Dify系列（六）：工作流与 Agent：可视化编排与自主决策实战

2301_80216352

796人浏览 · 2026-03-31 14:52:41

2301_80216352 · 2026-03-31 14:52:41 发布

摘要：本文是 Dify 学习系列的第六篇，深入讲解工作流与 Agent 的核心概念、区别与适用场景，并通过两个完整的实战案例（工作流版智能内容安全审核助手、对话流版智能内容安全审核助手）带你掌握在 Dify 中设计复杂业务逻辑、实现多轮对话与自主决策的全流程。

1. 工作流与 Agent

1.1 工作流

工作流 = 业务逻辑的可视化执行

它将一个复杂的任务分解成一系列可管理的、按顺序或按条件执行的步骤，并通过图形化的界面将这些步骤连接起来。

单一任务 → 用插件 → 查询天气
复杂任务 → 工作流 → 旅游规划流程

1.2 Agent

Agent = 自主决策的 AI 助手

以 ReAct 形式运行：思考 → 行动 → 观察 → 再思考 ……

特点

自主规划：动态制定执行计划，根据环境反馈实时调整路径。
工具选择：灵活调用外部工具库（API、数据库、搜索等）完成任务。
推理能力：具备多轮思考与自我纠错能力，处理复杂逻辑。
灵活但贵：智能化程度极高，但 Token 消耗与响应延迟相对较高。

1.3 工作流和 Agent 的对比

工作流与 Agent 不是对立关系，而是演进关系。
核心观点：工作流是确定性的 Agent 实现方式。

维度	工作流	Agent
确定性	路径固定，按图执行	动态规划，自主选择路径
适用场景	流程明确的业务（如数据清洗、定时任务）	开放复杂的任务（如客服、个人助理）
成本	较低（Token 消耗可预估）	较高（多轮推理、工具调用）
可观测性	强（每一步清晰可见）	弱（决策过程黑盒）

2. Dify 工作流的两种类型

Dify 中工作流分为两种：

工作流（Workflow）：面向单一任务流程，适合处理一次性输入、固定输出格式的场景。
对话流（Chatflow）：面向多轮对话交互，支持上下文记忆和用户意图识别，适合构建聊天机器人。

类型	特点	典型场景
工作流	无状态，单次执行	内容审核、数据转换、报告生成
对话流	有状态，多轮对话	客服机器人、智能助手、问答系统

3. 创建工作流的标准流程

3.1 创建工作流

创建空白应用 → 选择 工作流 或 Chatflow。
设置内容：

工作流名称（清晰明确）
功能描述（帮助 AI 理解）

3.2 编排工作流

核心操作：

在可视化画布中添加节点
连接节点形成数据流
配置每个节点的输入输出参数

典型结构：开始节点 → LLM 节点 → 工具节点 → 结束节点

3.3 测试和发布

测试方法：点击“测试运行”，输入测试数据，检查各节点状态
发布流程：测试通过后点击“发布”，发布后其他用户即可使用该工作流

4. 工作流案例：智能内容安全审核助手（Workflow 版）

本项目基于 Dify Workflow 构建一个智能内容安全审核助手，用于对用户输入的文本内容进行自动安全审核。工作流包含敏感词初步检测、风险分流、知识库检索增强、大模型深度分析，最后通过输出节点输出审核结论。

下面是整体流程图：

在这里插入图片描述

4.1 开始节点

作用
接收用户输入的需要审核的文本内容。

节点展开详情
开始节点仅包含一个输入字段，由用户手动填写待审核文本。字段类型为“文本输入”，字段名设置为 content。

在这里插入图片描述

注意：输入字段 content 需在工作流变量中手动创建并绑定。

4.2 敏感词初步检测（代码节点）

作用
对用户输入的文本进行快速敏感词匹配，标记命中词并计算初步风险等级。该节点能够过滤出明显违规内容，降低后续大模型节点的计算压力。

实现方式
使用“代码执行”节点，基于预定义的敏感词库进行匹配检测。

点击加号，添加代码节点：
在这里插入图片描述

节点展开详情

修改节点名称为“敏感词初步检测”
输入变量选择前一个节点用户输入的 content（脚本代码中函数接收 content 字段，字段名需一致）
代码实现（直接复制）
输出变量按代码中的返回值字段名一一对应填写

代码实现

import re

def main(content: str) -> dict:
    """
    敏感词检测，返回风险等级及高风险时的回复文本。
    """
    # 预定义敏感词库
    sensitive_words = [
    "暴力", "色情", "赌博", "毒品", "诈骗", "违禁话题A", "极端内容B"
]
    
    # 标准化文本：去除标点、转为小写
    cleaned = re.sub(r'[^\w\u4e00-\u9fff]', '', content.lower())
    
    # 匹配敏感词
    hits = [w for w in sensitive_words if w in cleaned]
    
    # 判定风险等级
    if len(hits) >= 3:
        risk_level = "高"
    elif len(hits) >= 1:
        risk_level = "中"
    else:
        risk_level = "低"
    
    # 高风险时直接返回拒绝文本
    if risk_level == "高":
        response = "内容违规严重，已拒绝发布。"
    else:
        response = ""
    
    return {
        "risk_level": risk_level,
        "response": response,
        "hit_words": hits   # 保留供大模型使用
    }

输出变量

变量名	类型	说明
risk_level	String	风险等级（低/中/高）
response	String	高风险时的直接回复文本，否则为空
hit_words	Array	命中的敏感词列表（供大模型参考）

4.3 风险等级条件分支

作用
根据敏感词检测输出的 risk_level 决定后续流程。高风险内容直接送入大模型分析（无需知识库检索），中低风险内容先经过知识库检索增强后再送入大模型。

实现方式
添加“条件分支”节点，基于 risk_level 进行分流。

点击加号，选择条件分支节点：

在这里插入图片描述

节点展开详情

修改节点名称为“风险等级条件分支”，设置 if 条件：

在这里插入图片描述

分支逻辑
1. 高风险分支
  条件：{{#sensitive.risk_level#}} == "高"
  下一步：连接到“高风险输出节点”。
2. 中/低风险分支
  条件：默认（即 risk_level 为“中”或“低”）
  下一步：连接到“知识库检索节点”。

4.4 高风险输出节点

作用
当敏感词检测为高风险时，直接输出拒绝文案。

节点类型：输出节点（Output）

在这里插入图片描述

配置

输出变量：选择 {{#sensitive.response#}}（来自代码节点的 response 字段）
无需添加额外变量，直接使用代码节点返回的文本

节点展开详情

在这里插入图片描述

4.5 知识库检索（中/低风险）

作用
当敏感词检测未命中高风险时，检索违规案例知识库，获取与当前文本相似的历史案例片段，为大模型分析提供参考依据，提升对隐晦或新型违规内容的识别能力。

实现方式
添加“知识检索”节点，关联已构建的违规案例知识库。

在这里插入图片描述

节点展开详情

修改标题，查询文本选择用户输入，知识库提前建立好。

在这里插入图片描述

检索参数

查询内容：用户输入的原始文本 content
输出变量：

变量名	类型	说明
result	Array[Object]	检索到的相似案例片段

4.6 大模型综合分析（LLM 节点）

作用
综合用户文本、敏感词命中结果以及知识库检索上下文，输出最终审核结论（纯文本）。

实现方式
添加“LLM”节点，使用自定义系统提示词。

在这里插入图片描述

节点展开详情

修改节点昵称，上下文设置为上一个检索节点的 result，系统 Prompt 和用户 Prompt 如下。

在这里插入图片描述

系统 Prompt

# 角色
你是一名专业的内容安全审核专家。

## 输入信息
- 待审核文本：{{#content#}}
- 敏感词命中：{{#sensitive.hit_words#}}
- 知识库案例：{{#context#}}（可能为空）

## 任务
根据以上信息，判断文本是否违规，并输出明确的审核结论。结论只能是以下三种之一：
- “内容审核通过，允许发布。”
- “内容存在疑似违规，已转人工复审。”
- “内容违规严重，已拒绝发布。”

请直接输出结论文本，不要添加任何额外说明。

用户 Prompt

待审核文本：{{#content#}}
敏感词命中：{{#sensitive.hit_words#}}
知识库参考：{{#context#}}

输出变量

变量名	类型	说明
text	String	大模型输出的审核结论文本

4.7 中/低风险输出节点

作用
当文本经过知识库检索和大模型分析后，输出审核结论。

节点类型：输出节点（Output）

在这里插入图片描述

节点展开详情

在这里插入图片描述

配置

输出变量：选择 {{#llm.text#}}（来自 LLM 节点的 text 字段）
直接引用大模型输出的结论文本

4.8 测试

作用
验证工作流在不同输入场景下的输出是否符合预期。测试用例覆盖敏感词直接拦截、知识库增强判断、大模型纯推理等路径。

点击右上角的“测试运行”，输入文本：

在这里插入图片描述

输入文本 (content)	预期风险等级	输出
暴力色情赌博毒品全都有	高	内容违规严重，已拒绝发布。
加微信XXX，看高清无码视频。	高	内容违规严重，已拒绝发布。
昨晚好寂寞，有没有人陪陪我？	中	内容存在疑似违规，已转人工复审。
昨天买了件衣服，质量特别好，推荐给大家。	低	内容审核通过，允许发布。

追踪可以查看到输入不同的文本运行的流程图，并能查看最后的输出。

在这里插入图片描述

5. 对话流案例：智能内容安全审核助手（Chatflow 版）

本项目基于 Dify Chatflow 构建一个智能内容安全审核助手，支持多轮对话交互。用户可输入单条文本或批量文本（换行/逗号分隔），系统通过知识库检索和大模型判断内容是否违规，并给出明确结论。

5.1 整体流程图

在这里插入图片描述

5.2 节点详细配置

5.2.1 开始节点

作用：接收用户输入的消息。
配置：默认即可，用户输入自动存入 userinput.query。

在这里插入图片描述

5.2.2 意图识别

节点类型：LLM
作用：判断用户意图是“审核文本”、“普通闲聊”还是“感谢/告别”。
系统提示词：

# 角色
你是一个意图识别助手。

## 任务
判断用户输入属于以下哪一类：
- "audit"：用户要求审核一段文本（包含“帮忙审核”、“检查这句话”、“这条评论违规吗”等，或直接提供待审核文本）。
- "chat"：普通聊天（如问候、询问天气、聊日常等）。
- "farewell"：感谢、告别（如“谢谢”、“再见”、“拜拜”）。

## 输出格式
只输出一个单词：audit / chat / farewell，不要有其他内容。

用户提示词：{{#userinput.query#}}

在这里插入图片描述

5.2.3 条件分支（意图分流）

节点类型：条件分支
分支逻辑：

分支	条件	下一步
审核	`{{#意图识别.text#}} == "audit"`	进入批量检测节点
闲聊	`{{#意图识别.text#}} == "chat"`	直接回复（闲聊回答）
告别	`{{#意图识别.text#}} == "farewell"`	直接回复（感谢/告别语）

在这里插入图片描述

闲聊直接回复

节点类型：直接回复（Answer）
回复内容：

我是内容安全审核助手，你可以发给我一段文本，我会判断它是否违规。例如：“暴力 色情”。

在这里插入图片描述

告别直接回复

节点类型：直接回复（Answer）
回复内容：

感谢使用，再见！有问题随时回来。

在这里插入图片描述

5.2.4 批量检测判断

节点类型：代码执行
作用：检查用户输入是否包含换行符、分号、逗号等分隔符，判断是否为批量请求。
代码：

def main(query: str) -> dict:
    if "\n" in query or ";" in query or "，" in query:
        return {"is_batch": True}
    # 如果文本较长且包含多个句号，也视为批量
    if len(query) > 100 and query.count("。") >= 2:
        return {"is_batch": True}
    return {"is_batch": False}

输入变量：query = {{#userinput.query#}}
输出变量：is_batch（Boolean）

在这里插入图片描述

5.2.5 条件分支（单条/批量）

节点类型：条件分支
分支：
- {{#is_batch#}} == true → 批量处理路径
- 默认 → 单条审核路径

在这里插入图片描述

5.3 单条审核路径

5.3.1 知识库检索

节点类型：知识检索
查询内容：{{#userinput.query#}}
关联知识库：内容安全审核知识库（需提前导入）

在这里插入图片描述

5.3.2 LLM 审核（单条）

节点类型：LLM
系统提示词：

# 角色
你是一名专业的内容安全审核专家。

## 输入
- 待审核文本：{{#userinput.query#}}
- 知识库案例：{{#context#}}（可能为空）

## 任务
判断文本是否违规，输出结论。结论只能是以下三种之一：
- “内容审核通过，允许发布。”
- “内容存在疑似违规，已转人工复审。”
- “内容违规严重，已拒绝发布。”

直接输出结论文本，不要额外说明。

用户提示词：可留空

在这里插入图片描述

5.3.3 直接回复（结论 + 询问继续）

节点类型：直接回复（Answer）
回复内容：

{{#LLM审核.text#}}

是否继续审核其他文本？请直接发送新的待审核内容，或回复“结束”。

在这里插入图片描述

5.4 批量审核路径

5.4.1 文本切分（代码节点）

节点类型：代码执行
作用：将用户输入按分隔符拆分成数组。
代码：

import re

def main(query: str) -> dict:
    # 按换行、分号、中文逗号拆分
    items = re.split(r'[\n;；，,]', query)
    items = [item.strip() for item in items if item.strip()]
    return {"texts": items}

输入：query = {{#userinput.query#}}
输出：texts（Array[String]）

在这里插入图片描述

5.4.2 重置批量结果数组

节点类型：变量赋值（Variable Assigner）
作用：在迭代前将 batch_results 重置为空数组，避免累积历史数据。
配置：
- 变量：batch_results（类型 Array[String]，需提前在会话变量中定义）
- 操作：设置（Set）
- 值：[]

在这里插入图片描述

5.4.3 迭代节点（Iteration）

节点类型：迭代
输入数组：{{#文本切分.texts#}}
迭代变量名：item（每次循环的单个文本）
内部节点：

在这里插入图片描述

知识库检索（迭代内）

节点类型：知识检索
查询内容：{{#item#}}（重要：不能使用全局 sys.query）

在这里插入图片描述

LLM 审核（迭代内）

节点类型：LLM
系统提示词：

# 角色
你是一名专业的内容安全审核专家。

## 输入
- 待审核文本：{{#current_text#}}
- 知识库案例：{{#context_inner#}}（可能为空）

## 任务
判断文本是否违规，输出结论。结论只能是以下三种之一：
- “内容审核通过，允许发布。”
- “内容存在疑似违规，已转人工复审。”
- “内容违规严重，已拒绝发布。”

直接输出结论文本，不要额外说明。

用户提示词：可留空

在这里插入图片描述

收集结果（变量赋值追加）

节点类型：变量赋值
作用：将本次审核结果追加到 batch_results 数组中。
配置：
- 变量：batch_results
- 操作：追加（Append）
- 值：LLM 审核（迭代内）.text

注意：追加模式下，变量 batch_results 必须已存在且类型为数组。

在这里插入图片描述

5.4.4 汇总 LLM（迭代结束后）

节点类型：LLM
作用：将 batch_results 数组整理成易读的 Markdown 格式。
系统提示词：

# 角色
你是一个报告生成器。

## 输入
批量审核结果数组：{{#batch_results#}}

## 任务
将结果整理成有序的列表，每条结果独立一行。最后添加一句：“以上为批量审核结果，如需继续审核，请单独发送文本。”

直接输出整理后的文本，不要额外说明。

在这里插入图片描述

5.4.5 直接回复（批量结果）

节点类型：直接回复（Answer）
回复内容：{{#汇总.text#}}

在这里插入图片描述

5.5 测试用例

用户输入	预期行为	预期回复
你好	闲聊	“我是内容安全审核助手…”
加微信XXX看高清视频	单条审核	“内容违规严重，已拒绝发布。”
昨晚好寂寞，有没有人陪陪我？	单条审核	“内容存在疑似违规，已转人工复审。”
谢谢	告别	“感谢使用，再见！”
加微信XXX看高清视频这个产品质量太差劲了，千万别买这件衣服不错	批量审核	1.内容违规严重，已拒绝发布。 2.内容违规严重，已拒绝发布。 3.内容审核通过，允许发布。

在这里插入图片描述

小结

本篇通过工作流与对话流两个完整案例，展示了 Dify 在复杂业务场景下的强大编排能力。工作流适合确定性任务流程，对话流则适合多轮交互场景，两者可灵活组合，满足从自动化到智能化的各类需求。至此，Dify 学习系列六篇文章已全部完成，从安装部署到模型接入、提示词工程、RAG 应用、自定义工具，再到工作流与 Agent，希望你已掌握 Dify 的核心用法，并能用它搭建出属于自己的智能应用。