Dify 工作流实战：从零构建智能客服与自动化任务

关注

原创最新推荐文章于 2026-08-01 13:08:59 发布 1k 阅读 AI 写同款· GEO 优化 ›

Dify工作流实战：5分钟搭建智能客服Chatflow（附完整节点配置）本文通过Dify工作流实战，详细演示了如何在5分钟内快速搭建一个智能客服Chatflow。文章深入解析了Chatflow与Workflow的核心区别，并提供了从意图识别、知识库检索到多轮对话管理的完整节点配置指南，帮助开发者高效构建具备上下文理解和业务处理能力的对话应用。阅读详情

1. 为什么你需要Dify工作流？

如果你尝试过直接用大模型API或者一些简单的AI工具来构建应用，大概率会遇到一个头疼的问题：当任务稍微复杂一点，比如需要先查资料、再分析、最后生成报告时，一个简单的提示词就显得力不从心了。要么模型“跑偏”，要么输出结果七零八落，调试起来更是让人抓狂。

这就像让你一口气盖一栋大楼，而不是先打地基、再砌墙、最后封顶。Dify工作流（Workflow）和对话流（Chatflow）就是来解决这个问题的。它们把复杂的AI任务，像搭积木一样，拆解成一个个清晰、独立的小步骤（我们称之为“节点”）。你只需要把这些节点按逻辑连起来，一个稳定、可控的AI应用流程就搭建好了。

我刚开始接触时也觉得这概念有点抽象，但上手后发现，这简直是AI应用开发的“降维打击”。以前需要写一堆代码、处理各种异常的逻辑，现在拖拖拽拽就能搞定。无论是想做一个能理解上下文、还能查知识库的智能客服，还是想自动化处理每天的数据报表，工作流都能让你用更直观的方式实现。

2. 核心概念：Chatflow与Workflow，到底选哪个？

这是新手最容易困惑的地方。Dify提供了两种主要的工作流类型，它们看着像，但内核和适用场景完全不同。选错了，轻则效率低下，重则整个应用逻辑跑不通。

2.1 Chatflow：你的智能对话管家

想象一下你正在和一个贴心的助手聊天。你问：“附近有什么好吃的川菜馆？”助手推荐了几家。你接着问：“哪家有包间？”助手能记住你刚才在问川菜馆，并在此基础上筛选出有包间的。这就是Chatflow的核心。

Chatflow是为多轮、有状态的对话场景而生的。 它的设计目标是模拟人与人之间的自然交流。

核心特性：

对话记忆（Memory）：这是它的灵魂。系统内置了 sys.conversation_id 和 sys.query 等变量，能自动关联同一会话中的所有历史消息。这意味着你的AI能记住之前聊过什么，实现真正的上下文理解。
流式输出：回答不是一次性蹦出来的，而是像打字一样逐步显示。这在生成长文本（如方案、故事）时体验极佳，用户可以中途打断或调整。
专用节点：它配备了问题分类、意图识别、追问引导和Answer（回答） 节点。特别是Answer节点，专门用于向用户流式输出最终答案，是Chatflow流程的终点。

适合什么场景？

智能客服：用户问题可能涉及多个步骤，需要结合历史对话和知识库来回答。
教育问诊：需要多轮问答来逐步明确用户的问题细节。
创意协作：比如和AI一起写文章，你先给大纲，它写一段，你提意见，它再修改。

我踩过的坑：曾经有个朋友想用Workflow做客服，结果用户每次追问，机器人都像失忆了一样，需要用户重复描述问题，体验非常糟糕。这就是用错了工具。

2.2 Workflow：你的自动化任务执行引擎

再想象另一个场景：你每天上午9点，需要把销售系统里昨天的订单数据导出来，分析一遍，生成一个带图表的PDF报告，然后邮件发给团队。这个过程是固定的、一次性的、不需要中途和你聊天的。这就是Workflow的舞台。

Workflow是为自动化、批处理、单次执行的任务设计的。 它的核心是“执行”，而不是“对话”。

核心特性：

无状态执行：每次运行都是独立的，不保留上一次运行的历史。输入必须一次性给全。
强大的逻辑控制：提供了代码节点（可以直接写Python/JavaScript处理复杂逻辑）、IF/ELSE节点（条件分支）、迭代节点（循环处理列表，比如批量翻译100篇文章）、变量聚合器等。
多种触发方式：除了手动触发，未来还将支持定时触发（如每天凌晨2点运行）和事件触发（如收到一封特定邮件时自动启动）。
明确的终点：流程必须由一个 End（结束） 节点来终止，输出结果。

适合什么场景？

数据清洗与报表生成：定时从数据库拉取数据，清洗、分析、生成图表和报告。
内容批量处理：一次性将100篇中文新闻稿翻译成英文。
邮件自动化：当CRM系统有新客户录入时，自动生成并发送一封个性化的欢迎邮件。
API串联：调用A接口获取数据，处理后，再调用B接口提交结果。

快速决策指南： 当你纠结选哪个时，问自己四个问题：

任务需要用户多次输入、来回调整吗？（是 -> Chatflow）
结果需要分步骤、实时展示给用户看吗？（是 -> Chatflow）
处理过程需要依赖之前的对话历史吗？（是 -> Chatflow）
任务是定时、批量、或由事件自动触发的吗？（是 -> Workflow）

如果前三个问题有两个以上回答“是”，果断用Chatflow。如果第四个问题回答“是”，或者任务输入一次性完成、输出也是个最终成品，就用Workflow。

3. 从零搭建：你的第一个智能客服（Chatflow实战）

光说不练假把式，我们直接动手，用一个最经典的场景——智能客服，来走通一个完整的Chatflow。这个客服能做到：理解用户问题 -> 检索知识库 -> 结合对话历史生成友好回答。

3.1 环境准备与创建流程

首先，你需要一个Dify账号。可以去Dify官方云平台（cloud.dify.ai）直接注册使用，也可以在自己的服务器上部署社区版。这里我们以云平台为例。

登录后，点击“创建新应用”，在应用类型里，毫不犹豫地选择 “对话流（Chatflow）”。给它起个名字，比如“我的第一个智能客服”。

创建成功后，你会进入一个空白的画布，中间已经有一个 “开始” 节点了。这个节点就是用户对话的入口。

3.2 核心节点配置详解

一个基础的智能客服流程，通常包含以下几个关键节点，我们来一个个配置：

开始节点：
- 点击“开始”节点，右侧会展开配置面板。
- 除了系统自带的 sys.query（用户问题）和 sys.conversation_id（会话ID），我们暂时不需要额外添加变量。这些内置变量会自动传递下去。
问题分类/意图识别节点（可选但推荐）：
- 在画布空白处右键，选择“添加节点” -> “分类”或“LLM”。
- 我更喜欢用LLM节点来做意图识别，更灵活。拖一个LLM节点出来，用线把它连接到“开始”节点。
- 配置这个LLM节点：
  - 模型：选一个速度快、成本低的模型，比如 gpt-3.5-turbo 就行，这个节点不需要太强的创造力。
  - 系统提示词（System Prompt）：这里写清楚任务。例如：
```
你是一个意图分类器。请根据用户输入，判断其属于以下哪一类：
1. 产品功能咨询
2. 价格与套餐咨询
3. 技术支持与故障排查
4. 账户与账单问题
5. 其他通用问题

请只输出类别编号（1-5）。
```
  - 用户提示词（User Prompt）：填入 {{#start.query#}}（这是引用开始节点的用户输入变量）。
  - 关闭“记忆”功能：这个节点不需要历史对话。
- 这个节点的输出（比如 分类结果 / text）就是一个数字，代表了用户意图。我们后面可以用它来走不同的处理分支。
知识库检索节点：
- 添加一个“知识库”节点，连接到意图识别节点之后。
- 前提：你需要在Dify中先创建并上传好你的客服知识文档（产品手册、FAQ等）。
- 配置：在节点中选择你创建好的知识库。设置检索模式（如“向量检索”）、返回条数（通常3-5条）。
- 输入查询文本：这里不能直接再用 {{#start.query#}}，因为经过意图识别后，我们可能希望对查询进行优化。一个更好的做法是：用另一个LLM节点，根据分类结果重写查询词。例如，如果用户问“这个软件卡死了怎么办？”，经过分类是“技术支持”，我们可以让LLM将查询重写为更具体的“软件[产品名] 卡顿崩溃解决方案”，再传给知识库检索，效果更好。

LLM生成答案节点：

这是核心。添加一个LLM节点，连接知识库节点。
开启“记忆”功能：务必勾选！这样模型才能看到整个对话历史。

系统提示词：这里定义客服的角色和回答风格。

你是一个专业、友好、耐心的客服助手。请严格根据提供的知识库内容来回答用户问题。
如果知识库中有明确答案，请用清晰、易懂的语言组织回答。
如果知识库中没有相关信息，请如实告知用户“暂时没有找到相关信息”，并建议其通过其他渠道（如电话）联系人工客服。
回答时请保持热情、积极的语气。

用户提示词：这里要组装上下文。一个经典的模板是：
```
历史对话：
{{#context.memory#}}

当前用户问题：
{{#start.query#}}

根据以下知识库内容回答问题：
{{#知识库检索节点.内容#}}
```
（注意：变量名需要根据你实际节点的输出变量名调整，比如知识库节点的输出变量可能是 retriever.retrieved_content）

Answer（回答）节点：
- 这是Chatflow的终点，必须要有。添加一个“Answer”节点，连接到LLM生成答案节点。
- 配置：非常简单，在“回答内容”中，引用上一个LLM节点的输出即可，例如 {{#LLM生成答案.text#}}。
- 这个节点负责将最终答案流式地输出给聊天界面。

3.3 调试、预览与发布

搭建好流程后，千万别急着发布。点击右上角的 “调试与预览” 按钮。

输入测试：在右侧弹出的聊天窗里，输入各种问题测试，比如“你们的产品有什么功能？”、“我怎么付费？”。
查看节点运行：在调试面板，你可以看到流程经过的每一个节点，点击节点可以展开查看其输入和输出。这是排查问题的神器！如果答案不对，你可以清晰地看到是知识库没检索到相关内容，还是LLM理解错了。
迭代优化：根据测试结果，回去调整提示词、优化知识库、甚至调整流程逻辑（比如增加一个“当知识库检索为空时，直接调用网络搜索工具”的分支）。

调试满意后，点击右上角的 “发布”。只有发布后，你的智能客服才能被真正的用户访问，或者通过API集成到你的网站、APP里。

4. 进阶实战：构建自动化日报生成系统（Workflow实战）

聊完了交互式的Chatflow，我们再来搞点“后台自动化”的。假设你是运营，每天需要看前一天的销售数据，并生成一份摘要。我们用一个Workflow来自动完成：获取数据 -> 分析 -> 生成报告 -> 发送到钉钉/飞书群。

4.1 设计流程与选择触发器

这个任务的特点很符合Workflow：输入（日期范围）固定，处理过程无需交互，输出一个最终报告。

创建Workflow：新建应用时，选择“工作流（Workflow）”。
开始节点配置：在开始节点，我们定义输入变量。比如添加一个“日期”变量，类型为“文本”，并设置默认值为“昨天”的动态值（Dify支持 {{date}} 等函数）。再添加一个“接收人”变量，用于指定报告发送给谁。
触发器选择：目前我们可以手动触发测试。未来理想状态是配置定时触发，比如每天上午9点自动运行。

4.2 关键逻辑节点应用

Workflow的强大，在于其丰富的逻辑节点。

代码节点（获取数据）：
- 添加一个“代码”节点。这里我们可以写Python脚本。
- 假设你的销售数据在某个数据库里。你可以在这个节点里，使用 requests 库调用公司内部的数据查询API，或者用 pandas 连接数据库执行SQL。
- 代码执行后，将查询结果（比如一个DataFrame的JSON字符串，或一个字典）赋值给一个输出变量，比如 data_result。
- 小贴士：代码节点运行在Dify的沙箱环境里，如果需要安装第三方库（如 pandas, sqlalchemy），需要在部署Dify时配置好沙箱的依赖。
LLM节点（数据分析与报告撰写）：
- 添加一个LLM节点，连接代码节点。
- 系统提示词：你是一个资深数据分析师，请根据提供的销售数据，生成一份简洁的日报摘要。重点包括：销售额趋势、热门商品、异常波动（如果有）。
- 用户提示词：以下是{{#开始.日期#}}的销售数据：{{#代码节点.data_result#}}。请生成报告。
- 这个节点会输出一段文本格式的报告。
模板转换节点（格式化报告）：
- 为了让报告更美观，我们可以用“模板转换”节点来格式化。
- 在模板中，我们可以使用Markdown语法：
```
# {{#开始.日期#}} 销售日报
**生成时间：** {{current_time}}
**数据概览：**
{{#LLM节点.report_text#}}

---
*本报告由自动化系统生成*
```
- 这个节点输出一个格式优美的报告文本。
HTTP请求节点（发送到协作工具）：
- 添加一个“HTTP请求”节点。
- 方法：POST
- URL：填入钉钉或飞书机器人的Webhook地址。
- Headers：Content-Type: application/json
- Body：根据钉钉/飞书的消息格式组装JSON。例如飞书：
```
{
  "msg_type": "text",
  "content": {
    "text": "{{#模板转换节点.formatted_report#}}"
  }
}
```
- 这样，报告就能自动发送到群聊了。
End（结束）节点：
- 最后，务必添加一个“End”节点，连接HTTP请求节点（或任何你认为是流程终点的地方）。Workflow必须以此节点结束。

4.3 错误处理与优化

自动化流程最怕出错无人知。我们需要增加一些健壮性设计。

条件分支（IF/ELSE）：在代码节点后，可以加一个IF/ELSE节点，判断 data_result 是否为空或出错。如果出错，走另一个分支，调用HTTP请求节点发送告警消息给管理员。
重试机制：对于调用外部API的节点（如HTTP请求），可以在节点高级设置中配置重试次数和重试间隔。
日志与监控：发布后，在应用的“日志与标注”页面，可以查看每一次工作流运行的详细记录，包括每个节点的输入输出，便于后期排查。

5. 高手技巧：让工作流更强大、更智能

当你熟悉了基础操作，下面这些技巧能让你的工作流如虎添翼。

5.1 利用“变量”串联复杂逻辑

变量是工作流的血液。除了每个节点自带的输入输出变量，你还可以主动创建和使用变量。

会话变量：在Chatflow中特别有用。比如，用户在第一轮对话中说“我叫张三”，你可以用一个“变量分配器”节点，将“用户姓名=张三”存入一个会话变量。在后续所有节点中，都可以用 {{session.用户姓名}} 来引用，实现个性化对话。
变量聚合器：这是Workflow 0.13.0之后的神器。它可以从前面多个节点的输出中，提取、组合你需要的数据，形成一个新的结构化变量，喂给后面的节点。比如，从A节点取“销售额”，从B节点取“客户数”，聚合成一个“核心指标”变量。

5.2 迭代节点处理批量任务

这是Workflow处理批量数据的核心。假设你需要翻译一个包含100条产品描述的列表。

在开始节点，定义一个“产品描述列表”的变量（类型选“段落”或通过代码节点生成一个数组）。
添加一个“迭代”节点，连接到这个列表变量。
在迭代节点的循环体内，放置你的翻译子流程（比如一个LLM节点，提示词是“将以下中文翻译成英文：{{#current_item#}}”）。
迭代节点会自动遍历列表的每一项，执行循环体内的流程，并将所有结果汇总成一个新的数组输出。
最后再用一个LLM节点或模板节点，将这个翻译后的数组整理成最终格式。

效率对比：如果用Chatflow人工一条条处理，100条数据会让你点到手抽筋。而Workflow的迭代节点，可能一杯咖啡的时间就全搞定了。

5.3 将工作流发布为“工具”，实现模块化复用

这是Dify一个非常强大的特性。你可以把一个调试好的、功能独立的工作流（比如“生成周报摘要”）发布为一个“工具”。

发布后，这个工具会出现在你的“工具”列表中。之后，你在构建新的、更复杂的工作流或Agent时，就可以像调用一个普通函数一样，直接插入这个“工具节点”，传入参数，获取结果。

这极大地促进了代码（流程）的复用。你可以像搭乐高一样，用一个个封装好的工具工作流，快速组装出超级复杂的应用。比如，一个智能销售助手Agent，可以依次调用“客户画像分析工具”、“产品推荐工具”、“生成跟进话术工具”。

5.4 提示词工程的最佳实践

在工作流中，提示词被分散到了各个LLM节点，编写起来更有针对性，但也需要一些技巧：

角色扮演要清晰：在每个LLM节点的系统提示词中，明确它的角色。“你是一个严谨的数据分析师”和“你是一个幽默的客服”，输出的风格天差地别。
上下文注入要精准：通过变量 {{#前驱节点.输出变量名#}} 精确地将上游信息传递给下游。避免一股脑把所有信息都塞进一个提示词。
善用“知识库”节点：对于需要基于固定资料回答的场景，一定要用知识库节点做检索增强生成（RAG），而不是指望模型的内部知识。这能极大提高答案的准确性和可控性。
为复杂任务设计“思维链”：对于推理任务，可以在提示词中要求模型“逐步思考”。例如：“首先，分析用户的核心诉求；其次，从知识库中找到相关依据；最后，组织语言进行回答。” 这能提升模型输出的逻辑性。

从我自己的经验来看，Dify工作流最大的价值在于它将AI应用的构建从“炼丹艺术”变成了“系统工程”。你不再需要去赌一个超级提示词能否成功，而是通过设计可靠的流程，让每个环节各司其职，最终稳定地产出高质量结果。无论是想快速验证一个AI点子，还是构建一个投入生产环境的复杂系统，它都是一个值得你深入研究的利器。