{search.results}}// 这是一个简单的清洗示例提取每个结果的标题和摘要 const rawResults {{search.results}}; const cleaned rawResults.map(item { return { title: item.title || ‘无标题’, snippet: item.snippet || ‘无摘要’, link: item.link }; }); return cleaned;然后在后续 LLM 节点的上下文中引用{{cleaned_results}}而不是原始的{{search.results}}。5.3 并行处理与聚合假设我们想从多个角度例如技术角度、商业角度来分析一个话题可以在条件判断为“真”之后分出两个并行的 LLM 节点。给两个 LLM 节点配置不同的系统提示词例如一个角色是“技术分析师”另一个是“市场研究员”。两个 LLM 节点都接收相同的cleaned_results作为上下文。使用一个“文本处理”节点下的“合并”节点将两个 LLM 的输出合并。最后再连接一个 LLM 节点对合并后的内容进行最终总结和润色。通过这样的设计你可以构建出非常复杂、强大的多智能体协作流程。6. 常见问题与排查思路FAQ在学习和使用 Dify 工作流的过程中你可能会遇到以下问题。这里提供一份自查清单问题现象可能原因排查步骤与解决方案工作流保存或发布失败1. 节点配置有循环依赖。2. 变量引用了一个不存在的上游节点输出。3. 网络问题导致保存超时。1. 检查画布确保没有形成闭环即箭头指回了上游。2. 点击每个节点检查其引用的变量名如{{xxx}}是否与上游节点的输出变量名完全一致。3. 刷新页面或检查浏览器控制台F12的网络请求报错。工具节点如搜索执行失败1. 工具未在应用级别启用或配置 API Key。2. 网络问题导致调用外部 API 超时。3. 输入参数格式错误。1. 进入应用详情页点击“工具”标签确保所需工具已“启用”且 API Key 正确无误。2. 检查 Docker 容器或服务器网络是否能正常访问外部 API如api.serper.dev。3. 检查工具节点的输入参数确保是有效的字符串或变量。LLM 节点无响应或报错1. 模型供应商配置错误或 API Key 无效/过期。2. 请求超时或模型服务不稳定。3. 提示词过长超出模型上下文限制。1. 进入“设置”-“模型供应商”检查对应模型的状态测试 API Key 是否有效。2. 尝试更换一个模型如从 GPT-4 换到 GPT-3.5进行测试。3. 简化系统提示词或使用“文本处理”节点中的“截断”功能减少上下文长度。变量{{xxx}}无法被识别1. 变量名拼写错误。2. 试图在产生该变量的节点之前引用它。3. 变量作用域问题例如在循环内部定义的变量不能在外部使用。1. 仔细核对变量名注意大小写和特殊字符。2. 确保数据流方向正确变量必须在引用它的节点的上游被定义和输出。3. 理解工作流的线性执行顺序必要时使用“变量分配器”在全局作用域创建变量。工作流运行结果不符合预期1. 系统提示词指令不清晰。2. LLM 温度等参数设置不当。3. 上游数据处理有误导致给 LLM 的上下文质量差。1.调试黄金法则在 LLM 节点前插入一个“文本”节点将准备发送给 LLM 的完整上下文提示词变量输出出来检查是否与你预期的一致。2. 调整 LLM 节点的“温度”到较低值如 0.2减少随机性。3. 优化上游的数据清洗和过滤逻辑。7. 最佳实践与工程建议将工作流从“能跑”提升到“好用、可维护”需要遵循一些工程实践。7.1 提示词工程角色清晰在系统提示词中明确赋予 AI 一个具体的角色如“资深数据分析师”、“挑剔的编辑”这能显著提升输出质量。结构化输出明确要求 AI 以特定格式如 JSON、Markdown 列表、特定分隔符输出便于下游节点解析。例如“请以 JSON 格式输出包含summary和keywords两个字段。”分步思考对于复杂任务在提示词中鼓励 AI “逐步思考”或使用“链式思考”Chain-of-Thought技巧这可以通过在工作流中串联多个 LLM 节点来实现。7.2 工作流设计模块化将复杂流程拆分成多个子工作流。Dify 支持工作流嵌套调用另一个工作流这有助于复用和维护。善用“知识库”对于需要依赖固定文档、手册、产品信息的场景优先建立知识库而不是将文本硬编码在提示词中。知识库支持版本管理和增量更新。错误处理关键路径上如调用外部 API添加“条件判断”和“错误处理”分支给用户友好的失败提示而不是让整个流程崩溃。添加日志与调试节点在关键步骤后插入“文本”节点将中间变量输出到运行日志中这是调试复杂工作流最有效的方法。7.3 生产环境部署版本管理Dify 支持应用版本管理。在发布重大修改前先创建一个新版本进行测试稳定后再切换。环境隔离使用不同的配置如.env文件来区分开发、测试和生产环境特别是模型 API Key 和数据库连接。监控与观测Dify 提供了应用日志、对话历史、性能指标延迟、Token 消耗的监控面板。定期查看用于优化成本和性能。权限控制在团队中使用时利用 Dify 的成员和权限管理功能控制谁可以编辑、查看或仅使用应用。7.4 性能与成本优化缓存策略对于重复性高、结果变化不大的查询如知识库问答可以考虑启用缓存减少对 LLM 的调用节省成本和时间。模型选型非核心的文本处理、格式化任务可以使用更便宜、更快的模型如 GPT-3.5-Turbo而将核心的创意生成、复杂推理任务交给更强的模型如 GPT-4。精简上下文传递给 LLM 的上下文如搜索结果的 snippets不是越多越好。使用“文本处理”节点进行摘要、过滤和去重只保留最相关的信息这能降低 Token 消耗并提升回答质量。通过这篇教程我们完成了从理解 Dify 与工作流概念到本地部署环境再到一步步搭建并优化一个实用的 AI 新闻摘要助手的全过程。Dify 工作流的强大之处在于它将复杂的 AI 应用开发变成了可视化的“搭积木”游戏极大地降低了技术门槛。下一步你可以尝试集成知识库为你专属的领域数据公司文档、产品手册创建知识库并构建一个智能问答助手。探索更多工具尝试使用“HTTP 请求”节点连接你自己的业务 API或使用“代码执行”节点进行数据计算。构建复杂 Agent结合条件判断、循环和多个 LLM 节点设计一个能自主规划、执行多步骤任务的智能体。AI 应用的未来是智能体Agent而 Dify 工作流为你提供了打造这些智能体最直观、最高效的流水线。现在就打开你的 Dify开始构建第一个属于你自己的生产级 AI 应用吧。如果在实践中遇到任何问题欢迎在评论区交流讨论。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度