Dify工作流使用教程实战指南：从零搭建生产级AI应用的可视化编排全攻略

2026-03-20 10:23:29
文章摘要
Dify是开源LLM应用开发平台，通过可视化工作流编排，可大幅提升AI应用开发效率。文章介绍了Dify的核心价值、适用场景，详细讲解环境搭建、基础配置、核心节点配置等操作，还给出电商智能客服、AI视频生成等案例。

Dify作为开源LLM应用开发平台，正在重塑AI应用的生产方式。通过可视化的拖拽式工作流编排，原本需要数周开发的AI应用（如智能客服、内容生成器）现在可以在几分钟内搭建完成，开发效率提升60%以上。2026年3月，Dify全球开发者社区已超过50万，企业用户涵盖金融、电商、教育等多个行业。本文将手把手带你从创建工作流画布开始，逐步掌握LLM节点配置、工具集成、条件分支等核心技能，并通过电商智能客服、AI视频生成两个完整案例，帮助你快速成为Dify工作流开发达人。

一、初识Dify：可视化工作流为何成为AI应用开发新范式？

在生成式AI技术快速演进的背景下，企业和开发者面临三大核心挑战：模型训练成本高昂、应用开发周期冗长、生产环境运维复杂。Dify作为开源的LLM应用开发平台，通过提供标准化开发范式和可视化工具链，正在有效降低这些技术门槛。

1.1 Dify的核心价值

Dify采用微服务架构设计，主要包含工作流引擎、模型服务层、数据管理模块三大组件。其核心价值体现在三个方面：
图片描述

  • 开发效率提升：通过可视化工作流编排替代传统代码开发，使应用构建周期缩短60%以上
  • 资源优化配置：支持多模型动态调度，实现GPU资源的最大化利用
  • 生产级保障：内置完善的监控告警体系和版本管理机制，确保应用稳定性

1.2 可视化工作流的核心概念

Dify的拖拽式工作流设计器采用节点-边模型，支持六类核心节点：

  • 数据输入节点：支持JSON/CSV/文本等多种格式，内置数据清洗转换功能
  • 模型处理节点：可配置多模型路由策略，支持动态参数传递
  • 逻辑控制节点：包含条件分支、循环迭代等流程控制结构
  • 输出处理节点：支持多格式输出和自定义响应模板
  • 外部服务节点：可集成对象存储、消息队列等云服务
  • 调试监控节点：实时显示节点执行状态和性能指标

典型工作流构建流程可以用以下图示表示：

数据输入 → 数据校验 → 模型推理 → 结果后处理 → 输出返回
               ↓
            异常处理

1.3 适用场景

Dify的工作流能力可以应用于多种场景：

  • 智能客服系统：结合RAG架构，实现意图识别、知识库查询、个性化回复
  • 内容生成应用：多步骤的内容创作，如作业批改、报告生成、知识卡片制作
  • 多模态应用：结合ComfyUI等工具，实现从文本到图片/视频的端到端生成
  • 数据分析助手：连接数据库，实现自然语言查询和数据可视化

二、快速上手：Dify环境搭建与基础配置

在开始创建工作流之前，你需要完成Dify的部署和基础配置。Dify支持云端托管和本地部署两种方式，本文以本地部署为例进行说明。

2.1 部署Dify

依次执行以下命令即可完成Dify的本地部署：

git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d

部署完成后，访问 http://<ip地址>/install 注册用户并登录。IP地址为运行Dify的服务器IP地址。

对于基础演示或开发环境，建议选择单机版模板，实例类型可选择 ecs.u1-c1m2.xlarge 或类似配置。

2.2 接入大模型

登录Dify后，需要配置大模型供应商：

  1. 鼠标悬浮于右上角头像处，单击“设置”
  2. 单击左侧导航栏的“模型供应商”，选择并安装所需的模型供应商（如OpenAI、千问、Claude等）
  3. 安装完成后，在待配置区域找到对应模型，单击“设置”，输入API Key并保存

提示：如需使用支持Function Calling的模型（如MaaS平台部署的模型），需要在配置时开启“Function calling”功能。Dify支持“OpenAI-API-compatible”供应商，可灵活接入各类模型。

2.3 创建工作流画布

登录Dify控制台后，进入“工作室”模块，点击“创建工作流”。你会看到一个空白的画布界面，左侧是节点库，中间是设计区域。

关键操作：

  • 从左侧拖拽“开始”节点到画布，这是工作流的入口
  • 点击画布空白处，可以在右侧面板中设置工作流名称和描述
  • 建议为工作流添加清晰的描述，便于后期维护

实用技巧：在开始设计复杂流程前，先用纸笔勾勒大致步骤，可以显著提高设计效率。

三、核心功能实战：从基础节点到完整工作流

掌握了基础操作后，我们来系统学习Dify工作流的核心节点配置。

3.1 基础节点配置详解

3.1.1 LLM节点配置

LLM节点是工作流的核心，用于调用大语言模型进行推理。从节点库的“AI模型”类别中拖拽“LLM”节点到画布，与“开始”节点连接后，需要进行关键配置：

  • 选择模型提供商：根据需求选择OpenAI、Anthropic或本地部署的模型
  • 配置API参数：输入API密钥，调整温度（Temperature）和最大生成长度
  • 设计提示词模板：这是核心步骤。例如，创建天气查询助手时，可以输入：
    请根据用户的问题提取地理位置信息。
用户问题：{{query}}
只返回城市名称，不要添加任何解释。

3.1.2 工具节点配置

从“工具”类别拖拽“HTTP请求”节点到画布，并与LLM节点连接：

  • 配置API端点：输入目标工具的API地址
  • 设置请求参数：将LLM节点的输出作为变量插入请求参数中
    {
  "city": "{{llm_output}}",
  "units": "metric"
}
  • 处理响应数据：使用JSONPath提取需要的数据，如$.temperature

3.1.3 逻辑控制节点

在构建复杂应用时，条件分支节点至关重要。例如，可以在HTTP请求节点后添加条件判断，检查数据有效性：

  • 条件1：数据有效（如温度存在）→ 进入文本生成节点
  • 条件2：数据无效（如城市不存在）→ 进入错误处理节点

3.2 案例实战一：电商智能客服系统

本文以在线服装店为例，详细介绍如何构建一个能处理售后咨询、查询订单信息的AI客服系统。该系统可以处理售后咨询、获取订单信息并生成个性化回复，从而减轻人工客服压力，提升响应速度和客户满意度。

3.2.1 系统架构设计

该客服系统的核心优势包括：

  • 数据驱动的精准回复：AI基于Supabase中真实、结构化的订单和物流数据生成回复，确保信息准确无误
  • AI理解：AI不仅读取数据，还能分析客户意图和情绪，主动安抚客户
  • 高效自动化处理：传统客服需手动查系统再打字回复，而Dify+Supabase组合实现了秒级自动化响应

3.2.2 步骤一：配置Supabase

在Dify界面安装Supabase插件，作为外部存储：

  1. 单击右上角的“插件”，然后单击左侧的“搜索Marketplace”
  2. 搜索“supabase”，根据提示完成安装
  3. 获取Supabase项目的URL和service role key，在插件中完成授权配置

准备测试数据：创建orders表并插入测试数据

CREATE TABLE IF NOT EXISTS orders (
    order_id TEXT PRIMARY KEY,                       --订单号
    customer_name TEXT NOT NULL,                     --用户姓名
    product_name TEXT NOT NULL,                      --商品名称
    product_size TEXT NOT NULL,                      --商品尺码
    current_status TEXT NOT NULL,                    --物流状态
    last_updated TIMESTAMP WITH TIME ZONE NOT NULL,  --最后一次更新时间
    estimated_delivery DATE                          --预计送达日期
);

INSERT INTO orders VALUES (
    'ORD12345',
    '张***',
    '法式复古蓝色连衣裙',
    'M',
    '已到达【杭州市】分拨中心，等待发往【宁波市】',
    '2025-08-16 14:20:00+08',
    '2025-08-20'
);

3.2.3 步骤二：创建工作流

在Dify界面，单击上方的工作室>Chatflow，然后创建应用。按照以下流程配置节点：

问题分类器节点：配置三个问题分类——“物流”、“颜色”和“尺寸”，用于识别用户咨询的类型。以“物流”分类为例，后续节点配置如下：

节点 配置信息
参数提取器 输入变量：sys.query
提取参数：名称order_id，类型String
描述：客户的订单号，必须是以"ORD"开头的字母数字组合，例如ORD12345, ORD67890。只提取符合此格式的字符串。
GET ROWS 工具>Supabase>Get Rows
输入变量：Table Name: orders，Filter: order_id
模板转换 输入变量：选择Get Rows下的json
LLM 上下文：选择模板转换下的output
SYSTEM提示词：
使用以下上下文作为你所学习的知识，放在<context></context> XML标签内。
<context>{{上下文}}</context>
当回答用户时：如果你不知道，就说你不知道。避免提及你从上下文中获取的信息。并根据用户问题的语言进行回答。
直接回复 回复内容：选择LLM下的text

3.2.4 测试示例

用户问题：
> “你好，我订单号 #ORD12345 的那件连衣裙，物流没更新了，急着穿，什么时候能到？会不会丢件了”

AI回复：
> “您好，关于您的订单 #ORD12345，目前物流状态显示商品已到达杭州市分拨中心，预计将在 2 天内送达宁波市。请您放心，商品在运输过程中有完善的追踪系统，不会丢失。我们建议您保持关注物流信息，如有任何异常我们将第一时间通知您。”

3.3 案例实战二：AI视频生成工作流

除了文本应用，Dify还可以通过集成外部服务实现多模态内容生成。本案例演示如何调用PAI-EAS部署的ComfyUI服务，实现从文本到视频的端到端生成。

3.3.1 方案概述

本方案的核心是利用Dify作为应用编排器，调用部署在PAI-EAS上的ComfyUI推理服务。由于ComfyUI的推理任务是异步执行的，整个调用链路如下：

  1. 提交任务：Dify向EAS服务发送POST请求，请求体中包含ComfyUI工作流的JSON描述。EAS接收任务后，立即返回唯一的prompt_id
  2. 轮询状态：Dify使用prompt_id循环查询任务执行状态
  3. 获取结果：任务成功后，获取生成文件的OSS路径，拼接为可访问的链接展示给用户

3.3.2 关键节点配置

环境变量设置：配置OSS_URL、EAS_Token、EAS_URL三个环境变量

开始节点：将正反向提示词等动态参数设为变量，供每次调用时输入

POST请求节点（获取Prompt ID）：

  • 请求地址：{{EAS_URL}}/prompt
  • 请求体：导出的ComfyUI工作流JSON，将需要动态修改的参数替换为Dify变量
  • 结果提取：使用代码节点从返回结果中提取prompt_id

轮询逻辑节点：

  • 使用prompt_id循环发起GET请求（地址：{{EAS_URL}}/history/{{prompt_id}}）
  • 在每次轮询之间插入代码节点执行time.sleep(12)，避免请求过于频繁
  • 当返回结果中包含prompt_id时，表示推理已完成

结果处理节点：

  • 从最终结果中提取生成的文件名
  • 与环境变量OSS_URL拼接，形成可公开访问的文件链接
  • 在Dify的“结束”节点中展示结果

四、智能体开发与提示词优化

当工作流需要更灵活的决策能力时，可以引入智能体（Agent）模式。Dify支持将工作流升级为智能体，通过Function Calling能力调用外部工具。

4.1 配置Function Calling模型

在Dify中配置支持Function Calling的模型：

  1. 进入“设置”>“模型供应商”，找到“OpenAI-API-compatible”供应商
  2. 单击“添加模型”，配置模型名称、API Key、API Endpoint URL
  3. 将“Function calling”设置为“Tool Call”模式

4.2 创建Agent应用

在Dify中创建Agent应用，进行如下设置：

  1. 在右上角单击“Agent设置”，选择上一步配置好的模型
  2. Dify会自动将Agent Mode切换到Function Calling模式
  3. 在“编排”页面的“提示词”文本框输入系统提示词，例如：
    你是一位乐于助人的AI助手。在回答用户问题时，你需要：
1. 始终使用自然语言解释你将要采取的行动
2. 在调用工具之前，说明你要使用哪个工具以及原因
3. 在获取信息的过程中，清晰地描述你正在做什么
4. 永远不要返回空的回复 - 确保用自然语言解释你的每个步骤
  4. 在“工具”区域添加所需工具（支持Dify内置插件和自定义工具）

4.3 提示词工程优化方法论

高质量的提示词是智能体成功的关键。提示词设计应遵循“3C原则”：

  • Clarity（清晰性）：使用明确的结构化指令
  • Context（上下文）：提供充分的领域知识
  • Constraint（约束性）：限定输出格式和范围

优化实践技巧：

技巧 说明 示例
角色扮演法 通过As a [role], you should...明确智能体身份 “作为专业产品顾问，你需要…”
示例引导法 提供3-5个高质量示例 展示理想回复的格式和内容
分步拆解法 将复杂任务分解为多个子步骤 1.识别需求 2.检索知识库 3.格式化回复
参数控制法 使用temperature、top_p调节生成效果 客服场景用低温度，创意场景用高温度

五、Dify方法论：五步构建生产级AI应用

结合多个成功案例，我们可以总结出在Dify中构建AI应用的“五步法”：

5.1 第一步：明确需求

梳理应用的核心功能。以某教育机构希望开发的“智能作业批改”应用为例，核心功能包括：

  • 接收学生提交的作业图片
  • 识别图片中的数学公式和文字
  • 将识别结果与标准答案比对
  • 生成批改报告（含得分、错题解析）

5.2 第二步：设计工作流

在Dify中创建工作流，并添加以下节点：

  • 数据输入节点：支持图片上传（可通过Web表单或API接入）
  • OCR识别节点：调用第三方OCR服务提取文字和公式
  • 公式解析节点：使用数学解析库将公式转换为可计算格式
  • 答案比对节点：调用预置的数学计算模型，对比学生答案与标准答案
  • 报告生成节点：根据比对结果生成结构化报告
  • 数据输出节点：将报告返回给学生或教师

5.3 第三步：配置节点参数

为各节点设置具体参数：

  • OCR识别节点：选择“数学公式识别”模式，设置输出格式为JSON
  • 公式解析节点：上传LaTeX解析规则库，定义常见数学符号的转换逻辑
  • 答案比对节点：设置容错阈值（如允许计算结果误差±5%），避免因格式差异误判
  • 报告生成节点：自定义模板，突出显示错题步骤和解析建议

5.4 第四步：测试优化

通过“调试模式”上传测试作业图片，检查各节点输出：

  • 若OCR识别错误，需调整图片清晰度要求或更换OCR服务
  • 若公式解析失败，需补充规则库中的符号定义
  • 若报告格式混乱，需优化模板中的变量引用逻辑

5.5 第五步：部署应用

将工作流部署为Web服务，生成调用链接。通过Dify的监控看板观察应用运行情况，例如每日处理量、平均响应时间等。

六、生产环境部署最佳实践

6.1 资源规划建议

根据应用规模，推荐以下资源配置：

  • 开发环境：2核4G + 16GB显存
  • 测试环境：4核8G + 32GB显存
  • 生产环境：8核16G + 64GB显存（根据并发量调整）

6.2 监控体系构建

建议监控以下指标：

  • 基础指标：QPS、响应时间、错误率
  • 模型指标：置信度分布、输出长度统计
  • 业务指标：任务完成率、用户满意度

6.3 安全性建议

  • API密钥管理：使用环境变量存储敏感信息，避免硬编码
  • 访问控制：在生产环境中，将OSS Bucket等资源设置为私有，限制只允许特定IP或VPC访问
  • 数据隔离：不同用户的会话数据使用独立的存储空间

6.4 成本优化

  • 轮询间隔设置：合理设置轮询的等待时间。过短的间隔会增加API调用次数和服务器负载，可能产生不必要的费用；过长的间隔则会增加用户的等待时间。建议根据任务的平均耗时进行调整。
  • 缓存策略：对高频查询配置多级缓存策略，提升响应速度

七、结语：从工作流到智能体的进化之路

Dify作为新一代LLM应用开发平台，通过标准化工具链和可视化界面，正在重塑AI应用开发范式。从本文的案例可以看出，无论是简单的天气查询助手，还是复杂的电商客服系统、AI视频生成应用，都可以通过Dify的工作流快速实现。

对于希望快速构建生产级AI应用的团队，建议从基础工作流编排入手，逐步掌握智能体开发和提示词优化等高级技能。随着平台生态的持续完善，开发者将获得更丰富的组件库和更强大的扩展能力，加速AI技术的落地应用。

Dify的价值不仅在于降低开发门槛，更在于让开发者能够将更多精力聚焦在业务逻辑和用户体验上，而非底层的技术细节。正如一位资深开发者所言：“Dify让我从‘怎么调通API’的泥潭中解放出来，真正开始思考‘我的用户需要什么’。”

现在，登录你的Dify控制台，从创建一个简单的工作流开始，开启你的AI应用开发之旅吧。

❓ 常见问题解答（FAQ）

Q1：Dify是免费的吗？有哪些收费模式？
A： Dify本身是开源的，可以免费本地部署。如需使用云服务，Dify Cloud提供免费版和付费套餐，免费版有一定的使用额度限制。企业用户可选择私有化部署或企业版套餐。

Q2：我没有编程基础，能用Dify创建工作流吗？
A： 完全可以。Dify的核心优势就是可视化拖拽式编排，无需编写代码即可完成工作流搭建。只需理解基本逻辑（如输入→处理→输出），按照本文的步骤操作即可。当然，如需配置复杂的HTTP请求或自定义代码节点，可能需要基础的API知识。

Q3：Dify支持哪些大模型？
A： Dify支持主流的模型供应商，包括OpenAI、Anthropic、Azure、Google Gemini、千问、文心一言等。同时支持通过“OpenAI-API-compatible”配置接入任何兼容OpenAI接口的模型。

Q4：如何解决工作流执行中的错误？
A： 可以采取以下步骤：

  • 逐节点检查：点击每个节点查看输入输出，定位出错节点
  • 常见问题处理：
    • API密钥错误：检查是否复制完整
    • 格式错误：确认JSON结构符合工具要求
    • 超时问题：适当调整超时设置
  • 查看日志：通过日志分析定位问题，例如发现某节点频繁超时后，可优化模型选择或增加缓存

Q5：Dify工作流中的变量如何使用？
A： 变量用双大括号表示，如{{query}}。变量可以来自用户输入、上一节点的输出或环境变量。在节点配置中可以直接引用变量，Dify会在执行时自动替换为实际值。

Q6：工作流可以导出和分享吗？
A： 可以。Dify支持将工作流导出为DSL文件（YAML格式），也可以从DSL文件导入。这使得工作流可以版本控制、分享给团队成员或在不同环境间迁移。

Q7：Dify的Chatflow和Workflow有什么区别？
A： Chatflow专为对话场景设计，支持多轮对话记忆和上下文管理，适合构建聊天机器人、客服系统等。Workflow更通用，适合一次性任务处理，如批量生成报告、数据批处理等。

Q8：如何将Dify应用集成到现有系统？
A： 工作流发布后，Dify会生成API端点。你可以通过HTTP请求调用该API，传入参数并获取结果。这种方式可以轻松将Dify应用嵌入到现有Web系统、小程序或移动应用中。

Q9：Dify支持多轮对话吗？
A： 支持。在工作流中添加“记忆”节点，可以让AI记住对话上下文，实现多轮对话能力。在Chatflow模式下，系统会自动维护对话历史。

Q10：Dify社区活跃吗？遇到问题如何求助？
A： Dify拥有活跃的开发者社区，GitHub仓库已获得数万星标。你可以在GitHub Issues提交问题，加入Discord或Slack社区与其他开发者交流，或查阅官方文档获取帮助。</ip地址>

声明：该内容由作者自行发布，观点内容仅供参考，不代表平台立场；如有侵权，请联系平台删除。
标签：
Dify工作流
开源大模型
开发平台与工具
模型部署
智能体（Agent）
电商视频
视频生成大模型
教育科技
对话式 AI