Dify 中级实验（07）：子工作流——如何把公共逻辑做成可复用积木？

Dify 实验系列 · 中级 07/20 | 实验编号：DIFY-102-08
基于 Dify 1.16.1 实测（2026-08）

1. 业务场景

先讲一个我们实际遇到的场景。

一家同时做客服、产品调研、舆情监控的公司：客服要实时看客户情绪，产品团队要分析用户反馈，舆情部门要盯社区言论。三拨人各自开发了一套「情绪分析」——三份重复代码、三套维护成本、三个不一致的口径：客服判「负面」的，舆情可能判「中性」。

我们第一次接这类需求时，第一反应也是「把情绪分析的代码复制三份，各改各的参数」。真正动手才发现——需求一样、代码三份，改一处要改三处，漏改一套口径就漂移。后来翻 Dify 的节点列表才发现：模块化设计有原生手段——子工作流（Sub-workflow）：把「情绪分析」这类公共逻辑抽成独立工作流，一处定义、多处调用（1.16 的真实做法是发布为工具调用）。

这不是个例。任何「多个业务线共用同一能力」的业务场景都是这个模式：情绪分析、文本清洗、格式化输出……公共逻辑不做模块化，就是在重复造轮子，而且每个轮子还不太一样。

2. 场景痛点

这个流程的痛点，在研发/业务团队身上体现得最直接：

• 同一逻辑重复开发：三条线各写一份情绪分析，需求一样、代码三份，开发资源被重复消耗——重复的代码不是资产，是负债，每次升级都要连本带利还。
• 改一处要改三处：分析逻辑升级（比如紧急度规则调整），三套代码要同步改，漏改一套口径就漂移——线上行为从此不一致。
• 调用方被实现绑架：每个调用方都要关心「怎么分析」——传什么参数、用什么模型、怎么解析输出，而不是只关心「分析结果是什么」。
• 输出格式不统一：三条线产出的字段名、格式各异，下游汇总统计对不上，数据越攒越乱。

本质上，公共逻辑每多一个调用方，重复成本就翻一倍——模块化的价值不在「少写代码」，而在「一处定义、多处调用、接口即契约」。

3. 方案：为什么是子工作流

选子工作流的理由，我们实际对比过：

• 一处定义、多处调用：情绪分析做成独立工作流，两个主工作流消费它——客服看板逐条分析，批量反馈迭代内逐条调用；
• 接口即契约：输入text/language、输出 6 个结构化字段（sentiment/score/confidence/keywords/brief/urgency），边界清晰，调用方只看接口不看实现；
• 1.16 的真实实现：Dify 1.16 没有 sub-workflow 节点类型，真实做法是发布子工作流为工具（Workflow as Tool），用 tool 节点调用——本实验完整演示这条路。

这篇文章我们就用它搭「情绪分析引擎」子工作流 + 两个消费它的主工作流（客服情绪看板 / 批量反馈分析）。

4. 整体架构

链路很清晰：子工作流定义能力，主工作流消费能力——情绪分析引擎只做「分析并输出结构化字段」，两个主工作流各自编排自己的业务逻辑（看板按紧急度分流、批量分析走迭代）。

5. 模块设计

5.1 子工作流：枚举字段必须给显式规则

LLM 输出的 JSON 里urgency是枚举字段——只写 low/medium/high 不给规则，LLM 会随意输出（实测负面投诉返回 low，下游分支全走错）：

prompt_template:-id:p_sentimentrole:systemtext:|你是一个专业情绪分析师。分析以下文本的情感，输出 JSON 格式（不要 Markdown）： 文本：{{#start.text#}} { "sentiment": "positive/negative/neutral/mixed", "score": 0.0 到 1.0 之间的浮点数, "confidence": 0.0 到 1.0, "keywords": ["关键词1", "关键词2", ...], "brief": "一句话情感总结", "urgency": "low/medium/high" } 紧急度规则：负面情绪/投诉/损坏/退款/愤怒类内容 → "high"；中性咨询类 → "medium"；正面/普通内容 → "low"reasoning_format:separated

参数提取器 6 个参数（sentiment string / score number / confidence number / keywords array[string] / brief string / urgency string），reasoning_mode: function_call。

5.2 主工作流：发布子工作流为工具（核心）

Dify 1.16.1没有 sub-workflow 节点类型（运行时报No class mapping found for node type: sub-workflow），必须「发布为工具」后用 tool 节点调用：

-data:provider_type:workflowprovider_name:dify102_08_01_情绪分析引擎provider_id:11e9699e-ffa8-448f-8278-e16799e5912a# 发布时的注册 ID，重发会变！tool_name:dify102_08_01tool_description:情绪分析引擎（子工作流）——输入文本，输出结构化情绪字段type:tooltitle:调用情绪分析引擎tool_configurations:# ⚠️ 与 tool_parameters 双写同一份值（UI 权威格式）text:{type:mixed,value:'{{#start.customer_message#}}'}language:{type:mixed,value:中文}tool_parameters:text:{type:mixed,value:'{{#start.customer_message#}}'}language:{type:mixed,value:中文}paramSchemas:-name:textdefault:示例：太棒了，五星好评# default 决定 UI 面板显示值required:truetype:stringid:tool_sentiment

5.3 输出不透传：必须解析展平

工具输出固定三件套text（string）/files（array[file]）/json（array[object]）——子工作流 end 的自定义字段名不透传，下游直接引用{{#tool.sentiment#}}取不到。必须加代码节点从json数组提取：

defmain(sent_json:list)->dict:importjson data={}ifisinstance(sent_json,list):foriteminsent_json:ifisinstance(item,dict):data.update(item)return{"sentiment":str(data.get("sentiment","未知")),"brief":str(data.get("brief","无摘要")),"urgency":str(data.get("urgency","low")),"score":str(data.get("score","")),"sentiment_json":json.dumps(data,ensure_ascii=False),}

紧急度分支用字符串比较（is/is not）：

cases:-case_id:case_highconditions:-comparison_operator:isvalue:highvariable_selector:[cd_parse_sent,urgency]varType:stringlogical_operator:and-case_id:case_normalconditions:-comparison_operator:is notvalue:highvariable_selector:[cd_parse_sent,urgency]varType:stringlogical_operator:and

6. 运行验证

7. 实战坑

💡 什么时候该抽子工作流：同一逻辑出现在 ≥2 个流程、接口稳定、输入输出边界清晰。接口即契约——改子工作流输出结构，所有调用方都要跟着改，这是模块化的真实成本。

8. 实验文档及源码获取

• 实验文档（完整操作步骤）：DIFY-08：子工作流——搭积木式模块化设计.md
• 源码（可直接导入，先导子工作流再导主工作流）：
  • dify102_08_01_情绪分析引擎.yml
  • dify102_08_02_客服情绪看板.yml
  • dify102_08_03_批量反馈分析.yml

文章聚焦核心配置与采坑点；实验的完整分步操作（节点搭建/参数表/调试指引）见实验文档原文。

下一篇：Dify 中级实验（08）：代码节点进阶——如何用标准库处理文件与数据？

💬 你在这个实验的场景里踩过什么坑？欢迎评论区分享你的实战经验。