大模型工具Dify应用-工作流(Workflow)（附大模型教程）

原创 最新推荐文章于 2026-10-13 22:17:03 发布 1.1w 阅读 AI写同款
Llama-Turbo
Llama-Turbo 博客等级 码龄4年 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.1w累计阅读 1.1w+平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要
9901粉丝2021篇原创
关注
Dify中ChatFlow与WorkFlow的区别及使用场景详解 详细解析Dify平台中ChatFlow与WorkFlow的概念、特点、API使用方法及不同应用场景，帮助开发者选择合适的工作流类型构建AI应用。 阅读详情
AI摘要

本文介绍了大模型工具Dify的工作流功能，其可将复杂任务分解，提升LLM应用性能。工作流分Chatflow和Workflow两种类型，有客户服务、内容生成等应用案例。还给出创建工作流的步骤及注意事项。此外，分享了系统学习大模型LLM的教程和学习路线。

工作流(Workflow)简介

工作流（Workflow） 是 Dify 的核心功能之一，通过将复杂任务分解为更小的步骤（节点），降低系统复杂度，减少对提示词技术和模型推理能力的依赖，从而提高 LLM 应用在复杂任务中的性能，提升系统的可解释性、稳定性和容错性。

Dify 的工作流主要分为两种类型：

  • Chatflow： 面向对话类场景，包括客户服务、语义搜索以及其他需要在构建响应时进行多步逻辑的对话式应用程序。为解决自然语言输入中用户意图识别的复杂性，Chatflow 提供了问题理解类节点，并增加了对话机器人特性的支持，如对话历史（Memory）、标注回复、Answer 节点等。
  • Workflow： 面向自动化和批处理场景，适用于高质量翻译、数据分析、内容生成、电子邮件自动化等应用程序。为解决这些场景中的复杂业务逻辑，工作流提供了丰富的逻辑节点，如代码节点、IF/ELSE 节点、模板转换、迭代节点等。此外，还提供定时和事件触发的能力，方便构建自动化流程。

常见应用案例：

  • 客户服务： 通过将 LLM 集成到客户服务系统中，自动化回答常见问题，减轻支持团队的工作负担。LLM 可以理解客户查询的上下文和意图，实时生成有帮助且准确的回答。
  • 内容生成： 无论是创建博客文章、产品描述还是营销材料，LLM 都可以生成高质量内容。只需提供一个大纲或主题，LLM 将利用其广泛的知识库制作引人入胜、信息丰富且结构良好的内容。
  • 任务自动化： 可与各种任务管理系统集成，如 Trello、Slack、Lark，以自动化项目和任务管理。通过自然语言处理，LLM 可以理解和解释用户输入，创建任务，更新状态和分配优先级，无需手动干预。
  • 数据分析和报告： 用于分析大型知识库并生成报告或摘要。通过提供相关信息给 LLM，它可以识别趋势、模式和洞察力，将原始数据转化为可操作的智能。对于希望做出数据驱动决策的企业来说，这尤其有价值。
  • 邮件自动化处理： LLM 可以用于起草电子邮件、社交媒体更新和其他形式的沟通。通过提供简要的大纲或关键要点，LLM 可以生成结构良好、连贯且与上下文相关的信息，节省大量时间，并确保回复清晰和专业。

如何开始

  • 创建工作流： 从一个空白的工作流开始构建，或者使用系统模板帮助你开始。
  • 熟悉基础操作： 包括在画布上创建节点、连接和配置节点、调试工作流、查看运行历史等。
  • 保存并发布工作流： 确保工作流配置正确后，保存并发布。
  • 运行工作流： 在已发布应用中运行，或者通过 API 调用工作流。

实战

在 Dify 平台中，创建工作流（Workflow）可以帮助您将复杂任务分解为多个步骤，自动化处理流程。以下是创建工作流的详细步骤：

步骤 1：登录 Dify(https://cloud.dify.ai/) 平台

图片

步骤 2：创建新应用

在主界面上，点击“创建空白应用”。在弹出的窗口中，选择“工作流”作为应用类型，填写应用的名称和描述，然后点击“创建”。

图片

步骤 3：设计工作流

进入工作流设计界面后，您将看到一个可拖拽的画布，默认情况下只有一个开始节点。

添加变量： 在开始节点中，您可以添加全局变量。例如，添加一个名为 city 的变量，用于后续节点的条件判断。

添加条件分支： 在开始节点后，点击加号（+）添加一个 IF 条件分支节点。设置条件，例如，当变量 city 包含“苏州”时，执行特定任务；否则，执行其他任务。

添加任务节点： 根据条件分支，添加相应的任务节点。例如，在条件成立时，添加一个“天气预报”功能节点；在条件不成立时，添加一个“大语言模型问答”功能节点。

添加结束节点： 在每个任务节点后，添加结束节点。在结束节点中，设置输出变量，以便查看任务执行结果。

图片

步骤 4：配置节点

根据每个节点的功能，配置其参数。例如，配置天气预报节点时，需要调用外部 API，并设置相应的请求参数和处理响应数据。

图片

步骤 5：调试与发布

完成工作流设计后，您可以使用调试功能测试工作流的执行情况，确保每个节点的配置正确。调试通过后，点击“发布”将工作流投入使用。

图片

步骤 6：运行工作流

发布后的工作流可以手动运行，或通过设置触发条件自动运行。您可以在运行历史中查看每次执行的结果和日志，方便排查问题。

图片

注意事项：

  • 接口调用： 如果工作流中需要调用外部 API，例如天气预报服务，需要在相应节点中配置 HTTP 请求，并处理返回的数据。

  • 变量管理： 合理使用全局变量和上下文变量，确保数据在各节点间正确传递。

  • 错误处理： 在关键节点添加错误处理机制，确保工作流在遇到异常时能够妥善处理。

通过上述步骤，您可以在 Dify 平台中创建并管理工作流，实现任务的自动化处理，提高工作效率。

总结

Dify 工作流（Workflow）是一种将复杂任务拆分为更小步骤的机制，旨在降低系统复杂度，减少对提示词技术和模型推理能力的依赖，从而提升大型语言模型（LLM）应用在复杂任务中的性能，提高系统的可解释性、稳定性和容错性。 

主要特点：

  • 类型多样化： Dify 工作流分为两种类型：

    • Chatflow： 面向对话类场景，包括客户服务、语义搜索，以及其他需要在构建响应时进行多步逻辑的对话式应用程序。

    • Workflow： 面向自动化和批处理场景，适用于高质量翻译、数据分析、内容生成、电子邮件自动化等应用程序。 丰富的节点支持： 为解决自动化和批处理场景中的复杂业务逻辑，工作流提供了丰富的逻辑节点，如代码节点、IF/ELSE 节点、模板转换、迭代节点等。此外，还提供定时和事件触发的能力，方便构建自动化流程。 WELCOME TO DIFY | DIFY

应用案例：

  • 内容生成： 通过 Dify 工作流，用户可以创建博客文章、产品描述或营销材料。只需提供一个大纲或主题，LLM 将利用其广泛的知识库生成引人入胜、信息丰富且结构良好的内容。 WELCOME TO DIFY | DIFY

  • 数据分析和报告： Dify 工作流可用于分析大型知识库并生成报告或摘要。通过提供相关信息给 LLM，它可以识别趋势、模式和洞察力，将原始数据转化为可操作的智能。 WELCOME TO DIFY | DIFY

使用体验：

用户分享了一些实用的 Dify 工作流，涵盖了文章仿写、小红书内容生成、教程编写等多个方面，展示了 Dify 工作流在实际应用中的广泛性和实用性。 

最后：

Dify 工作流通过将复杂任务模块化，提供了灵活且高效的解决方案，增强了 LLM 应用的性能和可靠性，适用于多种业务场景。

 如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

  • 目标：了解AI大模型的基本概念、发展历程和核心原理。

  • 内容：

    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
    • L1.4.1 知识大模型
    • L1.4.2 生产大模型
    • L1.4.3 模型工程方法论
    • L1.4.4 模型工程实践
    • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

  • 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

  • 内容：

    • L2.1 API接口
    • L2.1.1 OpenAI API接口
    • L2.1.2 Python接口接入
    • L2.1.3 BOT工具类框架
    • L2.1.4 代码示例
    • L2.2 Prompt框架
    • L2.3 流水线工程
    • L2.4 总结与展望

阶段3：AI大模型应用架构实践

  • 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

  • 内容：

    • L3.1 Agent模型框架
    • L3.2 MetaGPT
    • L3.3 ChatGLM
    • L3.4 LLAMA
    • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

  • 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

  • 内容：

    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

 

标签
#AI大模型 #LLM #langchain #大模型 #开源大模型
#AI #编程
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
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。 阅读详情

相关推荐

大模型学习笔记十三：工作流

②直接进行CoT控制（尤其是用自然语言表达CoT，也就是思维链）会输出思考过程，但我们不希望用户看到这个过程。③ 随着工作进展出现的新信息，对任务时序、编排有依赖的信息，不一定能在单次请求中一次性完成输入。① 上下文窗口长度限制、输出长度限制（早期的LangChain长文本Summarize）②能够将模型单次请求调用视作一个工作节点。③能够灵活将其他代码逻辑也写入工作节点。⑤能够在工作节点之间进行数据传递。①将工作任务拆分成多个工作节点。④能够对工作节点进行任务编排。

谢白羽 3017

Dify工作流：高效自动化流程的利器

工作流是一种将业务流程中的任务、数据和资源按照一定规则和顺序进行自动化处理的技术。它通过定义流程的起点、中间环节和终点，将复杂的业务逻辑分解为一系列可管理的步骤，从而实现高效、透明的业务操作。Dify工作流的架构设计充分考虑了可扩展性、灵活性和高可用性。其核心架构可以分为以下几个主要部分：工作流引擎、节点管理器、数据存储、API接口和用户界面。以下是一个简单的Dify工作流定义示例，用于实现一个定时发送邮件的任务：JSON复制"nodes": [

加入“Super Entity”，与全能开发团队共探AI智能体与数字人项目，开启前沿技术之旅。 9961

轻松驾驭 AI 复杂度：Dify 工作流简明教程

你是否觉得让大型语言模型处理复杂任务有点头疼？比如，既要理解用户意图，又要查询数据库，还要结合历史对话生成个性化回复？直接用一个提示词搞定这一切，不仅对提示词技巧要求高，模型也可能“力不从心”。dify实验室别担心，Dify 的工作流功能就是来帮你解决这个问题的！核心思想：化繁为简，像搭积木一样构建 AI 应用想象一下，你要完成一个复杂的项目。你是倾向于一口气做完，还是把它拆分成一个个小步骤，按部就班地进行？大多数人会选择后者，对吧？

同名公众号：dify实验室 2555

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+

深度学习-154-Dify工具之工作流的三个简单应用示例

提供了创建工作流的三个示例：(1)带分支选择的工作流(2)网站SEO分析工具(3)文章链接抽取内容并提取摘要。

qq_20466211的博客 1747

Mediapipe入门——搭建姿态检测模型并实时输出人体关节点3d坐标（2024.1.4更新）

Mediapipe入门，利用mediapipe搭建人体整体检测模型，并输出右手21个关节点的坐标；mp_holistic.Holistic函数理解，mp_holistic.Holistic.process函数理解；mp.solutions.drawing_utils.draw_landmarks函数理解；Mediapipe实时姿态估计，3d骨架铰接图，matplotlib和Mediapipe绘图

kalakalabala的博客 6万+

零基础入门Dify！万字详解工作流（workflow）实现机制，小白也能变大神！

Dify工作流系统是一个基于图结构的可视化AI工作流引擎，支持多种节点类型（LLM、知识检索、条件分支等）和并行执行机制。系统采用事件驱动架构，通过变量池管理数据流动，提供完善的错误处理策略（FAIL_BRANCH/DEFAULT_VALUE）和节点重试机制。核心组件包括工作流服务、图引擎、变量池和节点实现，支持从简单到复杂的AI应用场景开发。该系统通过模块化设计和松耦合架构，实现了灵活的工作流编排和执行能力，适用于各类AI应用开发需求。

2401_84204207的博客 7927

STM32F103跑LVGL，用DMA加速刷屏，800*480大屏也能丝滑

本文详细介绍了如何在STM32F103芯片上通过DMA加速和内存优化，实现800*480大屏的LVGL流畅运行。通过FSMC+DMA硬件架构优化、双缓冲机制和LVGL参数调优，显著提升了界面刷新率和响应速度，适用于嵌入式GUI开发中的高性能需求场景。

weixin_30357231的博客 376

大模型工具Dify应用-工作流(Workflow)，大模型入门到精通，收藏这篇就足够了！

工作流（Workflow） 是 Dify 的核心功能之一，通过将复杂任务分解为更小的步骤（节点），降低系统复杂度，减少对提示词技术和模型推理能力的依赖，从而提高 LLM 应用在复杂任务中的性能，提升系统的可解释性、稳定性和容错性。

2301_81888214的博客 2630

EDKII实战：手把手调试PciHostBridge.c，看UEFI如何分配你的PCIe设备资源（IO/Memory空间）

本文深入解析EDKII中PciHostBridge.c模块的工作原理，详细指导如何调试PCIe设备资源分配（IO/Memory空间）。通过实战案例展示UEFI环境下Root Bridge初始化、地址空间转换及协议安装等核心流程，提供常见问题排查方法与性能优化建议，帮助开发者解决PCIe设备兼容性问题。

weixin_29201933的博客 208

AI for Science：GNN预测分子性质全流程详解与工业实践

从分子表示到工业落地，一文掌握图神经网络在药物研发与材料设计中的核心实战近年来，的浪潮正深刻变革着传统科研范式。在药物研发与材料设计领域，作为核心环节，已从传统的实验试错转向基于图神经网络（GNN）的智能计算。本文将深入解析GNN预测分子性质的，涵盖数据准备、模型设计、训练优化到工业部署，并揭秘前沿技术与实战案例。

datacanvas2426的博客 1674

【从零开始学Dify】 Dify + 视觉模型构建文生视频工作流

DIfy工作流通过将复杂任务分解为多个步骤（如LLM提示词扩充、视频生成、结果修饰等）提升AI应用的性能和稳定性。本文以"小猫游泳"为例，演示了文生视频工作流的完整流程：用户输入关键词后，LLM扩充描述，TEXT TO VIDEO生成视频，LLM2修饰输出，最终返回包含视频链接的结果。该工作流显著降低了系统复杂度，减少了对单一模型能力的依赖，同时提高了任务的可解释性和容错性。示例中，系统成功生成了小猫游泳视频并返回有效期为1天的播放链接。

编码世界 3万+

3分钟！教会你用 DeepSeek/Claude3.7+Cursor 快速入门AI编程（喂饭级教程）

3分钟！教会你用 DeepSeek/Claude3.7+Cursor 快速入门AI编程（喂饭级教程）

yizhen91y的博客 4721

Awesome-Dify-Workflow：30+ 现成的 Dify 工作流模板，导入即用

Awesome-Dify-Workflow 是一个 Dify DSL 工作流模板合集。仓库里收了 30 多个可直接导入的 YAML 文件，覆盖翻译、数据分析、Agent 对话、内容创作等场景，拷进自己的 Dify 就能跑，不用自己从空白画布开始拖节点。 ## 它是什么 核心内容就一个目录：[DSL/](https://link.gitcode.com/i/7d0a2a8ac5a442f36b2

gitblog_00651的博客 929

109. SAP ABAP 应用程序中的锁机制和工作原理介绍

SAP ABAP 系统中的锁概念，是 SAP ABAP 为了保证`数据一致性`而引入的一种保护机制。 像 SAP 这种复杂的企业级应用，系统中同一时间段的同一份数据，可能会有多个 Transaction(终端用户或者 API )同时进行读写操作。为了防止出现数据不一致，SAP ABAP 引入了锁机制。 这种锁机制并非数据库服务器层面的锁，而是在 SAP ABAP 应用服务器层面上工作，加锁和解锁都由专门的 ABAP Function Module 来完成。

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 1466

MIKE水动力笔记5_建立水动力模型

前文已经讲了如何制作网格文件（.mdf文件），这一博文就讲如何建立水动力模型。

晏长街的博客 3万+

Dify 工作流-复刻吴恩达教授的 Agent Workflow 翻译

前一段时间吴恩达教授开源了一个专注于翻译的 AI Agent——translation-agent。这个 translate-agent 主要以 AI 大模型为翻译引擎，再通过在工作流中增加一些针对性的建议和反思，辅以：提示词设定输出风格处理习语和特殊术语指定语言使用或方言等使之更易于翻译出比较符合当地语言的内容。我们今天在 Dify 中通过可视化工作流的方式来复刻一下这个 AI Agent～

Python_cocola的博客 1959

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。

最佳AI实践｜如何在 Dify 用 Workflow 构建一个 Blog SEO AI 应用？

通过在 Dify 平台上运用 Workflow 来构建一个针对性强、结构清晰的 Blog SEO AI 应用，我们不仅能够提升内容的质量和相关性，还能有效优化搜索引擎的响应速度和排名效果。这种方法为内容创作者提供了一个可视化、直观且高度自定义的工作流程设计界面，使得从关键词研究到最终内容生成的每一步都精准而高效。此外，Dify 的 Workflow 功能强大而灵活，能够支持各种复杂的操作，从而使得 AI 生成的博客内容不仅停留在表面，而是深入地反映出文章主题的深度和广度。

猫头虎技术团队：授渔优于赠鱼，兴趣引领智慧，探索之乐尤显珍贵。商务合作+：Libin9iOak ，万粉变现+：优快云WF，猫头虎承诺每年免费为100名C站创作者做账号流量诊断服务！全网搜：猫头虎技术团队，点击文章底部名片或直接私信我一切皆可谈，快找虎哥！ 4235

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)

使用Dify 工作流+最新deepseekV3大模型重现吴恩达 Agent Workflow实测中国诗词翻译英文小说翻译等

吴恩达教授开源了一个专注于翻译的 AI Agent——translation-agent。这个 translate-agent 主要以 AI 大模型为翻译引擎，再通过在工作流中增加一些针对性的建议和反思，辅以：提示词设定输出风格处理习语和特殊术语指定语言使用或方言等使之更易于翻译出比较符合当地语言的内容。今天在 Dify 中通过可视化工作流的方式来重现一下这个 AI Agent～Dify 是一款开源的大语言模型(LLM) 应用开发平台。

z551646的博客 2563

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

Awesome-Dify-Workflow：46 个 Dify 工作流 YAML，导入就能跑

上次帮同事修一个翻译流程，我对着提示词调了一整个下午。后来才知道 [Awesome-Dify-Workflow](https://link.gitcode.com/i/331de9c54ecb210b9f3d50b0790dd07d) 这个仓库里直接躺着现成的 Dify 工作流模板，一个 YAML 拖进 Dify 就能跑。今天把它拆开给你看：有哪些模板、哪个最省事、怎么两分钟导入第一个。 ##

gitblog_00197的博客 820

终于有人把 Dify 工作流讲清楚了！小白也能看懂的Dify 工作流（workflow）的实现机制

接下来将详细介绍 Dify 工作流的实现机制，通过分析代码实现、数据流动和执行过程，充分理解工作流的实现原理。

2401_85375186的博客 2464

DeepSeek+dify 工作流保姆级教程：票据识别专家智能体

Dify最牛的地方就是像搭积木一样简单——不用懂代码，普通人稍微学学就能用它的「智能机器人」和「流程图」功能，自己拼出一套自动化工具。比如自动回复客户、处理文件这些事，你拖拖拽拽就能搭出想要的功能，特别适合折腾些好玩的小发明。我们可以通过智能体或工作流，自定义工具完成很多我们好玩的功能。通过实践这个流程，我相信你可以学会自己搭建自己需要的智能体。

wind1_rain的博客 4281

如何用 Dify 快速搭建 AI 应用：Awesome-Dify-Workflow Dify 工作流合集完整指南

你有没有过这种经历：Dify 装好了，却对着空白画布发呆，拖节点、写提示词、调连线，一个流程跑通就要半天。如果有人把做好的 Dify 工作流直接交给你，导入即用，会怎样？这就是 Awesome-Dify-Workflow 做的事——一批可直接导入的 Dify 工作流 DSL 模板，覆盖翻译、知识库问答、Agent 工具等场景。 ## 🚀 快速上手：克隆仓库，3 步导入一个 Dify 工作流模板

gitblog_00151的博客 756

46 个 Dify 工作流：用 Awesome-Dify-Workflow 搭建你的 AI 应用

给业务方交付一个"能分析数据、能翻译文档"的内部工具，只给了三天时间——从头写前后端显然不现实，直到我翻到 Awesome-Dify-Workflow，一个收录 46 个 Dify 工作流模板的集合。把 DSL 文件导入 Dify 就能开始搭建 AI 应用，覆盖翻译、数据分析、代码生成等 10 多个场景。 ## 🧭 项目定位速览 一句话概括它的价值：不用自己画节点连线，直接复用别人画好的流程

gitblog_00566的博客 752
上一篇： AI大模型工具Dify应用-Agent智能体（附大模型教程）
下一篇： 打造一个完全本地运行的多智能体图书写作系统（附大模型教程）
点赞 32
评论 0
书签 书签 25
Llama-Turbo
Llama-Turbo
博客等级 码龄4年 9901粉丝 2021原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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