这次我们来看一个关于 Dify 1.15 版本中“人工介入”功能的技术实操。对于正在使用或考虑使用 Dify 构建 AI 应用的开发者来说，如何让人类在 AI 工作流的关键节点进行审核、修正或决策，是一个直接影响应用可靠性和用户体验的核心问题。Dify 1.15 版本对此进行了重点增强。

本文将直接切入主题，拆解 Dify 1.15 中人工介入功能的核心机制、配置方法、适用场景以及在实际工作流中的集成方式。无论你是想为客服机器人添加人工坐席接管，还是为内容生成流程设置审核关卡，这篇文章将提供一套从配置到验证的完整操作指南。

1. 核心能力速览

在深入细节之前，我们先通过一个表格快速了解 Dify 1.15 人工介入功能的核心规格与能力边界，这有助于你快速判断其是否匹配你的需求。

2. 适用场景与使用边界

人工介入不是在所有环节都必要，滥用会导致效率下降。理解其适用场景和边界，是设计高效人机协同流程的第一步。

最适合使用人工介入的场景：

1. 高风险决策与审核：例如，AI 生成的合同条款、金融建议、医疗健康相关回答，必须经过专业人士审核后才能最终交付给用户。
2. 敏感内容过滤：尽管有 AI 内容安全过滤器，但对于公关、法律或品牌形象要求极高的场景，最终发布前的人工审核是必要的安全网。
3. 复杂问题升级：当客服机器人识别到用户问题非常复杂、情绪激动或涉及多次未解决的投诉时，自动触发人工坐席接管流程。
4. 数据标注与质量校验：在利用 AI 进行初步数据清洗、分类或打标后，通过抽样或低置信度触发人工复核，确保训练数据或输出数据的质量。
5. 创造性工作的把关：如营销文案、设计建议的生成，AI 提供草案，由人类进行创意优化和最终定稿。

使用边界与注意事项：

• 性能与延迟：人工介入必然引入异步延迟。不适合对实时性要求极高的对话场景（如实时翻译），但可通过设置超时机制和默认降级方案来缓解。
• 成本考量：需要评估人工审核的人力成本与业务风险之间的平衡。可通过优化触发条件（如仅对低置信度结果触发）来控制人工介入的量级。
• 合规与授权：如果人工介入环节需要处理用户个人信息、对话记录等，需确保该操作符合隐私政策并获得相应授权，同时要对人工处理员进行权限管理和操作审计。
• 体验连续性：设计流程时，需考虑用户等待期间的通知（如“您的问题已提交专家审核，请稍候”）以及人工处理完成后如何无缝地将结果返回给用户。

3. 环境准备与前置条件

在开始配置人工介入工作流之前，你需要一个可运行的 Dify 环境。以下是典型的准备工作清单。

1. Dify 部署环境：

   • 版本：确保你的 Dify 版本为1.15.0 或更高。早期版本可能不支持完整的人工干预节点功能。
   • 部署方式：无论是通过 Docker Compose、Kubernetes Helm Chart，还是从源码部署，都需要保证服务正常运行。
   • 访问权限：你需要一个具有工作流编辑和应用发布权限的账号。

2. 模型与知识库准备：

   • AI 模型：确保你的 Dify 已正确配置并可用至少一个 LLM 模型（如 GPT-4、Claude、或本地部署的 GLM、Qwen 等），因为人工介入通常发生在 AI 处理之后。
   • 知识库（可选）：如果你的工作流涉及知识库检索增强生成（RAG），确保相关知识库已构建并可用。

3. 人工处理端准备：

   • 处理人员账号：需要为执行审核/处理任务的人员创建 Dify 账号，并授予其访问“任务队列”的权限。通常，可以创建一个“审核员”角色。
   • 通知机制（可选但推荐）：考虑如何通知处理人员有新任务。Dify 可能支持内部通知，但集成外部 IM（如钉钉、飞书、企业微信）的 webhook 通常是更可靠的做法，这可能需要额外的配置或开发。

4. 人工干预节点配置详解

这是功能实现的核心。我们以一个“AI 客服回答安全审核”场景为例，一步步配置一个包含人工干预节点的工作流。

场景：用户向 AI 客服提问，AI 生成回答后，先经过一个“敏感词检查”节点。如果发现潜在敏感内容，则触发人工审核；否则，直接返回答案给用户。

步骤 1：创建工作流并添加初始节点

1. 进入 Dify 控制台，创建新应用，选择“工作流”类型。
2. 从节点库中拖入以下节点并连接：
   • 开始节点：接收用户问题。
   • LLM 节点（如 ChatGPT）：配置系统提示词为客服助手，处理用户问题，生成初始回答。输出变量设为ai_answer。
   • 代码节点或工具节点：作为“敏感词检查器”。这里使用代码节点，编写一个简单的 Python 函数，检查ai_answer中是否包含预设的敏感词列表（如“退款”、“投诉”、“法律”等业务敏感词）。

   # 示例：敏感词检查逻辑 sensitive_words = ["退款", "投诉", "起诉", "赔偿", "高层"] def check_sensitive(text): for word in sensitive_words: if word in text: return True, word # 触发，并返回触发的词 return False, None # 未触发 # 调用函数，假设输入变量是 ai_answer is_triggered, triggered_word = check_sensitive(ai_answer)

   该节点输出两个变量：need_review(布尔值) 和triggered_word(字符串)。

步骤 2：配置人工干预节点

1. 从节点库拖入“人工干预 (Human Intervention)”节点。
2. 连接：将“敏感词检查”节点的输出，连接到“人工干预”节点的输入。
3. 节点配置：
   • 触发类型：选择“当变量满足条件时”。这是最常用的方式。
   • 条件设置：设置条件为need_review等于true。这意味着只有当敏感词检查通过时，工作流才会进入人工审核队列。
   • 任务信息配置：
     • 标题：可以设置为动态变量，如“客服回答审核：涉及【{{triggered_word}}】”，让审核员一眼看清重点。
     • 内容：这里可以组织需要人工审核的信息。通常包括：
       • 用户原始问题：{{query}}
       • AI 生成的原始回答：{{ai_answer}}
       • 触发原因：“系统检测到可能涉及【{{triggered_word}}】的敏感内容，请审核。”
     • 指令：给审核员明确的操作指南。例如：“请检查 AI 回答是否合规、准确。您可以直接‘通过’，或‘拒绝’并输入修改后的回答。”
   • 变量映射：
     • 输入变量：将ai_answer映射到人工干预节点，作为可编辑的初始内容。
     • 输出变量：定义一个变量（如final_answer）来接收人工处理后的结果。人工可以选择“通过”（使用原内容）、“拒绝并修改”（提交新内容）或“拒绝”（终止流程）。

步骤 3：配置条件分支与结束

1. 从“敏感词检查”节点拉出两条分支：
   • 条件分支 (IF)：连接need_review == true到“人工干预”节点。
   • 否则分支 (ELSE)：连接need_review == false直接到一个结束节点。此路径的final_answer直接使用ai_answer。
2. 从“人工干预”节点拉出两条分支：
   • 通过/修改后分支：连接到一个结束节点，输出人工处理后的final_answer。
   • 拒绝分支（可选）：可以连接到一个新的 LLM 节点，让 AI 根据拒绝原因重新生成，或连接到一个固定回复的结束节点（如“您的问题需要进一步核实，稍后由专员联系您。”）。

至此，一个基础的人工介入审核流程就配置完成了。工作流的可视化编排使得整个逻辑非常清晰。

5. 人工处理端：任务队列操作实战

配置好工作流并发布应用后，当满足触发条件时，任务就会出现在“任务队列”中。处理人员如何操作呢？

1. 访问任务队列：具有权限的处理人员登录 Dify，在侧边栏或顶部导航中找到“任务队列”或“待办任务”入口。
2. 查看任务列表：列表会显示所有待处理的任务，包含标题、创建时间、所属应用等信息。审核员可以筛选、排序。
3. 处理单个任务：
   • 点击一个任务，右侧或新页面会展开任务详情，显示配置节点时填写的“内容”和“指令”。
   • 界面会提供 AI 的原始输出（如ai_answer）作为一个可编辑的文本框。
   • 审核员可以：
     • 直接通过：如果认为内容无误，点击“通过”按钮。工作流将继续，final_answer将为原始内容。
     • 修改后通过：在文本框内直接修改 AI 的回答，然后点击“通过”。工作流将继续，final_answer将为修改后的内容。
     • 拒绝：如果问题无法在线解决，点击“拒绝”。工作流会走向拒绝分支（如果配置了）。
   • 审核员还可以添加内部备注，方便后续追溯。
4. 批量处理与指派：高级版本可能支持批量通过/拒绝，以及将任务指派给特定处理人员。

关键体验点：

• 响应速度：从任务产生到出现在队列中的延迟通常很短（秒级）。
• 操作便捷性：界面是否清晰，编辑是否流畅，直接影响人工处理效率。
• 移动端适配：Dify 的管理界面通常响应式设计，审核员在手机上也能应急处理，这对某些需要快速响应的场景很重要。

6. 通过 API 集成与自动化扩展

对于需要将人工审核任务集成到现有工单系统、CRM 或内部 IM 的场景，Dify 提供了 API 支持，让你能打破平台边界。

核心 API 能力：

1. 获取待处理任务列表：调用 API 拉取当前所有pending状态的人工干预任务。
2. 更新任务状态：通过 API 模拟“通过”、“拒绝”操作，并提交处理结果。这意味着你可以开发一个自定义的后台，从 Dify 拉取任务，展示给审核员，审核员在你的系统里操作，然后通过 API 回写结果到 Dify，驱动工作流继续。

示例：Python 调用获取任务列表（概念伪代码）

import requests # 假设 Dify API 地址和密钥 DIFY_API_BASE = "http://your-dify-domain.com/v1" API_KEY = "your-app-api-key" def fetch_pending_tasks(): url = f"{DIFY_API_BASE}/tasks" # 实际端点需查阅 Dify API 文档 headers = { "Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json" } params = { "status": "pending", "page": 1, "limit": 20 } response = requests.get(url, headers=headers, params=params) if response.status_code == 200: tasks = response.json().get('data', []) for task in tasks: print(f"任务ID: {task['id']}, 标题: {task['title']}, 应用: {task['app_name']}") return tasks else: print(f"获取任务失败: {response.status_code}, {response.text}") return [] # 调用函数 pending_tasks = fetch_pending_tasks()

自动化扩展思路：

• 与 IM 机器人集成：当新任务产生时，通过 Dify 的 webhook 或定时调用 API，将任务关键信息发送到钉钉/飞书群，审核员点击链接即可跳转到处理页面。
• 优先级与 SLA 管理：在自定义系统中为任务设置优先级、服务水平协议（SLA）计时，并实现超时自动升级或转派。
• 处理数据分析：集中记录所有人工处理的操作日志、处理时长、修改内容，用于分析 AI 模型的薄弱环节，优化触发条件或提示词工程。

7. 高级配置与最佳实践

要让人工介入功能稳定高效，以下是一些进阶配置和实战经验。

1. 优化触发条件，减少不必要的人工劳动：

• 结合置信度：在 LLM 节点后，可以添加一个“分类器”或“情感分析”节点，输出一个置信度分数。仅当置信度低于某个阈值且触发了关键词时，才转人工。避免高置信度的标准回答也进入队列。
• 多条件组合：使用“条件判断”节点，支持AND/OR逻辑。例如：(包含敏感词A OR 包含敏感词B) AND 情感为负面。
• 抽样审核：对于非关键流程，可以配置一个随机函数，仅让一定比例（如 5%）的请求进入人工审核，用于质量监控。

2. 设计清晰的人工操作指令与上下文：

• 指令具体化：不要只说“请审核”。应提供具体审核维度，如：“1. 检查事实准确性；2. 检查语气是否友好；3. 检查是否包含未公开的内部信息。”
• 提供参考：在任务内容中，除了 AI 输出，还可以附上知识库检索到的相关片段、用户的历史对话记录（脱敏后），帮助审核员综合判断。
• 预设选项：对于常见修改，可以提供“修改为以下预设回答”的按钮，提升处理速度。

3. 设置超时与降级方案，保障用户体验：

• 配置任务超时：在人工干预节点或通过工作流变量设置超时时间（如 300 秒）。
• 设计超时分支：当任务超时未被处理时，工作流应能自动走向一个降级分支。例如，可以转向一个更保守的 LLM 节点重新生成回答，或直接返回一条提示信息：“您的问题正在加急处理中，请稍后查看结果。”
• 通知重试：超时前，可以通过集成的外部通知系统提醒处理人员。

4. 权限管理与审计：

• 角色分离：区分“工作流编辑者”、“应用运营者”和“任务处理员”。处理员只能看到任务队列，不能修改工作流配置。
• 操作日志：确保 Dify 的审计日志功能开启，记录下谁在什么时间处理了哪个任务，做了何种操作（通过/拒绝/修改）。这对于合规和问题追溯至关重要。

8. 常见问题与排查方法

在实际部署和运行中，你可能会遇到以下典型问题。

9. 总结与下一步

Dify 1.15 的人工介入功能，将一个复杂的“人机协同”系统设计，简化为一个可视化的工作流节点配置问题。它降低了实现 AI 应用关键环节人工审核与接管的技术门槛。

最值得你立即尝试的，是在一个非核心的业务流程中快速搭建一个测试工作流。例如，为一个内部知识问答机器人添加一个“当答案来自特定敏感知识库时需人工确认”的环节。通过这个简单的测试，你能直观地感受到从触发、任务生成、人工处理到流程继续的完整闭环。

最容易踩的坑主要集中在变量映射和条件逻辑上。务必善用工作流的“调试”和“运行跟踪”功能，像调试代码一样，逐步观察每个节点的输入输出，这是排查问题最快的方法。

下一步，你可以探索更复杂的模式：

• 多级审核：设计“初审-复审”链条，不同级别的处理员拥有不同权限。
• 动态指派：根据任务内容（如技术问题、财务问题）自动分配给不同部门的处理员。
• 与外部系统深度集成：将 Dify 的人工干预任务同步到 Jira、ServiceNow 等专业工单系统，利用后者更强大的流程管理能力。

将 AI 的自动化能力与人类的关键判断力相结合，是构建可靠、可信、可落地的企业级 AI 应用的必经之路。Dify 的这项功能，为你提供了实现这一目标的坚实工具箱。建议收藏本文，在配置具体流程时作为参考清单使用。