在实际 AI 应用开发中，如何将大模型的能力稳定、可控地集成到业务流程里，是每个开发者都会遇到的挑战。直接调用 API 虽然简单，但难以处理复杂的逻辑编排、条件判断、多步骤数据处理和异常回退。Dify 作为一个开源的 LLM 应用开发平台，其工作流（Workflow）功能正是为了解决这一问题而生。它允许开发者通过可视化拖拽的方式，将大模型调用、代码执行、条件分支、API 请求等节点连接起来，构建出能够处理复杂场景的 AI 应用。

本文将以一个“金融大模型问答机器人”项目为背景，带你从零开始，深入理解 Dify 工作流的核心概念、设计思路和实现细节。无论你是希望快速验证 AI 应用想法的产品经理，还是需要将 AI 能力落地的工程师，都能通过本文掌握使用 Dify 工作流构建可靠 AI 应用的方法。我们将从环境部署开始，逐步完成一个具备知识库检索、意图判断、风控审核和格式化输出功能的完整工作流，并探讨其在生产环境中的关键考量。

1. 理解 Dify 工作流：从 API 调用到业务流程编排

在传统的大模型应用开发中，我们通常编写代码来顺序调用 API。例如，先进行意图识别，再查询知识库，最后生成回答。这种方式的代码耦合度高，流程变更需要修改代码，且缺乏可视化的运行状态追踪。

Dify 工作流将这一过程抽象为“节点”和“边”。每个节点代表一个原子操作（如调用模型、执行 Python 代码、发起 HTTP 请求），每条边代表数据流向或逻辑分支。这种设计带来了几个核心优势：

• 可视化编排：复杂逻辑一目了然，非技术角色也能参与流程设计和 review。
• 模块化与复用：每个节点独立配置，可以像积木一样被组合和复用。
• 状态可观测：运行时的数据流、每个节点的输入输出、执行状态都清晰可见，极大简化了调试过程。
• 内置常用能力：Dify 原生提供了知识库检索、文本处理、条件判断等高频节点，无需重复造轮子。

对于“金融大模型问答机器人”这类对准确性、合规性要求极高的场景，工作流的价值更加凸显。我们可以轻松地在回答生成前插入“合规检查”节点，在调用外部数据源后加入“数据清洗”节点，确保最终输出的结果既准确又安全。

1.1 核心节点类型与数据流

在开始构建前，需要理解工作流中几种关键的节点类型及其数据传递方式：

1. 开始节点：工作流的唯一入口，定义了整个工作流的初始输入变量（如用户问题query）。
2. LLM 节点：核心节点，用于调用配置好的大模型（如 GPT-4、Qwen 等）。你需要配置系统提示词（System Prompt）和用户提示词（User Prompt），提示词中可以引用上游节点的输出变量。
3. 知识库节点：与 Dify 内置的知识库功能联动。输入一个查询文本，节点会返回从知识库中检索到的相关片段（Chunks）。这是实现 RAG（检索增强生成）的关键。
4. 代码节点：支持运行 Python 代码。你可以在此进行复杂的数据处理、计算、调用本地函数或处理上游节点传来的结构化数据（如 JSON）。节点的输出是代码中最后一条表达式的值，或通过outputs字典显式定义。
5. 条件判断节点：根据设定的条件（如变量是否包含特定关键词、数值比较等）决定流程的走向，实现分支逻辑。
6. 回答节点：工作流的终点，用于定义最终返回给用户的内容。你可以在此整合、格式化前面所有节点的输出。

数据通过变量（Variable）在节点间传递。每个节点都会将其输出结果赋值给一个或多个变量，下游节点则通过{{variable_name}}的模板语法来引用这些变量。

1.2 项目案例：金融大模型问答机器人设计

假设我们正在为一家金融机构开发一个内部问答助手，它需要处理关于产品规则、合规条款、市场数据的咨询。直接让大模型回答存在幻觉风险，且无法保证信息时效性。因此，我们设计以下工作流：

1. 意图识别：判断用户问题是关于“产品信息”、“合规咨询”还是“通用闲聊”。
2. 知识检索：对于“产品信息”和“合规咨询”类问题，从对应的内部知识库中检索最新、最相关的文档片段。
3. 风控初筛：对用户问题本身进行简单的内容安全审核，过滤明显违规的提问。
4. 答案生成：结合检索到的知识片段，让大模型生成准确、严谨的回答，并严格要求其注明信息来源。
5. 格式化输出：将回答按照固定的 Markdown 模板进行美化，并附上引用来源。

接下来，我们将从环境准备开始，一步步实现这个工作流。

2. 环境准备与 Dify 部署

在开始编排工作流之前，需要一个可用的 Dify 环境。Dify 支持多种部署方式，为了获得最佳的控制权和便于调试，我们选择在本地通过 Docker Compose 进行部署。

2.1 系统与依赖要求

确保你的开发环境满足以下最低要求：

可以通过以下命令检查 Docker 和 Docker Compose 版本：

docker --version docker-compose --version

2.2 通过 Docker Compose 一键部署

这是最推荐的方式，它能一次性启动 Dify 所需的所有服务（Web 前端、后端 API、数据库等）。

1. 下载部署文件：在终端中，创建一个项目目录并进入。

   mkdir dify-finance-robot && cd dify-finance-robot curl -O https://raw.githubusercontent.com/langgenius/dify/main/docker/docker-compose.yaml curl -O https://raw.githubusercontent.com/langgenius/dify/main/docker/.env.example -o .env

2. 配置环境变量：编辑.env文件，最关键的是设置访问密钥和模型供应商。

   # 使用文本编辑器打开 .env 文件，例如 vim .env

   找到并修改以下关键配置（以使用 OpenAI 兼容 API 为例）：

   # 设置一个安全的密钥，用于加密 SECRET_KEY=your-very-secret-key-change-this # 设置控制台管理员账号密码 CONSOLE_ADMIN_EMAIL=admin@yourcompany.com CONSOLE_ADMIN_PASSWORD=your-strong-password # 模型供应商配置 (例如使用通义千问) OPENAI_API_TYPE=openai OPENAI_API_KEY=sk-your-qwen-api-key-here # 替换为你的实际 API Key OPENAI_API_BASE=https://dashscope.aliyuncs.com/compatible-mode/v1 # 通义千问兼容端点 OPENAI_MODEL_NAME=qwen-max # 指定使用的模型

   注意：如果你使用其他模型（如 GPT-4、本地部署的模型），需要相应调整OPENAI_API_BASE和OPENAI_MODEL_NAME。确保你的网络可以访问对应的 API 端点。

3. 启动服务：执行 Docker Compose 命令启动所有容器。

   docker-compose up -d

   首次运行会下载所有必要的镜像，可能需要几分钟。使用docker-compose logs -f可以查看实时日志，确认服务启动无误。

4. 访问控制台：服务启动后，在浏览器中打开http://localhost:3000。使用你在.env中设置的邮箱和密码登录。

2.3 常见部署问题排查

如果在部署或访问时遇到问题，可以按以下顺序排查：

环境就绪后，我们首先需要为机器人准备“大脑”（模型）和“记忆”（知识库）。

3. 基础配置：模型与知识库准备

一个 AI 应用的核心是模型和知识。在 Dify 控制台中，我们需要先完成这两项基础配置。

3.1 配置大模型供应商

虽然我们在.env中配置了默认模型，但 Dify 支持同时配置多个模型供应商，方便在不同场景下切换。

1. 登录 Dify 控制台，进入“设置” -> “模型供应商”。
2. 点击“添加模型供应商”，选择你使用的服务商（如 OpenAI、通义千问、Azure OpenAI 等）。
3. 填写配置信息：
   • 名称：自定义，如 “Qwen-Production”。
   • API Key：填入你的密钥。
   • API Base：对应服务的 API 端点地址。
   • 模型：点击“获取模型列表”自动拉取，或手动填写模型名称（如qwen-max,gpt-4-turbo-preview）。
4. 保存后，可以点击“测试”按钮，验证配置是否成功。

最佳实践：为开发、测试、生产环境配置不同的模型供应商和密钥，便于成本管理和隔离。对于金融场景，可以考虑配置一个低延迟、高可用的主模型，和一个低成本、用于非关键任务的备用模型。

3.2 创建与填充知识库

知识库是 RAG 应用的基石。我们将创建两个知识库：“金融产品手册”和“合规政策库”。

1. 创建知识库：进入“知识库”页面，点击“创建知识库”。

   • 名称：金融产品手册。
   • 描述：包含所有基金、理财、保险产品的详细规则、费率、风险说明。
   • 索引方法：默认“高性能”即可。它决定了文本如何被切分和向量化。
   • 权限：根据团队情况设置。

2. 上传文档：创建后，进入知识库详情页，点击“上传文件”。支持 PDF、Word、Excel、TXT、Markdown 等格式。

   • 分段处理：这是关键步骤。Dify 会根据你选择的“分段规则”将长文档拆分成更小的“片段”。对于金融文档，建议选择“智能分段”，它能更好地根据标题、段落等语义边界进行切割，避免一个片段包含不相关的信息。
   • 清洗规则：可以启用“去除多余换行符”、“去除网页标签”等，让文本更干净。
   • 上传完成后，Dify 会在后台自动进行文本提取、分段和向量化嵌入（Embedding）。你可以在“文件列表”中查看处理状态。

3. 创建第二个知识库：重复上述步骤，创建名为合规政策库的知识库，并上传相关的监管政策、内部合规文件。

4. 知识库调试：在构建工作流前，建议使用知识库详情页的“测试”功能。输入一个产品名称或合规问题，查看检索到的片段是否相关。这能帮助你调整分段规则或文档质量。

基础配置完成后，我们就可以进入核心环节——可视化工作流编排。

4. 构建金融问答机器人工作流

现在，我们将在 Dify 中创建一个新的“工作流”应用，并逐步添加节点，实现之前设计的流程。

4.1 创建工作流应用与理解界面

1. 在 Dify 控制台，点击“创建应用”，选择“工作流”类型。
2. 为应用命名，例如金融问答助手，并填写描述。
3. 进入工作流画布。你会看到：
   • 画布区域：中间空白区域，用于拖拽和连接节点。
   • 节点列表：左侧面板，列出了所有可用的节点类型（开始、LLM、知识库、代码、判断等）。
   • 变量面板：右侧面板，显示当前工作流定义的所有输入、输出变量。
   • 运行/调试面板：底部区域，用于测试工作流并查看每一步的执行详情。

4.2 第一步：设置输入与意图识别

1. 添加开始节点：从左侧拖拽“开始”节点到画布。它是工作流的触发器。

   • 在右侧配置面板，点击“添加变量”，定义一个名为query的字符串变量，描述为“用户问题”。这就是工作流的唯一输入。

2. 添加 LLM 节点（意图识别）：拖拽一个“LLM”节点到画布，并将其连接到“开始”节点。

   • 模型选择：选择一个响应速度快、成本较低的模型（如qwen-plus）。
   • 上下文：保持默认，不关联知识库。
   • 提示词：这是核心。我们需要设计一个提示词，让模型对用户问题进行分类。

   你是一个金融问答助手的意图分类器。请严格根据用户问题判断其意图类别，只输出类别编号。 类别定义： 1. 产品信息：问题涉及具体的金融产品，如基金、理财、保险的名称、收益率、购买方式、风险等级等。 2. 合规咨询：问题涉及法律法规、监管政策、公司合规条款、业务流程合规性等。 3. 通用闲聊：问候、感谢、无关的闲聊，或无法归入以上两类的问题。 用户问题：{{query}} 请只输出一个数字：1、2 或 3。不要输出任何其他文字。

   • 变量：将 LLM 节点的输出赋值给一个变量，例如intent。

   这个节点的作用是进行零样本（Zero-Shot）分类。通过清晰的指令和少量的示例（在提示词中隐含），引导模型完成分类任务。

4.3 第二步：实现条件分支与知识检索

根据intent的值，我们需要走不同的分支。对于“产品信息”和“合规咨询”，需要检索对应的知识库。

1. 添加条件判断节点：拖拽“条件判断”节点，连接到上一步的 LLM 节点。

2. 配置分支条件：

   • 点击“添加条件分支”。
   • 第一个分支：设置条件为{{intent}}等于1。将其命名为“产品分支”。
   • 第二个分支：设置条件为{{intent}}等于2。将其命名为“合规分支”。
   • （可选）第三个分支：可以添加一个“其他”分支，处理intent为 3 或其他值的情况，直接跳转到生成通用回复。

3. 为“产品分支”添加知识库节点：

   • 从左侧拖拽“知识库检索”节点，连接到“产品分支”的出口。
   • 在配置中，选择之前创建的金融产品手册知识库。
   • 查询文本填入{{query}}。
   • 配置检索参数：
     • 检索模式：选择“向量化检索”。这是最常用的方式，基于语义相似度查找。
     • Top K：设置为3。表示返回最相关的 3 个知识片段。对于金融问答，精度比召回率更重要，不宜设置过大。
     • 最小相关度：可以设置为0.7，过滤掉相关性太低的片段。
   • 将检索结果赋值给变量，例如product_knowledge。这个变量通常是一个包含多个片段的列表。

4. 为“合规分支”添加知识库节点：

   • 类似地，添加另一个“知识库检索”节点到“合规分支”。
   • 选择合规政策库知识库。
   • 查询文本同样为{{query}}。
   • 将结果赋值给变量，例如compliance_knowledge。

4.4 第三步：风控审核与答案生成

在生成最终答案前，我们加入一个简单的风控审核环节。

1. 添加代码节点（风控初筛）：拖拽一个“代码”节点。由于两个分支最终都要生成答案，我们可以将这个节点放在分支合并之后。一种设计是，让“通用闲聊”分支和两个知识检索分支都汇聚到同一个“代码”节点。

   • 在代码节点中，我们可以编写 Python 逻辑来检查用户问题{{query}}是否包含敏感词。

   # 定义一个简单的敏感词列表，实际项目中应从外部配置加载 risk_keywords = ["攻击", "诈骗", "违禁", "非法", "内部数据", "客户隐私"] user_query = inputs["query"] # 检查是否包含敏感词 has_risk = any(keyword in user_query for keyword in risk_keywords) # 输出检查结果 outputs = { "risk_detected": has_risk, "risk_message": "问题包含潜在风险词汇，请人工审核。" if has_risk else "" }

   • 配置输入变量：需要将query映射到代码中的inputs[“query”]。
   • 输出变量：定义risk_detected(布尔值) 和risk_message(字符串)。

2. 添加条件判断节点（审核分流）：根据风控结果分流。

   • 如果{{risk_detected}}为true，则跳转到一个直接返回风控提示的“回答节点”。
   • 如果为false，则继续流向最终的“答案生成” LLM 节点。

3. 添加 LLM 节点（答案生成）：这是工作流最核心的生成步骤。

   • 模型选择：选择能力最强的模型（如qwen-max或gpt-4）。
   • 提示词设计：需要动态整合之前的知识检索结果。

   你是一位专业的金融顾问，请基于以下提供的参考资料，准确、严谨地回答用户的问题。如果参考资料不足以回答问题，请明确告知“根据现有资料无法回答该问题”，不要编造信息。 【参考资料】 {% if product_knowledge %} ### 产品信息： {{product_knowledge}} {% endif %} {% if compliance_knowledge %} ### 合规政策： {{compliance_knowledge}} {% endif %} {% if not product_knowledge and not compliance_knowledge %} （本次回答未检索到特定参考资料，请基于你的通用知识进行回答，并注明此为通用建议。） {% endif %} 【用户问题】 {{query}} 【回答要求】 1. 回答需结构清晰，重点突出。 2. 如果引用了参考资料，请在回答末尾以“参考来源：[片段索引]”的格式注明。 3. 使用中文回答。

   • 提示词中的逻辑：这里使用了 Dify 的模板语法{% if %}来判断变量是否存在。如果走了产品分支，product_knowledge就有值；如果走了合规分支，compliance_knowledge就有值；如果是闲聊分支，则两者都为空。
   • 将 LLM 的输出赋值给变量，例如raw_answer。

4.5 第四步：格式化输出与结束

1. 添加代码节点（格式化）：为了让回答更美观，我们可以用代码节点对raw_answer进行后处理。

   raw_answer = inputs["raw_answer"] risk_message = inputs.get("risk_message", "") # 获取风控信息，可能为空 # 如果有风控提示，优先返回 if risk_message: final_output = f"**风控提示**：{risk_message}\n\n出于安全考虑，本次请求已被拦截。如有疑问，请联系合规部门。" else: # 简单的 Markdown 美化：确保标题、列表格式正确 # 这里可以添加更复杂的模板，比如添加公司 Logo、免责声明等 disclaimer = "\n\n---\n*免责声明：本回答基于AI模型生成，仅供参考，不构成任何投资或法律建议。具体业务请以官方文件为准。*" final_output = raw_answer + disclaimer outputs = {"final_output": final_output}

   • 输入变量：raw_answer,risk_message。
   • 输出变量：final_output。

2. 添加回答节点：拖拽“回答”节点，连接到格式化节点。

   • 在配置中，选择变量{{final_output}}作为回答内容。

至此，一个完整的、具备意图识别、知识检索、风控审核和格式化输出的金融问答机器人工作流就构建完成了。画布上的节点应该形成一个清晰的、有分支有合并的流程图。

5. 调试、运行与性能优化

工作流搭建完成后，绝不能直接投入使用。必须经过充分的调试和测试。

5.1 使用调试面板进行测试

1. 在工作流编辑页面，点击底部的“调试”按钮。
2. 在输入框中，输入不同的测试用例：
   • “XX货币基金的年化收益率是多少？”(应触发产品分支)
   • “销售理财产品时需要向客户提示哪些风险？”(应触发合规分支)
   • “你好，今天天气怎么样？”(应触发闲聊分支)
   • “告诉我客户的内部交易数据”(应触发风控拦截)
3. 点击“运行”，观察工作流的执行过程。调试面板会以时间线或流程图的形式，展示每个节点的执行状态（成功/失败）、耗时以及输入输出数据。这是排查问题最强大的工具。

5.2 关键调试技巧与常见问题

5.3 发布应用与 API 集成

调试无误后，即可发布应用。

1. 点击工作流编辑页右上角的“发布”按钮。
2. 发布后，进入“应用概览”页面，你可以看到：
   • API 访问端点：一个形如https://your-dify-domain/v1/workflows/run的 URL。
   • API Key：用于鉴权。
3. 你可以通过以下方式集成：
   • 直接使用 Web 聊天窗口：分享应用链接给内部用户。
   • 通过 API 集成：这是最常见的方式。可以使用任何 HTTP 客户端调用。

   curl -X POST \ https://your-dify-domain/v1/workflows/run \ -H 'Authorization: Bearer your-app-api-key' \ -H 'Content-Type: application/json' \ -d '{ "inputs": { "query": “XX货币基金的年化收益率是多少？” }, "response_mode": "blocking", // 同步等待结果 "user": "user_123" // 可选，用于区分用户 }'

   • 嵌入到其他系统：将聊天组件通过 iframe 或 SDK 嵌入到内部门户网站。

6. 生产环境最佳实践与扩展方向

将工作流从开发测试环境推向生产，需要考虑更多工程化因素。

6.1 稳定性与监控

• 设置超时与重试：在 Dify 的企业版或通过 API 网关，可以为 LLM 节点调用设置超时时间（如 30 秒）和失败重试策略（如重试 2 次）。
• 实现降级策略：在工作流中，可以通过“条件判断”节点检查主模型是否调用失败。若失败，则路由到一个使用轻量级备用模型的节点，保证服务可用性。
• 完善日志与监控：确保 Dify 的服务日志被收集到统一的日志平台（如 ELK）。监控关键指标：工作流总耗时、各节点耗时、LLM 调用成功率、知识库检索延迟。为异常高的耗时或失败率设置告警。
• 输入输出校验：在“开始节点”后或“代码节点”中，加入对用户输入query的校验（如长度限制、敏感词过滤），避免无效或恶意请求穿透到后续环节。

6.2 知识库优化

• 分段策略调优：对于金融合同、法规等结构复杂的文档，默认的“智能分段”可能不够。可以尝试“自定义分段”，按标题级别（如##）或固定字符数进行切割，并在知识库测试中对比检索效果。
• 元数据过滤：在上传文档时，可以为文件添加元数据（如“部门=零售部”、“生效日期=2024-01-01”）。在知识库检索节点中，可以配置基于元数据的过滤器，实现更精准的检索。
• 定期更新与重建：建立知识库文档的更新流程。当文档更新后，需要重新上传并触发向量化重建。可以考虑使用 Dify 的 API 实现自动化更新。

6.3 工作流设计模式扩展

• 并行执行：对于互不依赖的任务，如同时检索产品库和新闻库，可以使用“并行分支”模式（通过同时连接多个下游节点实现），减少整体延迟。
• 循环与迭代：目前 Dify 原生节点不支持循环，但对于需要多轮检索或验证的场景，可以通过将复杂逻辑封装在一个“代码节点”中，调用外部函数或 API 来实现。
• 人工审核节点：对于高风险场景（如大额交易咨询），可以在工作流中插入“人工审核”节点。该节点将中间结果挂起，并通过 Webhook 通知审核人员，待审核通过后，工作流再继续执行。这需要结合 Dify 的企业版功能或自定义开发。

6.4 安全与权限

• API Key 管理：切勿将 API Key 硬编码在环境变量或代码中。生产环境应使用密钥管理服务（如 Vault, AWS Secrets Manager）。
• 访问控制：通过 Dify 的应用权限设置，控制哪些人或系统可以访问该工作流。对于 API 调用，确保使用有效的 API Key 并进行速率限制。
• 数据脱敏：在“代码节点”中，可以对流入工作流的用户数据（如身份证号、手机号）进行脱敏处理，避免敏感信息在日志或下游系统中泄露。

通过以上步骤，你不仅构建了一个可用的金融问答机器人，更掌握了一套用 Dify 工作流设计和交付复杂 AI 应用的方法论。从清晰的问题拆解开始，到模块化的节点编排，再到细致的调试和生产化考量，这个过程本身就能应对大多数企业级的 AI 应用场景。接下来，你可以尝试用同样的思路，去构建客服工单分类、报告自动生成、智能审核等更多有价值的工作流。