五、Dify 实战：RAG 与工作流企业级应用

qddd
0 阅读38分钟

1. Dify 能力全开：低代码智能神器简介

1.1 🎯 学习目标

  • 认识 Dify 平台及其官网入口：dify.ai
  • 理解 Dify 的核心定位与六大能力模块
  • 掌握 Dify 在不同场景下的典型应用

1.2 📚 什么是 Dify？

Dify 是一款开源的 LLM 应用开发平台，融合 Backend‑as‑a‑Service（BaaS）与 LLMOps 思想，提供：

  • 可视化 Prompt 编排：拖拽式编辑，无需写一行代码
  • 高质量 RAG 引擎：内置向量检索，文档召回更高效
  • 灵活 Agent 框架：用“角色+目标+约束”快速定义智能体
  • 低代码工作流：跨模型、跨工具，一键串联业务流程
  • 即用界面 & API：标准 RESTful 接口，轻松接入现有系统

官网：dify.ai

1.3 💻 Dify 内核解析

  • 平台定位：为什么选择 Dify 而非底层 SDK
  • 六大能力
    1. 多模型支持
    2. 可视化 Prompt 编排
    3. RAG 向量检索
    4. Agent 智能体
    5. 低代码工作流
    6. 界面与 API
  • 应用场景：
    • 最低成本验证创意和 MVP
    • 将 AI 无缝接入业务系统
    • 私有化自部署，实现数据和模型全托管
    • 零门槛体验 Prompt 工程与 Agent 编排

1.4 ❓ 常见问题

1.4.1 Q：Dify 与 LangChain 等底层库有何本质区别？

A：LangChain 是“零件库”，需自行拼装、运维；Dify 是“生产级平台”，集可视化、运维、模型管理与多模型接入于一体。

1.4.2 Q：如何在本地私有化部署 Dify？

A：Dify 完全开源，可使用 Docker Compose 或源码方式自部署，保证数据和模型都在自己掌控之中。如果不希望自己部署，也可以在官网注册 Dify Cloud 账号在线进行使用。

2. 点击即用：云端账号注册一站速通

2.1 🎯 学习目标

  • 快速完成 Dify 云端账号注册与登录
  • 熟悉登录后首页的主要界面布局

2.2 📚 前置条件

  • 准备一个可用的 GitHub 或 Google 账号
  • 能正常访问 cloud.dify.ai

2.3 📝 操作步骤

  1. 访问云端入口 打开浏览器，输入 cloud.dify.ai 并回车。
  2. 选择第三方登录
    • 点击“使用 GitHub 登录”或“使用 Google 登录”按钮
    • 在弹出的授权窗口中，确认授权即可进入 Dify
    • 你也可以使用你自己的邮箱注册登录
  3. 了解登录后首页布局
    • 顶部导航：
      • 搜索框：快速查找应用或知识库
      • “工作室”、“知识库”、“工具”按钮：切换功能区
      • 用户头像：查看账户设置或登出
    • 标签过滤栏：
      • “全部”、“工作流”、“Chatflow”、“聊天助手”、“Agent”、“文本生成”
      • 点击任意标签，可只看对应类型的项目
    • 创建应用卡片：
      • “创建空白应用”、“从应用模板创建”、“导入 DSL 文件”三种入口
    • 已创建应用列表：
      • 以卡片形式展示你所有项目，显示名称、最后编辑时间、简要描述

3. Dify本地部署：Docker Compose 来搞定

3.1 🎯 学习目标

  • 在本地通过 Docker Compose 一键部署 Dify 社区版
  • 启动所有服务容器并确认运行状态
  • 访问本地界面，验证部署成功

3.2 📚 前置条件

  • 已安装 Docker Engine 与 Docker Compose
  • CPU ≥ 2 核，内存 ≥ 4 GiB
  • 网络可访问 GitHub
  • 安装好 Git git-scm.com/downloads

3.2.1 🔗 Docker 下载及安装地址

3.3 📝 操作步骤

  1. 克隆源码仓库

    git clone https://github.com/langgenius/dify.git --branch 版本号

    请根据最新发行版本号替换，比如 1.6.0

  2. 进入 Docker 配置目录

    cd dify/docker

  3. 复制环境变量模板

    cp .env.example .env

    可按需调整 .env 中的端口、存储路径等参数，默认配置即可用于本地测试。

  4. 一键启动容器

    docker compose up -d

    使用 Docker Compose V2 语法，后台启动所有服务。

  5. 查看容器状态

    docker compose ps

    确认 api、web、worker、db、redis、nginx、weaviate 等容器都处于 Up 状态。

3.4 🖥️ 验证部署

  • 打开浏览器访问：http://127.0.0.1

  • 如果你在.env文件中配置了新的nginx端口，请使用新的端口来访问

  • 你应能看到 Dify 登录/安装页面

  • 若出现错误，可执行：

    docker compose logs -f

    查看日志流，定位启动异常

至此，本地 Dify 社区版已成功部署并启动。

4. 一键接通大模型：LLM 配置全流程

4.1 🎯 学习目标

  • 了解 Dify “模型供应商（Model Providers）”机制，并能在设置页新增主流大模型
  • 学会设置默认推理模型、Embedding 模型与 Rerank 模型，为后续 RAG / Agent 场景打下基础

4.2 📚 前置条件

项目说明
Dify 部署已完成云端注册或本地 Docker Compose 部署，能正常登录控制台
API 凭证至少准备一份有效的模型 API Key
网络可访问对应模型供应商的 API 域名

4.3 📝 操作步骤

4.3.1 进入「模型供应商」

  1. 登录 Dify 控制台，点击左侧 设置 → 模型供应商 (Model Providers)
  2. 页面展示当前已接入的所有模型及其调用统计，为后续管理提供统一入口

4.3.2 添加 LLM 厂商

操作：找到对应的模型供应商，点击安装按钮进行安装即可。安装完成后，配置该厂商的API KEY。

4.3.3 设定默认模型

  • 点击系统模型设置，选择每种类型的默认模型。

完成以上步骤后，你已成功将所需大模型接入 Dify，后续即可在应用、工作流与知识库中自由调用。

5. 知识库秒上云：文档上传 & 管理入门

5.1 🎯 学习目标

  • 在 Dify 云端或本地实例中新建知识库
  • 一键上传本地文档并完成基础管理
  • 进行文档增删改查及权限配置

5.2 📚 前置条件

  • 已完成 Dify 登录，进入“知识库”模块
  • 准备好支持格式（PDF、DOCX、Markdown、TXT）文档
  • 拥有知识库操作权限

5.3 📝 操作步骤

第一步：创建知识库

  • 点击顶部导航 “知识库” → “创建知识库”
  • 可以直接导入文件或者创建一个空的知识库

第二步：上传文档

  • 进入“文档”页签，点击“添加文件”
  • 拖拽或选择本地文件，支持批量上传
  • 等待系统完成文档清洗与索引

第三步：文档管理

  • 在文档列表中，点击“更多”可进行归档或删除
  • 使用搜索框快速定位目标文档
  • 批量操作：选中多份文档执行统一操作

第四步：权限设置

  • 进入“设置” → “可见权限”
  • 分配“只有我”/“部分团队成员”/“所有团队成员”角色
  • 确保团队成员按需访问相应知识库

5.4 ❓ 常见问题

  • 上传失败：检查文件大小限制及网络状态
  • 文档不可见：确认是否具有查看权限

6. 分段还是整篇？知识库切片与检索参数秘籍

6.1 🎯 学习目标

  • 理解「切片（Chunking）」在知识库中的作用与工作流程
  • 掌握通用 General 与父子 Parent‑Child 两种分段模式的适用场景及优缺点
  • 熟悉 Chunk Size、Overlap、Top K、Rerank 等核心检索参数，并能根据业务需求进行调优
  • 了解高质量 High‑Quality vs 经济型 Economical 两种索引方式的差异与选型思路

6.2 核心概念快速扫盲

概念作用典型影响
Chunking将长文本拆成小块，保证语义完整又不过度冗长提升召回精准度与回答上下文连贯性
Chunk Size每块最大 Token 数过大易超上下文窗口；过小则割裂语义
Chunk Overlap相邻块重叠 Token 数保留跨段关联，降低“断句”风险
Top K检索返回前 K 条片段控制上下文注入量，平衡成本与信息密度
Rerank二次排序模型重新评估相关性，过滤干扰片段

6.3 切片工作流程

第一步：文本清洗 去除空行、脚注、无意义符号后得到纯净正文

第二步：选择 Chunk Mode 在创建知识库或后期设置中决定 通用分段 / 父子分段

第三步：预览分段 系统实时展示切片示例，便于微调参数

第四步：向量化索引 片段送入 Embedding 模型生成向量并入库

第五步：检索测试 通过 Retrieval Test（召回测试）查看命中片段及相似度分数，迭代优化

6.4 两大分段模式对比

维度通用 General父子 Parent‑Child
适用文档新闻、博客、报告等扁平结构API 手册、产品说明书等层级分明文档
粒度均匀切块，简单高效保留大纲层级，语义上下文更完整
优势处理速度快，占用存储低提问准确率高，减少片段碎片化
劣势复杂层级信息易丢失向量量增大，索引成本上升
调优要点优先增大 Chunk Size适当缩小 Chunk Size，增大 Overlap

实战建议

  • 文档结构简单 → 先用 General；若问答断句明显，再尝试 Parent‑Child
  • 复杂目录/代码示例多 → 直接选择 Parent‑Child 并调大 Overlap

父区块（Parent-chunk）保持较大的文本单位（如段落），提供丰富的上下文信息；子区块（Child-chunk）则是较小的文本单位（如句子），用于精确检索。系统首先通过子区块进行精确检索以确保相关性，然后获取对应的父区块来补充上下文信息，从而在生成响应时既保证准确性又能提供完整的背景信息。

3e6820c10bd7c5f6884930e3a14e7b66

6.4.1 参数调优清单

  • Chunk Size：512 → 768 → 1024，逐级调大直至不触发窗口溢出
  • Overlap：默认为 50，若出现“上下文割裂”可提升至 100‑150，建议设置为分段长度 Tokens 数的 10-25%

6.5 索引方式与检索参数

6.5.1 高质量 High‑Quality vs 经济型 Economical

方案特点典型场景
高质量多向量、多索引，召回准确度高专业知识库、客服 FAQ、财务报告
经济型单向量、低存储，成本友好海量新闻素材、社媒评论、日志数据

6.5.2 参数调优清单

  • Top K：业务问答场景推荐 3‑5；分析/摘要类可增至 10
  • Rerank：启用后可显著降低离题片段，但会增加延迟与成本

6.6 常见问题（FAQ）

第一问：分段后 Q&A 仍答非所问 检查是否使用了 General 处理层级文档；改用 Parent‑Child 并增大 Overlap

第二问：索引体积过大 尝试经济型索引或压缩 Embedding 维度，定期清理无用文档

第三问：检索速度慢 减小 Top K，必要时提升硬件配置

第四问：同义词召回差 选用更强大的 Embedding 模型或启用 Rerank 模块提高相关性

掌握上述切片与检索参数秘籍，你就能在效率与准确性之间找到最佳平衡，为后续 RAG 与 Agent 场景奠定坚实基础。

7. Embedding 魔法揭秘：向量化原理 & 场景

7.1 🎯 学习目标

  • 快速理解 “Embedding” 是什么
  • 明白为什么知识库检索离不开向量化
  • 认识几款开箱即用的 Embedding 模型
  • 掌握在实际项目中怎样“调味”参数，让检索更准

7.2 一句话搞懂 Embedding

Embedding的概念：将离散文本映射为可计算的高维向量。

就像给每句话配上一张“语义身份证”。 把文字变成一串数字坐标，两串坐标计算距离，数字越近，意思越像，越相关。

比如存储的文本为AI Agent，转换成向量坐标为 [1，2，3...]

要查询的文本AI，转换成向量坐标为 [1, 2, 0...]

通过计算坐标之间的距离，距离最近的为最相关的结果，这样可以快速完成内容快速检索。

7.3 为什么要做 Embedding？

  • 关键词检索局限：只看字面，遇到同义词或口误就找不到答案
  • 向量检索优势：看“意思”而不是“拼写”，同义词、长句、错别字都能戳中要害
  • 零代码体验：现成模型（如 BAAI/bge-m3、OpenAI text-embedding-3) 一键接入，不用自己训练（BAAI 为智源研究院）

7.4 Embedding 工作流程

Embedding 工作流程 - visual selection

7.5 开箱即用热门模型

模型维度亮点适合场景
BGE‑m3 (中英)768免费、效果佳、中文友好国内多语言检索
OpenAI text-embedding-31536准确度高、更新快专业客服、全球化应用
MiniLM384轻量级、算力要求低移动端、本地部署

选模型就像选相机：像素高≠最好，用得顺手、成本合适才最重要

7.6 应用场景小抄

  1. 智能问答：问题 → 相似文档 → LLM 生成带引用答案
  2. 商品推荐：把用户历史和商品描述都向量化，“离你最近”即为推荐
  3. 内容聚类：将上万篇文章按向量自动分组，秒出热点话题
  4. 语义去重：向量间距极小的文本大概率是“同一事”，一键剔除重复

7.7 调味小贴士

调味点建议做法
维度300‑800 已够用，越高越耗存储
Top K问答模式 3‑5；摘要/推荐 10‑20
阈值相似度 < 0.2 可视为“不相关”
缓存高频问题先缓存结果，提速 10× 以上

7.8 ❓ FAQ

  1. 模型要自己训练吗？ 不需要，直接用社区或商业模型即可满足 90% 场景。
  2. 中文效果不好怎么办？ 试试 BGE 系列或其他中文优化模型。
  3. 数据更新后要重算吗？ 是的，新文本需重新向量化并写入库中，否则检索不到。

8. RAG 时代来了：检索增强背后的逻辑

8.1 🎯 学习目标

  • 弄清 RAG（Retrieval‑Augmented Generation） 的核心原理
  • 理解“检索 + 生成”双引擎如何解决 LLM 幻觉与信息时效问题
  • 掌握 RAG 流水线的关键组件：Retriever、Reranker、Generator
  • 了解 Top K、Max Tokens、温度等常用调优参数及取值建议
  • 识别实现 RAG 时常见的坑点与优化思路

8.2 RAG 一句话公式

RAG = 先“查资料”，再“写答案” LLM 不再凭记忆胡猜，而是在回答前检索最新可信的外部内容，并把检索结果拼进 Prompt，一并喂给模型生成。

8.3 组成三件套

角色作用常用技术 / 组件
Retriever语义检索，找出与问题最相关的“片段”向量库、Top K
Reranker对检索结果二次排序，提升相关度学术版 BGE‑Reranker、Cross‑Encoder
Generator依据问题 + 片段生成回答GPT‑4o、Gemini、Claude、DeepSeek 等 LLM

流水线：用户提问 → Retriever 返回候选片段 → Reranker 精排 → 将 Top N 片段与问题一起打包 → 送往 Generator → 最终答案

RAG流程

8.4 为什么 RAG 更靠谱？

  • 实时性：检索外部最新文档，突破 LLM 训练数据时效
  • 可引用：回答可附带原文片段，提升可信度与可追溯性
  • 控幻觉：有外部事实支撑，降低模型胡编概率
  • 节省成本：无需频繁微调大模型，通过更新知识库即可迭代

8.5 关键调优参数

参数含义 / 典型值调优思路
Top K检索候选片段数（3‑8）问答场景 3‑5；分析场景 6‑8
Max Tokens给片段的最大长度片段长 → 语境足；过长占用上下文
温度（T）输出随机度（0‑1）问答 0‑0.3；创意写作 0.7‑0.9
Rerank 阈值保留片段的最低分低阈值召回宽，高阈值更精准

8.6 实战建议

  1. Prompt 模板

    • 问题区 + “请基于以下片段回答” + 片段区 + 回答格式要求
    • 片段区可用标题 + 摘要或全文，编号方便引用

  2. 片段格式

    <doc id=1>
…内容…
</doc>

    这类分隔便于模型分辨不同来源，减少混淆

  3. 多策略检索

    • 关键词过滤 + 向量检索组合
    • 向量召回 Top K=8，关键词再过滤 → Top K=4

  4. 缓存与批处理

    • 高频问题缓存检索结果与答案
    • 对长对话启用“滚动窗口”，避免上下文超长

8.7 典型应用场景

场景说明
企业知识库问答员工提问 → 检索公司文档 → 准确溯源回答
金融数据分析实时抓取财报片段 → LLM 生成分析报告
法律条文检索问题 → 检索法规条款 → 生成带条款引用的意见
多语言客服用户语言 → 检索本地语言文档 → 翻译回答

8.8 ❓ 常见问题 (FAQ)

  1. 检索到的片段不相关怎么办？ 调低 Chunk Size，增大 Overlap；或启用更强的语义 Reranker。
  2. 上下文超长导致截断？ 缩小 Top K，精简片段文本，用摘要代替全文。
  3. 模型仍旧“编故事”？ 调低温度，强制回答“基于片段”；或在 Prompt 中加入“若找不到答案，请回复‘暂无相关信息’”。
  4. 查询慢？ 启用 HNSW 索引、内存缓存；对超大库尝试分区检索并行化。

掌握了 RAG 的检索增强逻辑，你就能让大模型说有根有据的话，为智能问答、数据分析等业务场景注入最新、最可信的事实能力。

9. 召回效果大体检：分段质量评估上手

9.1 🎯 学习目标

  • 找到并打开 召回测试 面板
  • 用典型问题快速评估知识库的召回质量
  • 读懂分数与片段列表，判断分段效果好坏
  • 记录测试结果，为下一步调参与重索引提供依据

9.2 入口与界面

区域位置功能
召回测试文档侧边栏 → 召回测试打开评估面板
源文本框左侧大输入框输入待测试问题（≤ 200 字符）
测试按钮文本框右下角 测试触发检索与评分
片段列表右侧展示 Top K 片段、来源文件、相似度分数
历史记录底部 记录 区自动保存每次测试的问题与时间

小贴士：面板支持实时改写问题再测，无需重复打开。

9.3 三步评估流程

第一步：输入典型问题 选择真实用户常问、覆盖核心业务的句子，例如「公司有哪些福利」。

第二步：点击测试 系统秒级返回最相关的若干片段，并按相似度高低排序。

第三步：观察分数与内容

  • Score ≥ 0.7：高度相关
  • 0.4 ≤ Score < 0.7：中等相关
  • Score < 0.4：弱相关或误召回

记录分数、片段质量与文件来源，为后续调整参数提供依据。

9.4 结果解读要点

现象可能原因建议动作
分数整体偏低Chunk 太大 / 模式不匹配适当缩小 Chunk Size 或切换分段模式
片段缺关键信息Overlap 过小将 Overlap 提高至 10‑25 % 区间
列表片段重复Overlap 过大下调 Overlap，或启用去重
列表为空文件未索引完 / 文档语言不符检查索引状态，分库存放不同语言

9.5 测试记录与复盘

  • 多场景提问：覆盖 FAQ、操作指南、政策制度等不同主题
  • 截图或导出结果：便于按分段参数对照前后变化
  • 迭代节奏：推荐「调参 → 重索引 → 再测」两轮即可稳定

9.6 ❓ FAQ

  1. 测试按钮灰色不可点？ 检查是否超出 200 字符或文本框为空。
  2. 分数波动大？ 避免过短或过长问题句，保持结构一致做对比。
  3. 片段显示乱码？ 原文编码异常，重新上传或转为 UTF‑8。

通过召回测试，你可以用最直观的方式评估知识库的分段与检索质量，为后续调参奠定数据基础，让 RAG 回答更准确、更可靠。

10. 智能切片+精准召回：命中率翻倍秘籍

10.1 🎯 学习目标

  • 学会为知识库 预处理与标记 文档，让系统“一眼识段”
  • 掌握 硬分隔、软分隔 两大技巧，避免断句或漏召回
  • 知道何时 合并、何时 拆分，让每段既完整又不过长
  • 熟悉重索引小流程，把调优反馈迅速闭环

10.2 课前自检

检查项目标状态
文档源格式Markdown / Docx / 纯文本优先，避免扫描 PDF
语言一致性同一知识库尽量单语种，双语分库
重复段落删除页眉页脚、版权说明等高频噪声
表格 & 图片转成纯文本描述或附注，方便向量化

10.3 基础清洗：让内容“干净”上桌

第一步：统一编码 全部转 UTF‑8，防止乱码

第二步：去除杂质 页码、脚注、广告条幅全部删掉

第三步：合并短句 一句话不到 30 字就合到上一段，避免系统视为噪声

第四步：消歧术语 用“术语表”统一同义词，例如 KPI = 关键绩效指标

10.4 硬分隔：告诉模型“这里必须切”

  • 在 章节标题 前后留空行或使用 ---，形成天然断点
  • 对 FAQ、条款手册类文档，用 ### 问题 / ### 答案 明确边界
  • 大段表格或代码块，用 三引号 包裹，避免被打碎
  • 对多列表格，可先转纯文本并用 | 分隔，系统更易理解列关系

示例

### 3.2 员工福利
---
公司为正式员工提供以下福利：
1. 五险一金  
2. 年度体检  
3. …

10.5 软分隔：让上下文自然“连起来”

  • Chunk Size 目标：512‑768 tokens，语义足够完整
  • Overlap 建议 10‑25 %：让跨段信息有交集，防止断链
  • 父子模式：大纲清晰的手册、API 文档直接选用，标题‑正文天然父子关系
  • General 模式：新闻、博客类连续文本更高效，Chunk Size 适当放大

10.6 语义加分器：提升命中率的三把钥匙

技巧操作效果
关键词注射在标题或首句加入领域高频关键词检索时更易命中
同义词库在文末附“关键术语对照”捕获多说法提问
元数据标签在文档头加 tags: HR, 福利, 政策供 Hybrid 检索硬过滤

10.7 重索引闭环

第一步：上传 → 召回测试 输入典型问题观察 Score

第二步：记录问题片段 分数低？看是切太碎还是太长

第三步：调整边界/Overlap 改完后点击 重新索引

第四步：再测 目标 Score 稳定 ≥ 0.7

10.8 ❓ FAQ

问题快速解法
切完段子太多？合并短句、增大 Chunk Size 到 1024
同一句多次出现？Overlap 过大，下调到 10 %
命中片段无关？检查是否漏清页眉、脚注等噪声
多语言混检索不准？按语种建独立知识库

通过「干净内容 + 清晰边界 + 适度重叠」三步法，你的知识库切片将更精准，召回得分自然翻倍，为后续 RAG 问答打下坚实基础。

11. 企业智囊团：属于你的知识库问答机器人

11.1 🎯 学习目标

  • 在 Dify 工作室 中创建一款聊天助手
  • 将已上传的知识库与聊天助手绑定
  • 通过调试面板验证问答效果并发布

11.2 创建聊天助手

第一步：进入创建界面 进入 工作室 → 创建空白应用 → 聊天助手

第二步：填写基础信息 输入 名称、描述，选择一张头像（可选）

第三步：点击创建应用 点击 创建 创建应用

11.3 绑定知识库

第一步：进入知识库配置区 在左侧导航找到 知识库 区块，点击 + 添加

第二步：选择知识库 从下拉列表中选择之前上传并调优好的知识库

第三步：支持多库并行 如需多库并行，可重复添加

第四步：确认绑定 确认后点击添加按钮，知识库名称将显示在配置面板中

11.4 设计系统提示词

  • 在 “提示词” 编辑框写入 System Prompt，示例：

    你是企业内部的智能顾问，只能基于知识库回答。
若知识库没有相关内容，请回答“暂时未找到相关信息”。

  • 保持语气正式、简洁，避免过度花哨的表达

11.5 调试与预览

面板功能
右侧聊天窗输入典型问题，实时查看回复效果
知识片段高亮点击回答中的引用编号，展开对应文档片段
变量（可选）为提示词设置占位符，如 {user_name}，便于动态填充

若回答离题或信息缺失，可回到 提示词 或 知识库设置 进行微调，再次测试。

11.6 发布与共享

  1. 点击右上角 发布 → 生成私有链接或嵌入代码
  2. 复制链接分享给团队成员，或将 iframe 嵌入内部门户
  3. 在 监测 页查看调用量、平均响应时间与成本，持续优化

11.7 🔧 小贴士

  • 多知识库管理：为不同业务线建立独立知识库，避免干扰
  • 降幻觉：在 Prompt 明确“只允许引用知识库”并设置置信度阈值
  • 版本迭代：内容更新后记得“重新索引 + 测试”再发布新版本

完成以上步骤，你就拥有了一个随时回答企业内部问题的“智囊团”机器人，帮团队节省大量搜索与整理时间。

12. 加班党福利：一键生成带emoji的格式化日报

12.1 🎯 学习目标

  • 使用 Chatflow 拖拽式搭建「输入→整理→输出」的工作流
  • 编写系统级提示词，让 AI 自动格式化日报并加上 Emoji
  • 在调试面板验证效果，发布给同事快速复用

12.2 绘制基础流程

第一步：添加开始节点 接收用户原始日报文本

第二步：添加 LLM 节点 解析并格式化内容，插入 Emoji

第三步：添加直接回复节点 将整理后的日报返回给用户

小技巧：先拖出节点再连线，保持「左→右」或「上→下」流向，便于后期阅读。

12.3 配置 LLM 节点

第一步：选择模型 选择已有模型（如 DeepSeek‑V3、GPT‑4o 等）

第二步：粘贴 SYSTEM 提示词

请根据以下指引，输出结构化工作日报：
- 使用 Markdown 列表，每项前加适配主题的 Emoji
- 样式示例：
  - ✅ 完成的任务
  - 🚧 进行中的任务
  - 📌 明日计划
- 如果输入为空或不完整，请礼貌提醒补充
输入内容：
{{ sys.query }}

第三步：设置上下文输入 上下文仅保留 开始 节点的文本，避免冗余。

12.4 调试与优化

操作观察点调整方向
输入示例“写完周报；更新财务表；跟进客户反馈”是否正确拆分并添加 Emoji
换行测试连续输入多行列表是否保持条理
空输入直接点击发送AI 是否提示补充内容

如输出格式混乱，可在提示词中明确「使用短句」「每项前加空格」等规则并重试。

12.5 发布与分享

  1. 点击 发布 → 生成链接，分享给团队
  2. 在侧栏 日志与标注 查看调用记录，收集改进意见
  3. 若需外部系统调用，可在 访问 API 页复制接口地址与密钥

12.6 🔧 提升体验的小贴士

  • Emoji 库：准备一张常用 Emoji 对照表，快速替换或扩展图标
  • 变量占位：将日期 {{ today }} 自动注入，减少每次输入
  • 多语言：在提示词加入“按照用户输入语言返回内容”，适配中英双语团队

通过简单三节点，你就为加班党们打造了一键生成、颜值在线的日报神器，让整理工作不再额外占用宝贵时间。

13. Dify 插件商城：一键选装你的新技能

13.1 🎯 学习目标

  • 找到并进入 插件商城（Marketplace）
  • 学会搜索、浏览和快速安装所需插件
  • 以 钉钉插件 为例，完成安装

13.2 进入插件商城

第一步：登录并打开插件页 登录 Dify 控制台，点击右上角 插件 图标

第二步：进入 Marketplace 在新页面选择 探索 Marketplace，进入插件总览

第三步：使用筛选与搜索功能 顶部提供搜索框、分类筛选（工具／模型／扩展等），方便快速定位

13.3 浏览与筛选

操作说明
按分类点击标签查看同类插件，了解常见场景
查看详情点进卡片，阅读功能简介、安装量与更新日志
安装将需要的插件点击“安装”加入本地插件列表，后续可在 Agent 中进行使用

13.4 安装钉钉插件

第一步：搜索插件 在搜索框输入 Dingtalk，打开插件详情页

第二步：点击安装 点击 安装，确认后插件即出现在工作区列表

13.5 快速验证

第一步：进入任意应用 打开任意聊天助手或工作流

第二步：添加插件节点 新增 钉钉-发送群消息 节点，如果能够添加该节点，说明安装成功

13.6 🔧 小贴士

  • 版本更新：在“插件”页查看更新提示，点击一键升级
  • 权限管理：为不同成员授予“安装/配置”权限，避免误操作
  • 组合玩法：将钉钉推送与 Chatflow、知识库问答结合，自动播报日报或告警

通过插件商城，你可以像装 App 一样为 Dify 加装“超级外挂”。掌握以上步骤，即可将钉钉插件和更多工具快速融入你的 AI 工作流。

14. 内容即营销：文章生成并群发到钉钉

14.1 🎯 学习目标

  • 使用 Workflow 搭建“输入主题 → 生成文章 → 钉钉推送”完整流程
  • 编写系统提示词，让 LLM 输出 600 字左右、结构化且带 Emoji 的营销文章
  • 配置 钉钉‑发送群消息 节点，实现一键群发

14.2 创建空白 Workflow

第一步：创建应用 在工作室主页点击 创建空白应用

第二步：选择工作流 选择左侧 工作流（Workflow）卡片

第三步：填写应用信息 输入应用名称，如「主题文章一键群发」

第四步：进入编排界面 单击 创建，进入编排界面

14.3 搭建节点流程

顺序节点主要配置
1开始添加变量 topic（必填，文章主题）
2LLM生成文章内容
3钉钉‑发送群消息将 LLM 输出推送到群
4结束（可选）标记流程完成

保持线条自左向右，便于阅读与调试。

14.4 配置 LLM 节点

第一步：选择模型 DeepSeek‑V3、GPT‑4o 等

第二步：填写系统提示词

你是一名营销文案专家，请根据 {{ topic }} 生成一篇 600 字左右的文章，格式如下：
## 14.5 {{ topic }}
- 🎯 **要点一**：…
- 💡 **要点二**：…
- 🚀 **要点三**：…
**结语**：…
要求语言生动、有号召力，保持 Markdown 列表结构。

14.6 配置钉钉推送节点

第一步：设置消息内容 选择 LLM (text)，也就是大语言模型返回的文章文字内容

第二步：填写 access_token 复制钉钉群机器人 Webhook 中的 access_token

第三步：填写 sign_secret 开启秘钥加签，粘贴 Secret

第四步：设置消息类型 选 Markdown，保留文章格式与 Emoji

14.6.1 附带指引：如何创建钉钉群聊机器人

第一步：下载安装钉钉手机 app + 钉钉 PC 版

注册或登录钉钉后，如果没有自己的团队，可以创建一个钉钉的团队用于测试。

第二步：创建群聊

在团队页面，先点击右上角的加号。

微信图片_20250717102358

接着点击左上角的发起群聊。

微信图片_202507171023591

点击修改群聊，并填写群的名称，选择内部群来测试就可以。

微信图片_20250717102359

最后仅选择自己，点击右下角的发起群聊，就可以发起成功了。

微信图片_20250717102352

第三步：创建群机器人

进入钉钉 PC 版，找到刚才创建的群聊，点击右上角齿轮按钮，进入群设置。

image-20250717103144072

点击“机器人”。

image-20250717103219317

点击“添加机器人”。

image-20250717103251537

选择自定义。然后点击添加按钮。

image-20250717103313483

填写机器人的名字，勾选加签，此时请记录好加签的秘钥，用于配置。勾选阅读并同意对应的服务条款，点击完成按钮。

image-20250717103507799

此时机器人就添加成功了，在 Webhook 这一栏是机器人的 webhook 地址，里面包含了 access_token=xxx 这样长长的一串文本，请把等于号后面的 xxx 内容，这个就是你的 access_token，用于配置即可，请勿泄露给他人。完成后，点击完成按钮即可。

image-20250717103742222

14.7 调试与发布

第一步：运行测试 点击 运行，在弹框输入示例主题：

AI 在跨境电商营销中的机会

第二步：检查预览效果 观察右侧预览：应生成带标题与 Emoji 列表的文章

第三步：验证群消息推送 检查钉钉群是否收到推送；若失败，核对 Webhook 设置

第四步：正式发布 效果满意后 发布 → 生成链接，分享给营销或运营同事

14.8 🔧 提升体验小贴士

  • 模板变量：在开始节点再添加 author、date 等，提示词中调用 {{ author }} 自动署名
  • 重试策略：在钉钉节点开启“失败重试”，降低偶发网络问题影响
  • 多渠道分发：同一文章可并行接入邮件、飞书或微信公众号插件，实现“一稿多发”
  • 权限控制：在应用设置里赋予运营团队“运行”权限，防止误改流程

完成以上步骤后，任何人只需输入主题，即可自动获取高质量文章并群发钉钉，省去排版与发布时间，让营销更高效。

15. Workflow 千面写手：一键搞定小红书 - 朋友圈 - 博客文案

15.1 🎯 学习目标

  • 使用 Workflow 并行调用多路 LLM，生成三种社媒风格文案
  • 学会在 模板转换 节点用 Jinja2 聚合多段输出
  • 快速预览合并结果，复制即可发布到各平台

15.2 节点流程设计

顺序节点作用
1开始变量 topic（必填：创作主题）
2LLM – 小红书生成种草风格文案，活泼、带 Emoji
3LLM – 朋友圈生成简短日常分享，口语化
4LLM – 博客生成 600 字左右深度长文
5模板转换合并三个输出，保持分区标题
6结束（可选）输出聚合结果

将开始节点连到三条 LLM 支路，三支合流至模板转换，再到结束。

15.3 配置三个 LLM 节点

第一步：设置提示词模板

节点提示词模板（示例）
小红书请用种草风生成 150 字以内文案，包含 Emoji 与产品亮点，话题：{{ topic }}
朋友圈用口语写 80 字以内日常分享，主题：{{ topic }}，结尾加 1 个微信表情
博客请写 600 字左右博客文章，三段式结构，主题：{{ topic }}，语气诙谐幽默，通俗易懂，深入浅出

第二步：配置上下文同步

  • 同步上下文仅勾选 开始 → topic
  • 可使用同一模型，也可针对需求挑选不同模型版本

15.4 模板转换节点（Jinja2）

第一步：绑定变量

  • 将三路 LLM 输出分别映射到 arg1 arg2 arg3

第二步：输入模板代码

**小红书文案**  
{{ arg1 }}

---
**朋友圈文案**  
{{ arg2 }}

---
**博客文章**  
{{ arg3 }}

第三步：连接到结束节点

  • 保存后连线至 结束 节点

15.5 调试与预览

第一步：点击运行

  • 示例输入：
topic = “学习AI让我充满了活力”

第二步：检查右侧预览

  • 应出现分区标题与三段文案

第三步：修复格式错位

  • 检查：
    • 模板中的空行与 Markdown 语法
    • 变量绑定是否对应 arg1‑3

15.6 发布与使用

  • 发布 → 生成链接，分享给内容团队
  • 运行时输入主题即可拿到三段文案，复制粘贴到小红书 / 微信 / 博客
  • 可在 访问 API 页面获取接口，集成到内部内容生成平台

15.7 🔧 小贴士

需求做法
调整平台数量复制 LLM 节点并在模板新增 arg4、标题区
控制字数在提示词中加入“限 X 字”或 “约 X 字”
批量主题调用 API，循环传入主题列表批量生成

通过并行 LLM + 模板聚合，你就拥有一键生成多平台文案的“千面写手”，从此告别手动改写，提高内容产能与发布效率。

16. 问答投诉收集二合一：实现智能意图识别与即时推送

16.1 🎯 学习目标

  • 理解 Agent 对知识库的基础调用流程
  • 学会在特定意图下触发 钉钉群消息 工具
  • 进阶实现投诉场景的自动识别、整理与推送

16.2 基础功能：纯知识库问答 Agent

第一步：创建空白 Agent 工作室 → 创建空白应用 → Agent → 填写名称并创建

第二步：绑定知识库 在“知识库”区点击 + 添加，选择已调优的知识库

第三步：编写基础提示词

你是企业知识助手。若问题能在知识库找到答案，请引用内容作答；否则回复“暂无相关信息”。

第四步：调试 提问「公司有哪些福利」→ 应返回知识库答案并引用片段

16.3 场景升级：福利查询 + 钉钉群消息

第一步：启用钉钉工具 在“工具”列表开启 dingtalk 发送群消息 并填入 access_token 与 sign_secret

第二步：完善提示词

当用户询问“公司福利”相关问题时：
1. 先用知识库回答
2. 将答案内容调用 dingtalk 工具发送到群里

第三步：测试 再次提问「公司福利有哪些」→ 右侧日志应显示调用 dingtalk，群聊收到福利内容

16.4 高阶实战：投诉识别与自动推送

第一步：扩展提示词

如果用户包含“投诉/抱怨/不满”等字样：
1. 提炼关键要点：投诉对象、问题描述、联系方式，如果用户描述中部分内容没有包含，则向用户确认
2. 整理成 Markdown 列表
3. 使用 dingtalk 工具发送到群（如果存在待确认的项目则先不要发送）
4. 向用户回复“已收到您的反馈，将尽快处理”

第二步：调试场景 输入「我要投诉客服态度恶劣，还挂我电话」→

  • 聊天窗口回复确认
  • 钉钉群收到整理后的投诉信息

16.5 🔧 优化小贴士

  • 在提示词列举更多投诉关键词（差评、吐槽、不满意）提高识别率
  • 针对不同意图设置不同消息模板，如加 tag #投诉 方便群内搜索

完成以上三步，你已从简单问答逐步升级到可识别投诉并自动推送的全能 Agent，为企业服务效率再提一档。

17. 可视化洞察：工作流日志分析与API对接

17.1 🎯 学习目标

  • 熟练使用 日志与标注 面板排查调用记录、筛选关键问题
  • 通过 标注回复 统一标准答案，降低模型成本并保持口径一致
  • 获取 访问 API 凭证，调用聊天 / 工作流接口，将结果接入外部系统

17.2 历史日志：快速定位与排查

第一步：进入日志面板 应用侧栏点击 日志与标注，默认展示最近调用记录

第二步：筛选与搜索 按「时间范围 / 是否标注」过滤，或在搜索框输入关键词精准检索

第三步：查看调用详情 点开单条日志可查看用户输入、模型回复、Token 消耗、工具调用轨迹等信息，便于复现与调试

17.3 标注回复：固定统一答案

第一步：新建标注 在日志详情右下角点击 添加标注，将当前问答保存为标准回复

第二步：编辑回复内容 进入 标注 页面，可修改文本、添加 Markdown、插入引用片段

第三步：启用标注规则 开启后，同类问题命中即直接返回标注内容，不再调用模型，加速响应并节省费用

17.4 访问 API：把能力嵌入业务系统

第一步：获取 API Key 在应用侧栏点击 访问 API，生成或复制密钥，记录 Base URL

第二步：调用接口

  • 聊天接口：POST /v1/chat-messages 发送问题并流式获取答案
  • 运行工作流：POST /v1/workflows/run 触发流程；GET /workflows/run/{id} 轮询状态与结果
# WINDOWS中执行例子，保存成一个.cmd文件，ANSI编码
curl -X POST "https://api.dify.ai/v1/workflows/run" ^
--header "Authorization: Bearer $API_KEY" ^
--header "Content-Type: application/json" ^
--data-raw "{\"inputs\": {\"topic\":\"AI 在电商的应用\"}, \"response_mode\": \"streaming\", \"user\": \"abc-123\"}"

第三步：集成示例

  • IM 推送：触发工作流生成日报，待 status=succeeded 后读取 outputs.text 字段，推送至企业 IM 群
  • 数据大屏：定时调用日志 API，将 Token 使用量写入 BI 工具，制作成本监控看板

17.5 FAQ

疑问快速排查解决建议
日志列表为空应用未发布或调用失败发布后重试；检查 API Key 权限
标注未命中关键词差异在标注中补充同义词或使用正则
API 返回 401Token 失效 / 格式错误重新生成密钥，放入 Authorization: Bearer 请求头
工作流结果为空查询过早轮询 GET /workflows/run/{id} 直到 status=succeeded

通过日志分析、标注管理与 API 对接三大能力，你可以先在页面可视化洞察问题，再在代码层面灵活集成，让 Dify 与业务系统实现闭环协同。

18. Dify 降本增效：你必须知道的六大秘诀

18.1 🎯 学习目标

  • 系统掌握用 Dify 降低调用成本、提升整体效率 的 6 条核心技巧
  • 理解每条秘诀的适用场景与落地方法，避免常见“踩坑”
  • 为未来大规模上线打好成本可控、体验稳定的基础

18.2 秘诀一：善用「AI 生成」优化提示词

核心思路：让系统把“口语需求”自动升级为高质量 Prompt，少走调参弯路。

  • 适用场景：初稿只有大白话或草稿提示词，效果不稳定。
  • 具体做法：在提示词编辑器点击 AI 生成，输入简要需求；系统会自动补全角色、目标、格式要求与变量占位。
  • 收益：平均减少 50 % 以上的手动调试轮次，Token 消耗和时间成本同步下降。

18.3 秘诀二：精调知识库「颗粒度」

核心思路：通过合理的 Chunk Size 与 Overlap，让“精准召回”与“向量数量”两端平衡。

  • 适用场景：召回分数低、向量库膨胀或查询延迟高。
  • 具体做法：
    1. 在 知识库 → 设置 → 分段策略 调整 Chunk Size（512‑768 tokens）和 Overlap（10‑25 %）。
    2. 用 召回测试 验证 Score；若不足 0.7，微调参数并重索引。
  • 收益：向量量级最多可缩减 30 %，同时保持回答准确度。

18.4 秘诀三：严控对话历史「记忆长度」

核心思路：只保留真正必要的上下文，避免 Token 滚雪球。

  • 适用场景：聊天助手连续对话导致成本飙升。
  • 具体做法：
    • 在助手设置将「保留轮次」设为 3‑5；对于长对话，启用“记忆窗口”。
    • 对无关闲聊可设置关键词过滤，直接返回礼貌回复，跳过模型。
  • 收益：对活跃用户场景可降费 40 % 以上，且回复时延更稳定。

18.5 秘诀四：巧用「内容审查（Moderation）」

核心思路：拦截恶意或无意义请求，把算力用在真正价值场景。

  • 适用场景：公开产品、易被刷无关问题或敏感词。
  • 具体做法：
    • 在应用 内容审查 页启用敏感词检测；自定义黑名单或正则。
    • 命中后直接返回预设回复，例如“抱歉，无法回答此类问题”。
  • 收益：减少 10‑15 % 的无效调用，降低风险并节省模型开销。

18.6 秘诀五：选择最简化的应用架构

核心思路：能用 Prompt 解决的场景，不必搭繁琐 Workflow。

  • 适用场景：单轮问答、简单多轮对话、内容生成。
  • 具体做法：
    • 优先创建 聊天助手，用系统提示词+变量驱动。
    • 仅当需要并行任务、外部 API、条件分支时再使用 Workflow。
  • 收益：减少节点维护，降低 20 % 以上的调用链路延迟与故障点。

18.7 秘诀六：活用「日志与标注」持续优化

核心思路：把高频、高耗问题标注成固定答案，持续迭代降费。

  • 适用场景：客服问答、多用户公共知识库。
  • 具体做法：
    1. 在 日志与标注 查看历史日志情况，挑选高频问题。
    2. 点击 标注 保存标准答案；开启后命中直接返回，无需模型。
  • 收益：热门问题成本可近乎归零；同时保证回答统一、合规。

18.8 总结

  • 省心靠系统：让 AI 代写 Prompt、自动审查，减人力减调参。
  • 省钱靠颗粒：合理分段、裁剪上下文，把 Token 用在刀刃上。
  • 省时靠监控：日志找痛点、标注做闭环，持续迭代才是王道。
avatar
文章
阅读
粉丝