从零构建可面试的Dify多Agent Demo:3小时复现面试高频“智能客服+数据分析+报告生成”闭环

Hello-Agents:从零手搓AI Native Agent的开源实战教程 Agent(智能体)是AI Native时代的核心系统范式,其本质并非高级Prompt工程,而是具备目标驱动、自主规划、反思迭代与工具调用能力的自治系统。理解Agent需回归基础原理:以ReAct为代表的决策循环范式,强调‘思考-行动-观察’闭环;而MCP协议则定义了多智能体间的标准化通信机制,支撑可扩展、可追溯、跨语言的协作架构。这类技术价值在智能旅行助手、赛博小镇等真实场景中充分显现——涵盖动态任务编排、异常恢复、状态持久化与生产级可观测性。Hello-Agents作为国产高星开源教程,正以‘概念透彻+ 阅读详情

第一章:Dify Multi-Agent 协同工作流面试综述

Dify 作为开源低代码 LLM 应用开发平台,其 Multi-Agent 协同工作流能力正成为大模型工程化落地的关键考察点。在技术面试中,该模块常聚焦于 Agent 的角色划分、任务编排机制、状态共享策略及异常协同处理等核心维度,而非仅停留在单 Agent 功能演示层面。

典型协同场景设计原则

  • 职责分离:每个 Agent 应具备明确的输入契约与输出语义(如 ResumeParserAgent 输出结构化 JSON,InterviewSimulatorAgent 接收并生成追问逻辑)
  • 上下文显式传递:禁止隐式依赖全局变量,所有跨 Agent 数据必须通过 workflow context 显式注入
  • 失败可追溯:每个 Agent 执行需返回标准结果对象,包含 status、output 和 error_trace 字段

本地调试多 Agent 工作流的最小验证步骤

  1. 启动 Dify 本地服务:
    docker compose up -d --build
  2. 在 Web UI 中创建含两个 Agent 的 Workflow(例如:`DocumentReader` → `QAGenerator`),配置 input/output schema
  3. 调用调试接口验证协同链路:
    curl -X POST "http://localhost:5001/v1/chat-messages" \
    -H "Authorization: Bearer YOUR_API_KEY" \
    -H "Content-Type: application/json" \
    -d '{
      "inputs": {"document": "面试官应关注候选人系统设计能力..."},
      "response_mode": "blocking",
      "user": "test-user"
    }'

Agent 协同状态管理对比

机制适用场景持久化支持
Workflow Context单次会话内 Agent 链式调用否(内存级)
Redis Session Store跨请求长周期多轮协同(如多轮技术面)是

协同流程可视化示意

flowchart LR A[User Input] --> B[RouterAgent] B --> C{Intent Classifier} C -->|Technical Interview| D[ResumeParserAgent] C -->|System Design| E[ArchitecturePlannerAgent] D & E --> F[SynthesizerAgent] F --> G[Response Formatter] G --> H[User Output]

第二章:Agent角色建模与职责划分核心考点

2.1 基于业务场景的Agent职能解耦方法论(含客服/分析/报告Agent边界定义实战)

职能边界划分三原则
  • 单一职责:每个Agent仅响应一类业务意图(如客服Agent不执行SQL分析)
  • 数据契约隔离:输入/输出Schema显式声明,避免隐式依赖
  • 调用链可追溯:跨Agent请求携带trace_id与role_hint元信息
客服Agent接口契约示例
{
  "intent": "resolve_refund",
  "payload": {
    "order_id": "ORD-7890",
    "reason": "damaged_item"
  },
  "role_hint": "customer_service" // 显式声明调用方角色
}
该契约强制客服Agent仅处理用户侧交互逻辑,退款策略判定交由分析Agent异步协同。
Agent协作矩阵
发起方接收方触发条件数据流向
客服Agent分析Agent用户投诉频次≥3次/小时脱敏会话摘要+时间窗口
分析Agent报告Agent检测到趋势性服务缺口结构化指标+根因标签

2.2 Agent输入输出Schema设计规范与JSON Schema校验实践

核心设计原则
Agent 的 I/O Schema 应遵循可验证、可扩展、可追溯三原则:字段必带类型与描述,嵌套结构深度≤3层,所有必需字段显式标记 "required"。
典型JSON Schema片段
{
  "type": "object",
  "properties": {
    "query": { "type": "string", "minLength": 1 },
    "context": { "type": ["object", "null"] }
  },
  "required": ["query"]
}
该 Schema 强制 query 字段为非空字符串,context 可选且支持对象或 null;校验器将拒绝缺失 query 或传入数字的请求。
校验流程关键节点
  • 请求接入层:前置 JSON Schema 校验(如 AJV 库)
  • Agent 内部:基于 Schema 动态生成类型安全的上下文对象
  • 响应出口:按输出 Schema 反向约束序列化结果

2.3 多Agent状态一致性维护策略(含上下文透传、会话ID绑定与元数据注入实操)

上下文透传机制
通过统一中间件拦截请求,将原始会话上下文注入每个Agent调用链路:
// ContextInjector.go:透传全局上下文
func InjectContext(ctx context.Context, req *AgentRequest) {
    req.Metadata["session_id"] = ctx.Value("session_id").(string)
    req.Metadata["trace_id"] = ctx.Value("trace_id").(string)
    req.Metadata["user_tenant"] = ctx.Value("tenant").(string)
}
该函数确保跨Agent调用时关键标识不丢失;session_id用于会话绑定,trace_id支撑全链路追踪,user_tenant保障租户级隔离。
元数据注入规范
字段名类型必填用途
session_idstring是绑定用户会话生命周期
agent_seqint否标识Agent执行序号

2.4 Agent间通信协议选型对比:同步调用 vs 异步事件总线(Dify Webhook + Redis Pub/Sub 演示)

同步调用的阻塞瓶颈
Dify Webhook 默认采用 HTTP 同步回调,Agent 必须等待上游响应完成才能继续执行,导致链路延迟累积。
异步解耦优势
Redis Pub/Sub 实现发布-订阅模型,支持多消费者、无状态广播与瞬时消息丢弃,天然适配 Agent 动态扩缩容场景。
Dify 配置 Webhook 为事件触发器
{
  "url": "https://api.example.com/v1/agent/event",
  "method": "POST",
  "headers": { "X-Event-Type": "agent.task.completed" }
}
该配置使 Dify 在任务结束时推送结构化事件,而非等待下游处理结果。
Redis Pub/Sub 消费端示例
import redis
r = redis.Redis()
pubsub = r.pubsub()
pubsub.subscribe('agent:task')  # 订阅主题
for msg in pubsub.listen():     # 非阻塞监听
    if msg['type'] == 'message':
        print("Received:", msg['data'])
pubsub.subscribe() 建立长连接;msg['data'] 为原始字节流,需按约定反序列化为 JSON;主题名 agent:task 需与 Dify 事件路由策略对齐。
协议选型对比
维度同步调用(Webhook)异步总线(Redis Pub/Sub)
可靠性高(HTTP 确认机制)低(内存级,需配合持久化方案)
扩展性差(请求并发受限于连接池)优(水平扩展消费者)

2.5 容错设计:单点Agent失效时的降级路径与fallback Agent编排机制

降级触发条件
当主Agent心跳超时(>15s)或健康检查返回503时,自动激活fallback链。系统支持三级降级:本地缓存 → 同机房备用Agent → 跨AZ兜底Agent。
Fallback编排策略
  • 优先选择延迟<50ms、负载<70%的备用Agent
  • 降级决策由Consul健康服务发现实时驱动
  • 每次fallback自动记录trace_id并上报至SLO监控看板
Agent切换代码逻辑
// fallback.go: 基于权重与健康状态选择目标Agent
func selectFallback(target string) (*Agent, error) {
  candidates := registry.GetHealthyAgents(target) // 获取同服务名健康实例
  sort.SliceStable(candidates, func(i, j int) bool {
    return candidates[i].Latency < candidates[j].Latency // 按延迟升序
  })
  return candidates[0], nil // 返回最优候选
}
该函数在主Agent不可达时被调用,仅依赖Consul API返回的实时健康节点列表,不引入额外中间件依赖;Latency字段来自最近30秒主动探测采样均值。
降级能力对比
能力维度主Agent兜底Agent
SLA保障99.99%99.5%
最大吞吐12k QPS3k QPS
功能覆盖全量API核心读写+限流降级API

第三章:协同编排引擎深度解析高频题

3.1 Dify Workflow节点类型语义辨析:LLM Node / Tool Node / Conditional Node 在多Agent链路中的真实作用域

节点职责边界再定义
在多Agent协同场景中,节点并非孤立执行单元,而是承担明确语义契约的协作角色:LLM Node 负责策略生成与意图解析,Tool Node 承载确定性动作执行,Conditional Node 则作为控制流仲裁器,依据结构化断言(如 JSON Schema 校验结果)驱动分支跳转。
典型条件路由代码示例
{
  "condition": "{{$inputs.response.status}} == 'success' and len({{$inputs.response.data}}) > 0",
  "true_branch": "summarize_agent",
  "false_branch": "fallback_handler"
}
该表达式在运行时动态注入上下文变量,$inputs.response.status 来自上游 Tool Node 的标准化输出结构,确保条件判断不依赖自然语言理解,规避 LLM Node 的不确定性。
节点能力对比表
节点类型输入契约输出契约不可替代性
LLM Node非结构化提示 + 上下文片段自由文本(需后处理)仅此节点支持隐式推理与风格迁移
Tool Node严格 JSON Schema 输入带 status/code/data 的标准响应唯一具备外部系统副作用能力

3.2 动态路由决策实现:基于用户意图识别结果的Agent调度器逻辑编码(含正则+LLM双模判断Demo)

双模判断设计动机
单一规则或纯LLM调度存在响应延迟与泛化边界问题。正则引擎快速匹配高频确定性意图(如“查订单#123”),LLM兜底处理模糊表达(如“我昨天那个没收到的快递”)。
调度器核心逻辑
def route_agent(query: str) -> str:
    # 正则优先匹配
    if re.match(r"^(查|查询|订单|单号).*?(\d{8,12})$", query):
        return "order_agent"
    # LLM置信度校验(轻量prompt)
    llm_intent = llm.invoke(f"仅输出意图类别:售后、订单、物流、账户——输入:{query}")
    return f"{llm_intent.strip()}_agent" if llm_intent in ["售后","订单","物流","账户"] else "fallback_agent"
该函数先执行O(1)正则预筛,避免90%以上结构化请求进入LLM;LLM调用前做长度截断与敏感词清洗,确保<500 token输入。
判断性能对比
模式平均延迟准确率(测试集)
纯正则3ms72%
纯LLM420ms94%
正则+LLM双模18ms93%

3.3 并行子流程协同控制:数据分析Agent与报告生成Agent如何共享中间产物并规避竞态条件

数据同步机制
采用带版本号的不可变中间产物存储,所有写入操作通过原子提交完成。关键路径使用乐观锁校验:
type AnalysisResult struct {
    ID        string    `json:"id"`
    Version   int64     `json:"version"` // CAS 比较依据
    Data      []float64 `json:"data"`
    Timestamp time.Time `json:"timestamp"`
}

// 报告Agent仅读取 version ≥ 当前已知版本的结果
该结构确保报告生成Agent始终基于最新一致快照执行,避免脏读;Version字段由数据分析Agent在提交时自增,服务端通过Compare-and-Swap(CAS)保证并发写入的线性一致性。
协作状态流转
状态触发方约束条件
ANALYSIS_PENDINGOrchestrator无前置依赖
ANALYSIS_COMPLETEAnalysisAgentversion > 0 且 data 非空
REPORT_READYReportAgent观测到 ANALYSIS_COMPLETE 且 version 未变更

第四章:生产级工程化能力考察要点

4.1 多Agent日志追踪体系搭建:OpenTelemetry集成与Trace ID跨Agent透传验证

OpenTelemetry SDK注入配置
tracer := otel.Tracer("agent-auth")
ctx, span := tracer.Start(context.WithValue(ctx, "agent_id", "auth-01"), "validate-token")
defer span.End()

// 注入Trace ID至HTTP Header
carrier := propagation.MapCarrier{}
otel.GetTextMapPropagator().Inject(ctx, carrier)
req.Header.Set("traceparent", carrier.Get("traceparent"))
该代码在Agent入口处创建Span并主动注入traceparent,确保下游Agent可解析W3C Trace Context标准格式的Trace ID与Span ID。
跨Agent透传关键字段对照
字段来源Agent透传方式
trace-idauth-agentHTTP Header → traceparent
span-idpolicy-agentcontext propagation via MapCarrier
验证流程
  • 启动带OTel Exporter的Jaeger Collector
  • 各Agent启用otelhttp.NewHandler中间件拦截请求
  • 通过Trace ID在Jaeger UI中串联auth→policy→data三层调用链

4.2 敏感信息防护实践:PII脱敏节点嵌入、工具调用参数白名单机制与RAG检索内容过滤

PII脱敏节点嵌入
在LLM推理流水线中,于RAG检索后、提示词组装前插入脱敏节点,对返回的chunk内容执行正则+NER双模识别:
# 基于spaCy+presidio的轻量脱敏逻辑
from presidio_analyzer import AnalyzerEngine
analyzer = AnalyzerEngine()
results = analyzer.analyze(text=chunk, language="zh", entities=["PHONE_NUMBER", "EMAIL_ADDRESS", "ID_CARD"])
该代码调用Presidio分析器识别中文语境下身份证号、手机号等实体;language="zh"启用中文分词适配,entities限定扫描范围以降低误报率。
工具调用参数白名单机制
  • 仅允许预注册函数名(如get_user_profile)被Agent调度
  • 参数键名须匹配白名单schema:{"user_id": "str", "scope": ["basic", "contact"]}
RAG检索内容过滤
过滤层级实现方式生效时机
向量层敏感文档embedding置零索引构建阶段
召回层元数据标签匹配pii_level: high相似度检索后

4.3 性能瓶颈定位:从Workflow耗时热力图到单Agent Token消耗监控的全链路观测方案

全链路可观测性分层设计
采用三层嵌套指标体系:Workflow级(端到端延迟)、Node级(Agent执行耗时)、Token级(LLM调用粒度)。热力图聚焦于跨Agent调用路径的P95延迟分布,辅助识别长尾瓶颈。
Token消耗实时采样代码
# Agent内部埋点:记录每次LLM调用的输入/输出token数
def track_token_usage(response: dict, prompt_tokens: int) -> dict:
    completion_tokens = response.get("usage", {}).get("completion_tokens", 0)
    return {
        "prompt_tokens": prompt_tokens,
        "completion_tokens": completion_tokens,
        "total_tokens": prompt_tokens + completion_tokens,
        "timestamp": time.time_ns()
    }
该函数在Agent响应解析后立即执行,确保与OpenAI兼容接口返回的usage字段对齐;time.time_ns()提供纳秒级精度,支撑毫秒级聚合分析。
关键指标对比表
指标维度采集频率存储保留期
Workflow热力图每5分钟聚合7天
单Agent Token消耗每次调用上报30天

4.4 可观测性增强:自定义Metrics埋点 + Prometheus指标暴露 + Grafana看板联动配置

自定义业务指标埋点
在核心服务逻辑中注入计数器与直方图,例如 Go 服务中使用 Prometheus 客户端:
// 初始化自定义指标
var (
    requestDuration = prometheus.NewHistogramVec(
        prometheus.HistogramOpts{
            Name:    "api_request_duration_seconds",
            Help:    "API 请求耗时分布(秒)",
            Buckets: []float64{0.01, 0.05, 0.1, 0.25, 0.5, 1, 2},
        },
        []string{"endpoint", "method", "status_code"},
    )
)
func init() {
    prometheus.MustRegister(requestDuration)
}
该直方图按接口路径、HTTP 方法与状态码三维度聚合延迟数据,Buckets 预设覆盖常见响应时间区间,便于后续分位数计算。
Prometheus 服务发现与抓取配置
  • 在 prometheus.yml 中添加静态目标或基于 Consul 的自动发现
  • 确保服务暴露 /metrics 端点,Content-Type 为 text/plain; version=0.0.4
Grafana 看板关键查询示例
面板用途PromQL 表达式
95% 接口延迟histogram_quantile(0.95, sum(rate(api_request_duration_seconds_bucket[1h])) by (le, endpoint))
错误率趋势rate(api_request_total{status_code=~"5.."}[1h]) / rate(api_request_total[1h])

第五章:Dify Multi-Agent 面试趋势与高阶演进方向

近年来,一线大厂技术面试中已出现基于 Dify 构建多智能体协作系统的实操考核环节。例如字节跳动 2024 年后端岗终面要求候选人现场用 Dify Studio 编排「简历解析 Agent + 岗位匹配 Agent + 反问生成 Agent」三节点工作流,并接入企业微信 Webhook 实时推送评估结果。
典型面试任务拆解
  • 使用 Dify 的 API Key 管理模块安全绑定 LangChain 工具调用权限
  • 为每个 Agent 显式配置独立的 System Prompt 与 JSON Schema 输出约束
  • 通过 Dify 的「条件分支节点」实现岗位 JD 匹配度 >85% 时自动触发模拟终面问答
高阶演进中的关键实践
# Dify workflow.yaml 片段:支持动态 Agent 注册
agents:
  - id: "resume_parser_v2"
    type: "llm"
    model: "qwen2.5-72b"
    tools: ["pdf_extractor", "json_validator"]
    # 注释:v2 版本启用 token-aware 分块策略,避免长简历截断
主流平台能力对比
能力维度DifyLangGraphFlowise
可视化编排调试✅ 实时 trace 日志+节点耗时热力图❌ 依赖 console.log 手动埋点✅ 节点状态色标,但无 LLM 内部 token 流水
真实故障复盘案例
某金融客户在 Dify v0.9.3 中部署「信贷风控 Agent 网络」时,因未对 OpenAI 的 function_call 响应做空值兜底,导致下游规则引擎收到 null payload 而批量拒贷;修复方案是在 Dify 的「Post-processing Script」中插入 JS 校验逻辑:
Agent开发实战路线:从手写最小循环到企业级服务的15个项目 大语言模型(LLM)赋予了机器理解与生成文本的能力,而Agent则在此基础上进一步构建出“感知—决策—行动—反馈”的完整闭环。作为AI工程领域的核心技术方向,Agent开发不仅依赖Prompt设计与模型调用,更涉及工具调用(Function Calling)、检索增强生成(RAG)、长期记忆管理、多Agent协作与工作流编排等关键工程实践。从简单的智能问答助手到SQL数据分析,再到LangGraph状态化编排与Dify低代码平台,一条清晰的实战项目路线能够帮助开发者逐步掌握复杂系统的构建方法。这类技术在自动 阅读详情

相关推荐

LangGraph最小可用智能体:从状态机到可调试Agent的实战入门

智能体(Agent)是大模型落地的关键范式,其核心在于构建具备感知、决策、执行与反馈能力的闭环系统。LangGraph通过显式状态机(StateGraph)将这一过程工程化,以类型化状态(State)、纯函数节点(Node)、条件边(Edge)和可编译图(Graph)四大要素,支撑可追溯、可干预、可测试的Agent开发。相比线性Chain,LangGraph天然适配工具调用、循环重试与多轮上下文管理,成为Python生态中面向生产环境的主流选择。本文聚焦‘最小可用’这一关键门槛,手把手实现一个含完整决策闭环

weixin_34192816的博客 399

保姆教程篇:手把手教你从零开始本地部署Dify工作流

本教程将手把手指导您在个人电脑上安装和配置 Dify。

He_r_o的博客 11万+

Dify开发工作流

创建后就会有一个可拖拽的工作流页面,因为还没设置,默认只有一个开始,我们创建一个条件语句,就是根据不同的情况去执行不同的任务,我们可以创建一个变量,然后根据这个变量的值去判断执行哪个任务,所以在开始节点中添加一个变量,叫city,然后在开始后的+添加一个IF条件分支,在IF条件分支中需要判断刚才的变量,也就是city,我们配置如果输入city包含苏州,就执行一中任务,如果没有就执行另一种任务,在条件分支的后面可以看到两个+,就是连接的不同任务。因为天气预报调用的是接口,所以返回的是一大串的JSON数据。

Baker的博客 1万+

Dify开源工作流推荐!文章仿写、小红书、教程编写啥都有!

我曾多次给我的小伙伴安利Dify。它是一个高效的工作流平台,支持各种常见任务的自动化操作和协作,适合自媒体人、开发者和运营人员等。Dify不仅支持多种模型调用,还可以通过开源的工作流来大大提高工作效率。Dify现在的用户量其实很多,只不过它没Coze那么多创作者,所以大家都是闭门造车。但是Dify的优势在于开源、私密,数据不用上传到平台,你在本地构建也可以。这期很简单,给大家介绍一些开源的Dify工作流。一些常用的工作流就省了自己去搞了。项目地址:https://github.com/svcvit/Awes

m0_59235245的博客 1万+

大模型工作流Dify面试题及参考答案

设计一个基于 Dify 的智能摘要与重点提取 Agent,需结合Prompt 工程、模型能力配置和工作流优化,确保对长文本的高效解析和关键信息提炼。1. 明确任务需求与输入输出输入:长文本内容(如文章、报告、会议记录)或文本 URL输出摘要:简洁概括原文核心内容,控制在原文长度的 10%-20%重点列表:分点列出关键数据、结论、行动项等可选:关键词提取、情感倾向分析示例场景输入:一篇 5000 字的行业报告。

大模型大数据攻城狮的专栏 2520

Dify框架面试内容整理-你如何看待 Dify 框架未来的发展趋势?

Dify 作为一款快速构建大语言模型应用的平台,凭借其「低代码」、「多模型支持」与「企业级可部署」的优势,正在成为企业构建 AI 应用的关键中间层。增强对本地私有化模型(如 ChatGLM3、Yi、InternLM)的部署支持(ONNX/Transformers)如支持百川 Baichuan、智谱 GLM、通义 Qwen、Moonshot、MiniMax 等 API 接入。用图形方式连接 ERP、MySQL、Redis、Webhook。支持不同任务类型(问答、代码、文案、Agent)的专用模型。

不务正业的猿 734

用dify + agent构建自然语言查询数据库信息并展示

用dify + agent构建自然语言查询数据库信息并展示。

wu_tech的博客 1万+

基于Dify的工作流全流程测试

下面是工作流官方文档中给出的工作流定义,其实工作流与Agent调用的对象是一样的,都是预先定义好的智能体。不过工作流是在一个确定的任务空间里面,根据预定义的长且复杂的智能体链条去完成任务;Agent则要利用大模型的语义理解能力,首先从无穷的语义空间中进入一个有限的任务空间,再将潜在的智能体空间与这个任务空间做对齐,通过重复的思考-尝试-反馈思维链条去迭代出一个相对来说较为简单的智能体调用链。

羊城迷鹿的博客 6367

AIGC 应用工程师(5-10年)面试题与答案全解析(2026 前沿版)

AIGC 应用工程师面试题与答案全解析(2026 前沿版) 摘要 本文系统整理了 2026 年 AIGC 应用工程师岗位的核心面试内容,包含 19 大模块、68 道关键题目及 15+ 代码示例。内容覆盖: 岗位定位:强调工程落地能力(RAG、Agent、系统集成)与业务闭环思维 技术体系:从基础理论(Transformer、涌现能力)到前沿应用(MCP协议、多模态生成) 工程实践:包含推理优化、成本控制、安全合规等关键落地能力 评估体系:详细讲解 golden set 构建、LLM-as-judge 等评估

weixin_48053866的博客 832

你是智能体Agent高级工程师,需要用到dify搭建智能体,你现在请整理最关键的dify相关面试问答,并给出标准答案,筛选出最适合开发dify的AI+后端工作流的智能体工程师

工具调用是Dify中LLM与外部系统的桥梁,允许Agent根据提示调用预定义工具(如API或函数)。机制基于OpenAI的工具调用规范:LLM生成工具调用JSON,Dify执行并返回结果。自定义工具:在“Tools”界面定义JSON Schema(包括名称、参数和描述),然后实现后端逻辑(如Python代码调用REST API)。例如,在一个库存管理后端工作流中,我自定义一个工具调用电商API检查库存,LLM Agent根据用户查询决定是否调用它,从而实现智能决策。

具身机器人和通用AI 7471

LTspice进阶技巧-031.一键加密仿真模型:LTspice Encrypt Tool实战指南

本文详细介绍了LTspice Encrypt Tool的使用方法,帮助工程师一键加密LTspice仿真模型,保护知识产权。通过图形化界面简化操作流程,支持批量加密和兼容性处理,适用于电路设计中的模型保护需求。

weixin_28304023的博客 204

面试官:Dify如何调用外部程序?

其中包含的内容有:场景题、SpringAI、SpringAIAlibaba、并发编程、MySQL、Redis、Spring、Spring MVC、Spring Boot、Spring Cloud、MyBatis、JVM、设计模式、消息队列、Dify、AI常见面试题等。设置请求方法(GET/POST)、请求头(如 Content-Type: application/json)和请求体(如 JSON 参数)。:适合需要与 Java 服务进行简单、直接的 HTTP 交互(如调用 RESTful API)。

磊哥聊Java 1949

GB 44497-2024《智能网联汽车 自动驾驶数据记录系统》标准解读

GB 44497-2024《智能网联汽车 自动驾驶数据记录系统》针对智能网联汽车的自动驾驶数据记录系统进行了全面规范。标准要求我们记录车辆在自动驾驶模式下的所有关键操作数据,如:1. 车辆状态数据,如速度、加速度、转向角度、制动状态等;2. 环境感知数据,如周围物体的位置、速度、类型等;3. 驾驶决策数据,如路径规划、避障决策、紧急制动指令等;4. 系统状态数据,如软件版本、硬件状态、系统警告信息等。在数据存储方面,标准强调了数据的安全性和可靠性。

daopuyun的博客 2675

一文彻底搞懂大模型 - Dify(Agent + RAG)

该平台结合了后端即服务(Backend as Service, BaaS)和LLMOps的理念,为开发者提供了。

2401_86435672的博客 3776

深入分析RAG知识库多模态数据预处理

多模态企业数据预处理是构建高质量RAG知识库的关键环节。本文详解了处理流程:1)文档格式识别与路由;2)多模态内容提取(文本、图像、音视频);3)结构解析与语义重建;4)数据清洗与增强;5)智能分块(强调语义完整性);6)元数据注入。推荐使用开源工具如PaddleOCR、Whisper、BLIP-2等,或商业API处理复杂场景,最终生成带丰富元数据的结构化内容,为后续向量化检索奠定基础。

qq_35354529的博客 1381

深度学习PyTorch代码模板——模型训练框架、数据处理、绘图…

个人用深度学习代码模板:模型训练框架、数据处理、绘图等。待补充。

https://www.hyperplasma.top 1908

Dify平台求职面试问题预测与回答指导功能

借助Dify平台,结合Prompt工程、RAG与AI Agent流程编排,构建个性化求职面试指导系统。通过解析简历、检索高频问题、生成定制化回答建议,实现从技术到表达的全流程辅导,让求职者更充分展现自身价值。

weixin_42608318的博客 733

GEE训练教程:基于Sentinel-2卫星的归一化建筑指数(NDBI)等的进行城市扩张分析

本文介绍利用Sentinel-2卫星数据和谷歌地球引擎平台监测印度卡姆鲁普都会区2018-2024年城市扩张的方法。通过计算归一化建筑指数(NDBI)、植被指数(NDVI)和水体指数(MNDWI),采用多阈值规则识别建设用地,并量化不同年份的城市扩张面积。代码实现了从数据预处理、指数计算到面积统计的完整流程,为城市扩张研究提供了可复制的技术方案。关键参数包括年份选择、云覆盖阈值和分类阈值,均可根据研究需求调整。该方法能有效追踪城市边界变化,为城市规划提供数据支持。

此星光明博客 137

Dify 搭建私有数据可视化智能体,效果直逼 ChatGPT

今天我们做一个完整的聊天应用,可以在聊天结果中实现数据可视化分析。标题说效果直逼ChatGPT,还是有点差距的,这差距多大呢,差不多一光年吧!毕竟我们今天做的还只是玩具。我们先一起来看一下ChatGPT如何实现数据可视化结果的呈现。很显然,ChatGPT的思路和我们一样,先将用户的提问转为Python代码,后台运行后,在前台显示。不过最后做的饼图对中文不太友好呀!

weixin_58753619的博客 2444

【BIM入门实战】Revit创建地形的几种方法及优缺点

Revit在体量和场地选项卡的【地形表面】工具可以创建三维地形,有三种方法:放置点、指定点文件和导入实例文件、倾斜摄影点云技术和InfraWorks地形生成。 文章目录1. 放置点2. 指定点文件3. 导入实例文件4. 倾斜摄影点云技术5. InfraWorks地形生成 1. 放置点 放置点功能位于体量和场地选项卡下地形表面,点开找到放置点,并通过自定义设置点的高程值来创建地形的高程数据。 优点:通过用户自定义高程点来绘制模型,使地形更为精确。 缺点:只适用于面积小的项目,面积太大,人工效率低下。 .

智慧空间实验室 4763

【Halcon-2D测量】set_metrology_object_param 函数功能(用于配置计量对象常规参数)

HALCON算子 set_metrology_object_param 是2D计量模块的核心配置工具,用于动态修改计量对象的测量区域、边缘检测和几何拟合参数。该算子需在检测前调用,支持批量或单独修改对象参数,包含三类关键参数:测量区域(如长度、间距)、边缘检测(如平滑Sigma、阈值)和几何拟合(如RANSAC阈值、最小分数)。使用时需注意参数互斥规则(如measure_distance优先于num_measures)和多线程同步要求。算子无输出参数,仅修改计量模型内部状态,需配合apply_metrolo

weixin_45590420的博客 295

大模型(deepseek)之运用Dify构建智能体和工作流应用

完成设置后回到主页面,可以看到顶部的4个页面。“探索”页面提供了模板应用程序,用户可参考模板定制自己的应用程序。“工作室”页面用户可创建自己的应用,包括聊天助手、智能体、工作流。“知识库”页面用户可以通过上传自己的文本数据创建知识库增强 LLM 的上下文。“工具”页面是Dify本身集成第三方工具,用户也可自定义工具。

qq_31400983的博客 5万+

一种基于机载LiDAR点云电力线自动提取方法

文章目录一、引言二、算法实现2.1实现步骤2.2实现代码 一、引言 二、算法实现 2.1实现步骤 (1)首先采用首先采用高程滤波方法去除地面点和低矮地物点,滤波后的点云数据中除电力线点云外还含部分杆塔点、高植被点和噪声点。 (2)根据点云空间维度特征提取电力线点,使用空间密度聚类的方法实现单根电力线精确分离。 2.2实现代码 在这里插入代码片 ...

dayuhaitang1的博客 5174

Dify平台搭建面试机器人

Dify 是一款开源的大语言模型(LLM) 应用开发平台。它融合了后端即服务(Backend as Service)和 LLMOps 的理念,使开发者可以快速搭建生产级的生成式 AI 应用。即使你是非技术人员,也能参与到 AI 应用的定义和数据运营过程中。由于 Dify 内置了构建 LLM 应用所需的关键技术栈,包括对数百个模型的支持、直观的 Prompt 编排界面、高质量的 RAG 引擎、稳健的 Agent 框架、灵活的流程编排,并同时提供了一套易用的界面和 API。

kingJamesbond的博客 762

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

第1篇 dify本地大模型搭建后-工作流创建与api调用

本文介绍了基于API和工作流的大模型应用开发流程。主要包括:1)通过API上传文件并调用大模型分析;2)创建工作流应用,设置输入变量(如uploaded_file);3)添加文档提取器处理文件,输出text变量;4)配置LLM模型(本地或联网),通过User节点输入指令;5)获取大模型输出结果。开发时需确保API调用键名与工作流变量一致,具体实现可参考API文档中的demo示例。

Txwtech 587

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

Dify多智能体工作流面试必问的7大核心问题:从原理到源码级应答策略

精准攻克Dify多智能体面试难点,提供Dify Multi-Agent 协同工作流 面试题汇总及源码级应答策略。覆盖Agent编排、消息路由、状态同步等核心原理,适用于AI应用开发与架构设计岗。突出可扩展性与调试能力,值得收藏。

CodeNexus的博客 293

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

上一篇: Dify Multi-Agent工作流稳定性攻坚实录(99.99% SLA达成路径)
下一篇: OAuth 2026 for MCP:为什么92%的团队卡在Introspection Endpoint性能瓶颈?揭秘百万TPS认证网关的内核级调优参数
FastProceed
博客等级 码龄1年 143粉丝 2005原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值