在Dify里，单靠一个提示词（Prompt）想让AI干点复杂的事，基本不现实。这就好比你想让一个厨师只看一眼“满汉全席”四个字，就立刻给你做出来一样，中间的步骤、食材、火候全都省略了，结果可想而知。AI也是一个道理，你给它的指令越模糊、任务越复杂，它就越容易出错或者“偷懒”。
这就是为什么Dify的提示词编排功能（现在叫工作流 “Workflow”）这么重要。它不做那种一锤子买卖，而是把一个大任务拆解成一连串的小步骤，每个步骤都让一个专门的AI或者工具去处理，然后像流水线一样把结果传递下去。 这样做的好处很直接：每一步都更可控，最终的结果也更稳定。
我们来用一个具体的例子，看看这个功能到底是怎么用的。假设我们要构建一个“自动化市场分析报告生成器”。用户只需要输入一个行业名称，比如“上海的精品咖啡市场”，AI就能自动生成一份包含市场趋势、主要竞争对手和消费者画像的报告。
如果只用一个提示词，你可能会这么写：
“请帮我分析一下‘上海的精品咖啡市场’，报告要包括市场趋势、主要竞争对手和消费者画像。”
你把这个指令丢给一个大语言模型（LLM），它可能会给你一些泛泛而谈的内容，信息密度很低，甚至有些内容是它自己“猜”的。因为它没有被告知具体怎么去“分析”，从哪里获取信息。
但是用Dify的工作流来做，整个过程就完全不一样了。 我们可以把它拆解成一个可视化的流程图，每个节点干一件具体的事。
第一步：拆解用户意图，生成搜索关键词
流程的开始，是用户输入“上海的精品咖啡市场”。我们不能直接把这个词丢给搜索引擎，因为这样得到的信息太宽泛。所以，我们需要第一个节点，一个“大语言模型（LLM）”节点。
- 节点名称： 生成搜索关键词
- 节点类型： LLM
- 任务： 我会给这个节点一个专门的提示词，告诉它：“你是一个专业的市场分析师。请根据用户输入的行业主题‘{{userInput}}’，生成5个用于搜索引擎的、具体的分析关键词，覆盖市场趋势、竞争格局和消费者行为这三个方面。请用JSON数组的格式返回。” 这里的
{{userInput}}就是Dify里的一个变量，它会自动把用户输入的内容填进来。 - 为什么这么做？ 这一步的目标非常明确：把模糊的用户输入，变成精确的、可执行的搜索指令。比如，它可能会生成
["上海精品咖啡市场规模增长率", "Manner Coffee vs Starbucks 上海", "上海咖啡消费者年龄分布 2024"]这样的关键词。这比直接搜“上海的精品咖啡市场”要精准得多。
第二步：调用工具，执行搜索
关键词有了，下一步就是实际去网上查找资料。这里我们不用LLM了，因为它不能实时上网。我们需要用到“工具”节点。
- 节点名称： 谷歌搜索
- 节点类型： 工具
- 任务： Dify允许你集成各种工具，比如谷歌搜索的API。 我们把上一步生成的关键词数组，作为这个节点的输入。理想情况下，我们可以设置一个“迭代（Iteration）”节点，让它遍历关键词数组，对每个关键词都执行一次搜索，然后把所有搜索结果汇总起来。
- 为什么这么做？ 这一步是连接虚拟指令和现实信息的桥梁。LLM负责“思考”要搜什么，工具负责“执行”搜索动作。各司其职，结果才可靠。
第三步：处理信息，分类和摘要
搜索引擎会返回大量的网页链接和文本片段，这些原始信息杂乱无章，不能直接用。所以，我们需要再加一个LLM节点来处理这些信息。
- 节点名称： 信息分类与摘要
- 节点类型： LLM
- 任务： 这个节点的输入是上一步所有搜索结果的文本内容。它的提示词会这样写：“你是一个信息处理专家。这里有一堆关于‘上海精品咖啡市场’的搜索结果。请阅读所有内容，然后帮我提取关键信息，并按照‘市场趋势’、‘主要竞争对手’、‘消费者画像’这三个类别进行分类和总结。每个类别的总结不要超过300字，要点要清晰。”
- 为什么这么做？ 这是整个流程中最体现“智能”的一步。它模拟了人脑阅读、理解和归纳信息的过程。把一堆乱七八糟的原始数据，变成了结构化的、有条理的知识点。 这一步大大降低了后续生成报告的难度。
第四步：整合信息，生成报告草稿
现在我们手里有了结构化的要点，最后一步就是把它们组织成一篇通顺的报告了。
- 节点名称： 生成报告草稿
- 节点类型： LLM
- 任务： 这个节点的输入是上一步生成的分类摘要。它的提示词会是：“你是一个专业的商业报告写手。请根据以下关于‘上海精品咖啡市场’的关键信息，撰写一份市场分析报告。报告结构要清晰，语言要专业、客观。报告应包含引言、市场趋势分析、主要竞争对手分析、消费者画像和结论五个部分。”
- 为什么这么做？ 这是最后的临门一脚。因为前面的准备工作做得非常充分，这个LLM节点不需要再去思考“分析什么”，也不需要再去“找资料”，它只需要专注于“写作”这一件事。这样生成的报告，质量会比一步到位高很多。
最后一步：输出结果
整个流程的末端是一个“结束（End）”节点，它会把最终生成的报告文本作为结果输出给用户。
通过这个例子，你可以看到，Dify的工作流编排把一个复杂的任务“庖丁解牛”了。 这种做法有几个显而易见的好处：
- 提高准确性： 每一步的任务都非常单一和明确，AI不容易“跑偏”或产生幻觉。
- 便于调试： 如果最终报告的某个部分不理想，你可以很清楚地追溯到是哪一个节点出了问题。 是关键词生成得不好，还是信息摘要得不准？一目了然。
- 灵活性高： 任何一个节点都可以随时更换。比如，你可以把谷歌搜索换成知识库检索，或者把生成报告的LLM从GPT-4换成Claude 3。 这种模块化的设计让整个应用更容易维护和升级。
- 降低门槛： 整个过程都是通过拖拽节点和填写提示词来完成的，几乎不需要写代码，让不熟悉编程的人也能构建出强大的AI应用。
所以说，Dify的提示词编排功能，核心思想就是“分而治之”。它让我们从一个模糊的想法出发，通过一步步地拆解、执行和整合，最终稳定地得到一个高质量的结果。这才是构建复杂AI任务的正确方式。
评论前必须登录！
注册