在实际企业级 AI 应用开发中，构建一个完全自动化的流程是理想状态，但现实情况是，复杂业务逻辑、合规要求或模型能力的边界，常常需要引入“人”的判断和干预。Dify 作为一个领先的 LLM 应用开发平台，其“人工介入”功能正是为了解决这一核心痛点。它允许你在 AI 工作流的特定节点暂停，将决策权或审核权交还给人类操作员，待人工处理完成后再继续后续的自动化流程。这不仅是简单的“审批”，而是将人类智慧无缝嵌入到 AI 驱动的自动化链条中，实现人机协同。

本文将深入解析 Dify 1.15 版本中人工介入功能的设计理念、核心机制与实战配置。无论你是希望为 AI 客服添加敏感问题人工审核，还是为内容生成流程加入编辑校对环节，亦或是为数据标注任务设计人机回圈，都能通过本文掌握从零搭建一个具备人工介入能力的 Dify 工作流。我们将从概念理解开始，逐步完成环境准备、工作流构建、节点配置、运行测试，并最终探讨生产环境下的最佳实践与排错指南。

1. 理解 Dify 人工介入的核心价值与工作机制

在深入配置之前，必须厘清人工介入在 Dify 工作流中的定位。它不是一个独立的功能，而是工作流节点（Node）的一种特殊类型。理解其工作机制，有助于我们在设计工作流时做出更合理的架构决策。

1.1 人工介入解决了什么问题？

纯粹的 AI 自动化流程面临几个固有挑战：

1. 不确定性处理：当 LLM 的输出置信度低、存在多种可能解或需要主观判断时，纯 AI 难以做出可靠决策。
2. 合规与安全审核：在金融、医疗、法律等领域，或涉及用户隐私、公司机密的内容生成，必须经过人工审核才能发布。
3. 复杂业务逻辑：某些决策需要查询外部数据库、调用内部 API 或基于非文本信息（如图片、表格），这些逻辑难以全部用自然语言描述给 LLM。
4. 质量控制与迭代：通过人工对 AI 输出进行纠正或评分，可以生成高质量的数据，用于后续的模型微调（RLHF），形成正向反馈循环。

Dify 的人工介入节点，就像一个智能开关。当工作流执行到该节点时，它会暂停，并创建一个待处理任务。这个任务会被分配给指定的人工操作员（或操作员组），操作员在 Dify 提供的界面上查看上下文信息，做出判断、修改内容或提供输入，然后点击“通过”，工作流才会从该节点继续向下执行。

1.2 人工介入节点的关键属性

一个配置完善的人工介入节点包含以下几个关键部分：

• 触发条件：决定工作流何时进入人工介入。可以是无条件（每次必走），也可以是基于前面节点输出的条件判断（例如，当情感分析为“负面”时，才转人工）。
• 指派对象：任务分配给谁？可以是特定的用户、用户组，或由具有特定角色（如“管理员”、“审核员”）的用户领取。
• 操作界面：人工操作员看到什么？你需要定义展示给操作员的表单，包括只读的上下文变量（如用户原始问题、AI 的初始回复）和可编辑的字段（如最终答复、审核意见、评分）。
• 超时与重试策略：如果人工操作员长时间未处理，系统该如何应对？是自动超时跳过，还是转给其他人，或是执行备用分支？
• 输出变量：人工处理的结果（如修改后的文本、选择的选项、填写的意见）如何转化为工作流变量，供后续节点使用。

理解这些属性，是后续进行有效配置的基础。

2. 环境准备与 Dify 工作流基础

在开始配置人工介入之前，你需要一个可用的 Dify 环境。我们将从环境准备开始，并快速回顾创建基础工作流的关键步骤。

2.1 Dify 部署与访问

Dify 支持多种部署方式。对于开发和测试，我们推荐使用 Docker Compose，这是最快捷、隔离性最好的方式。

1. 获取部署文件：访问 Dify 官方 GitHub 仓库的 Release 页面，下载对应版本的docker-compose.yml文件。确保你选择的是 1.15 或更高版本。
2. 启动服务：在存放docker-compose.yml的目录下执行以下命令。

   # 启动所有服务 docker-compose up -d # 查看日志，确认服务启动成功 docker-compose logs -f dify-api

3. 访问控制台：服务启动后，在浏览器中访问http://localhost:3000（默认端口）。首次访问需要创建管理员账户。
4. 配置模型供应商：进入控制台后，在“设置”->“模型供应商”中，添加你的 OpenAI、Azure OpenAI 或 Anthropic 等 API 密钥，确保基础 LLM 调用可用。

注意：生产环境部署需要考虑数据库持久化、网络配置、HTTPS、监控和备份等，Docker Compose 示例仅适用于评估和开发。

2.2 创建你的第一个基础工作流

人工介入节点必须嵌入在一个工作流中。我们先创建一个最简单的文本生成工作流作为“靶子”。

1. 进入工作流设计器：在 Dify 控制台左侧导航栏，点击“工作流”，然后点击“创建新工作流”。
2. 添加开始节点和 LLM 节点：
   • 从左侧节点库拖拽“开始”节点到画布。
   • 拖拽一个“LLM”节点（如“对话”或“文本生成”）到画布。
   • 连接“开始”节点的输出到“LLM”节点的输入。
3. 配置 LLM 节点：
   • 点击 LLM 节点，在右侧面板选择模型（如 gpt-4o-mini）。
   • 在“上下文”区域，配置系统提示词，例如：“你是一个友好的客服助手。”
   • 在“对话内容”区域，将变量{{#context.query#}}填入用户问题位置。这个变量来自开始节点。
4. 配置开始节点：点击开始节点，在右侧“变量”部分，添加一个名为query的字符串类型变量。这代表了用户输入。
5. 测试运行：点击右上角的“运行”按钮，在弹出窗的query字段输入“你好”，点击运行。你应该能在 LLM 节点后看到生成的回复。

至此，一个基础的自动化文本生成流水线就完成了。接下来，我们将在这个流水线中插入人工审核环节。

3. 构建带有人工介入的客服审核工作流

我们将构建一个经典的场景：AI 客服自动回复，但当识别到用户问题涉及“投诉”或“退款”时，自动转交人工客服进行审核和最终回复。

3.1 工作流结构设计

整个工作流将包含以下节点和逻辑：

1. 开始：接收用户问题 (query)。
2. 分类判断：使用一个 LLM 节点对用户问题进行意图分类，判断是否需要人工介入。
3. 条件分支：根据分类结果，决定流程走向。
4. 人工介入：如果需要人工，则暂停流程，等待客服处理。
5. AI 回复：如果不需要人工，或人工审核后，由 AI 或人工生成最终回复。
6. 结束：输出最终结果。

3.2 逐步配置与实现

步骤一：添加并配置分类节点

1. 从节点库拖拽一个新的“LLM”节点到画布，放在开始节点和第一个 LLM 节点之间。将其重命名为“意图分类”。
2. 连接“开始”节点到“意图分类”节点。
3. 配置该节点：
   • 模型：选择一个快速且便宜的分类模型，如 gpt-3.5-turbo。
   • 系统提示词：

     你是一个意图分类器。请分析用户的输入，判断其是否涉及“投诉”、“退款”、“纠纷”、“法律咨询”或“高管联系”等敏感或复杂话题。 你只需要输出一个单词：`NEED_HUMAN` 或 `AUTO_REPLY`。 如果涉及上述敏感话题，输出 `NEED_HUMAN`，否则输出 `AUTO_REPLY`。 不要输出任何其他解释。

   • 用户问题：填入{{query}}。
4. 为了后续使用分类结果，我们需要将 LLM 的输出赋值给一个变量。在该节点的“高级”设置中，找到“回答变量”，将其设置为classification_result。这样，LLM 的输出（NEED_HUMAN或AUTO_REPLY）就会被保存到工作流变量classification_result中。

步骤二：添加条件分支节点

1. 从节点库拖拽“条件判断”节点到画布。
2. 连接“意图分类”节点到“条件判断”节点。
3. 配置条件分支：
   • 点击“条件判断”节点，在右侧面板点击“添加条件”。
   • 在第一个条件（IF）的规则中，设置：
     • 变量：选择classification_result
     • 判断：等于
     • 值：输入NEED_HUMAN
   • 这个条件的出口，我们将其重命名为“转人工”。
   • 系统会自动生成一个“其他”出口，我们将其重命名为“自动回复”。

步骤三：配置人工介入节点

这是最核心的一步。

1. 从节点库拖拽“人工介入”节点到画布。将其连接到“条件判断”节点的“转人工”出口。
2. 配置人工介入节点：
   • 节点名称：命名为“人工审核”。
   • 指派给：
     • 方式：选择“指定成员”。（你也可以选择“角色”，例如“审核员”，这需要先在团队管理中设置角色）。
     • 成员：从下拉列表中选择一个或多个已有的 Dify 用户作为审核员。为了测试，你可以选择自己的账户。
   • 表单配置：这是定义审核员操作界面的地方。
     • 点击“添加字段”。
     • 字段1（只读，显示用户问题）：
       • 标题：用户原始问题
       • 变量名：original_query(自动生成)
       • 类型：选择“文本”
       • 默认值：填入{{query}}
       • 编辑权限：取消勾选“可编辑”，使其成为只读字段。
     • 字段2（只读，显示AI初始回复）：
       • 我们需要先让 AI 生成一个初始回复。因此，从“条件判断”的“转人工”出口，先连接到一个新的“LLM”节点（生成初始回复），再将这个 LLM 节点连接到“人工介入”节点。配置这个 LLM 节点生成基于{{query}}的客服回复，并将其输出赋值给变量ai_draft_reply。
       • 然后，在人工介入节点的表单中：
       • 标题：AI 建议回复
       • 变量名：ai_draft
       • 类型：选择“文本”
       • 默认值：填入{{ai_draft_reply}}
       • 编辑权限：取消勾选“可编辑”。
     • 字段3（可编辑，最终回复）：
       • 标题：最终回复内容
       • 变量名：final_reply
       • 类型：选择“文本”
       • 默认值：填入{{ai_draft_reply}}（这样审核员可以在 AI 建议的基础上修改）。
       • 编辑权限：保持勾选“可编辑”。
     • 字段4（可编辑，审核意见）：
       • 标题：审核意见
       • 变量名：review_comment
       • 类型：选择“文本”
       • 默认值：留空。
       • 编辑权限：保持勾选“可编辑”。
   • 高级设置：
     • 超时：设置一个超时时间（如30分钟）和超时后操作（如“自动通过并继续”）。这可以防止工作流因无人处理而永久挂起。

步骤四：整合流程与输出

1. 自动回复分支：从“条件判断”节点的“自动回复”出口，连接到你最初创建的那个 LLM 节点（或新建一个），用于处理无需人工的常规问题。将此节点的输出赋值给变量auto_final_reply。
2. 人工分支输出：从“人工介入”节点的输出端连接出去。人工处理完成后，final_reply变量就包含了审核员确定的最终内容。
3. 汇聚与结束：你需要使用一个“答案”节点或“结束”节点来输出最终结果。这里需要一个逻辑来处理两个分支的变量。
   • 方法A：使用“变量赋值”节点。在“自动回复”分支后，设置一个变量赋值节点，将auto_final_reply赋值给一个通用变量output。在“人工介入”分支后，也设置一个变量赋值节点，将final_reply赋值给同一个变量output。然后将两个变量赋值节点连接到同一个“结束”节点。
   • 方法B（更清晰）：使用“条件判断”后的“其他”分支，并配合变量。但上述方法A在简单场景下更直观。
4. 配置“结束”节点，在其变量中输出{{output}}或{{final_reply}}等最终结果变量。

完成后的简化工作流图应类似：开始 -> 意图分类 -> 条件判断 -> (是) -> AI生成草稿 -> 人工介入 -> 变量赋值 -> 结束；条件判断 -> (否) -> AI直接回复 -> 变量赋值 -> 结束。

4. 运行、测试与验证人工介入流程

配置完成后，必须进行端到端的测试，验证整个流程是否符合预期。

4.1 发布工作流

1. 在工作流编辑界面，点击右上角的“发布”按钮。
2. 为这个版本添加一个备注，例如“初版：添加投诉类问题人工审核”。
3. 发布后，工作流会生成一个独立的 API 端点。你可以通过“应用”功能将其封装为一个可访问的 Web 应用或 API。

4.2 模拟测试人工介入

1. 触发人工介入：通过运行测试或调用 API，发送一个包含“投诉”关键词的查询，例如：“我要投诉你们的产品质量有问题！”
2. 查看待处理任务：
   • 以审核员身份（或你指派给自己的账户）登录 Dify 控制台。
   • 在左侧导航栏，点击“待办”。你应该能看到一条待处理的“人工审核”任务。
3. 处理人工任务：
   • 点击该任务，进入处理界面。你会看到之前配置的表单：“用户原始问题”和“AI 建议回复”是只读的，“最终回复内容”和“审核意见”是可编辑的。
   • 审核员可以修改“最终回复内容”，并填写“审核意见”，例如：“用户情绪激动，建议提供补偿方案并致电跟进。”
   • 点击“通过并继续”。
4. 验证流程继续：
   • 任务完成后，返回工作流运行历史或通过 API 轮询结果。
   • 你应该能看到工作流已执行完毕，并且最终输出的是审核员修改后的“最终回复内容”，而不是最初的 AI 草稿。
5. 测试自动分支：发送一个普通查询，如“你们的营业时间是什么？”，验证流程是否绕过人工节点，直接由 AI 回复。

4.3 关键验证点

• 条件触发：是否只有特定意图的问题触发了人工介入？
• 表单展示：审核员界面显示的信息是否准确、完整？
• 变量传递：审核员修改的内容，是否正确传递到了工作流下游，并作为最终输出？
• 超时机制：可以测试等待超过设定的超时时间，看工作流是否按配置（自动通过/拒绝）继续执行。

5. 常见问题排查与调试指南

在实际操作中，你可能会遇到一些问题。以下是常见问题的排查路径。

调试建议：充分利用 Dify 工作流的“运行历史”功能。每次运行都会记录每个节点的输入、输出和状态。当流程不符合预期时，逐节点检查运行历史中的变量值和状态，是定位问题最有效的方法。

6. 生产环境最佳实践与扩展思路

将带有人工介入的工作流用于生产环境，需要考虑更多关于可靠性、效率和管理的因素。

6.1 安全与权限管理

• 最小权限原则：不要将人工介入任务指派给无关人员。利用 Dify 的“角色”功能，创建“内容审核员”、“客服主管”等角色，并基于角色进行指派。
• 操作审计：所有人工介入任务的处理操作（谁、何时、修改了什么、意见是什么）都应被记录。Dify 通常会记录这些日志，确保你有权限访问和归档这些日志以满足合规要求。
• 数据脱敏：如果处理的信息包含敏感数据（如手机号、身份证号），考虑在展示给审核员之前，在流程中先添加一个“数据脱敏”节点进行部分隐藏。

6.2 性能与可用性

• 设置合理的超时与升级策略：不要只设置一个超时。可以配置：首次指派给 A，5 分钟未处理，自动转派给 B；再 10 分钟未处理，则根据规则自动通过或拒绝，并发送告警通知。
• 异步与队列：对于高并发场景，人工介入任务会形成队列。确保你的审核团队有足够的处理能力，或考虑将任务集成到外部工单系统（如 Jira, 飞书审批）。
• 通知集成：审核员不可能一直刷新“待办”列表。将 Dify 与企业的即时通讯工具（如 Slack, 钉钉，企业微信）集成，当有新任务时，自动发送通知给审核员。

6.3 扩展功能设计

• 多级审核：对于极高风险场景，可以串联多个人工介入节点，实现“初审->复审”的多级审核流程。
• 动态指派：基于工单内容（如语言、产品线），使用代码节点调用内部 API，动态计算并指派给最合适的专家团队。
• 人工反馈闭环：将人工修改的最终回复final_reply与 AI 初始草稿ai_draft_reply进行对比、差异分析，并将这些数据作为高质量样本，用于后续的模型微调，持续提升 AI 的首次回复准确率。
• 与外部系统集成：人工介入节点可以作为一个“闸口”，审核通过后，触发一个“HTTP 请求”节点，将数据推送到外部的 CRM、工单系统或数据库，实现业务流程的完全贯通。

人工介入功能将 Dify 从一个纯粹的 AI 自动化工具，升级为一个强大的人机协同平台。它的价值不在于替代人工，而在于将人力精准、高效地部署在 AI 最不擅长或风险最高的环节，从而在提升效率的同时，牢牢把控质量与安全的底线。通过本文的配置实践，你已经掌握了构建这种人机协同工作流的核心技能。接下来，你可以尝试将其应用到内容安全过滤、金融报告生成、智能工单分类等更复杂的业务场景中，探索 AI 与人类智能结合的最佳模式。