Dify AI工具实战教程：从入门到高效使用

延续上篇教程《来了来了！爆火AI工具Dify怎么玩？这绝对是全网最详细的教程（上）》，今天继续拆解Dify的实战细节。

先快速回顾上篇核心内容：

1、Dify的安装与启动流程
2、使用前的必要配置项
3、Dify核心功能模块概览
4、知识库实战①：在Dify中创建知识库
5、知识库实战②：外接RAGFlow知识库
6、智能体实战①：基础聊天模式
7、智能体实战②：Agent模式
8、智能体实战③：集成MCP工具

现在进入智能体的其他实战环节。

智能体实战④：文本生成模式

文本生成模式，坦白讲实用场景有限，操作也极为简单。这里不从头创建，直接使用Dify预置的文本生成智能体。进入【探索】菜单，筛选标签为“文本生成”的【SQL生成器】智能体，添加到工作区即可。

添加到工作区后打开，会发现界面与基础聊天智能体几乎一致。这也让人纳闷——Dify为何将基础聊天和文本生成拆成两个独立的智能体类型。

界面布局非常简洁：

• 左上区域用于填写提示词，定义智能体的任务。
• 左下区域多出一个变量添加模块。使用时需指定目标数据库并输入查询内容。添加的变量会注入到左上提示词中，运行时自动替换占位符。右侧可预览变量值。
• 右上角仅需更换模型。

演示效果：先将模型切换为deepseek，点击【发布更新】保存，再点击【运行】启动智能体。

运行时，左侧选择目标数据库并输入查询内容，点击【运行】后右侧返回结果。

查看日志可以看到，输入的两个变量已在Prompt中完成替换，作为User Prompt的一部分参与生成。

至此，文本生成模式智能体的创建与使用已全部展示，确实两三步就能搞定。

智能体实战⑤：工作流模式智能体

经过前面几次实战，大家应该已经体会到，创建和使用智能体并不复杂。但聊天助手、Agent以及文本生成应用这三种模式，只适合处理简单任务。面对复杂场景，工作流才是正解。Dify的工作流分为两种：一种面向单轮自动化任务（下文将讲解），另一种是支持多轮记忆的ChatFlow（更常用，下一部分展开）。

先选择【客户评价处理工作流】添加到工作室。

打开后可以看到由各类组件搭建而成的流程。

这种工作流是如何绘制的？点击页面底部的【＋】号，弹出组件列表，选中所需组件拖拽到画布上即可。

组件之间如何建立连接？从一个组件的【＋】号拖拽到另一个组件的【＋】号即可。

每个组件需要关注三部分：前一个组件的输入内容、当前组件处理的业务逻辑、组件处理后的输出（有时无输出）。例如下图中的“问题分类器”组件，功能是：根据输入的评价，借助大模型理解能力自动判断是正面还是负面评价，输出变量为分类结果。下图中可以清晰看到这三部分。

由于每个组件的用法不同，Dify默认提供16个组件。具体用法可在组件上打开帮助文档查阅。

如果想对组件进行逐步骤调试（类似程序中的Debug），该怎么做？除了运行后查看完整日志、在日志中展开每个节点检查运行状态外，还可以在运行前单独调试某个组件。例如在“问题分类器”组件上点击【运行此步骤】，输入调试内容“这个打印机不好用”，观察返回结果。

运行后，调试结果展示三部分：输入、数据处理和输出，恰好对应每个组件的三要素。最终正确输出了负面评价的结果。

到这里，工作流的基本使用方法已经讲解完毕。但还没结束，下一部分我们实战创建几个ChatFlow模式的智能体，感受一下差异。

智能体实战⑥：ChatFlow模式智能体——API Demo

接下来实战一个ChatFlow模式的智能体。之前多次提到，ChatFlow是创建智能体最常用的方法。它的使用方式与上面工作流智能体几乎相同，但核心区别在于：工作流只支持单轮自动化任务编排，而ChatFlow支持带记忆的多轮对话。具体体现在LLM（大模型）节点上（当然还有其他区别，但这是最关键的）。

从下图可以看出，左侧是工作流模式下新建的LLM节点，右侧是ChatFlow模式下新建的LLM节点。ChatFlow模式多了一个记忆功能，且默认关闭。这样看来，直接创建ChatFlow模式智能体就足够了——它功能更全、效果更好。所以个人感觉工作流模式现在有些鸡肋，平时基本不用。

现在具体实战一个API Demo，实现获取某个城市的实时天气。

第一步，新建一个【开始】节点（默认已存在，无需新建）。在开始节点中添加一个变量【city】，代表要查询天气的城市，设置为必填。

第二步，新建一个【HTTP请求】节点，并与前面的【开始】节点连接。

具体配置如下：GET请求路径填写 https://wttr.in/{city}?format=j1，其中{city}需替换为上一步传入的city参数。

第三步，新建一个【LLM】节点，与前面的【HTTP请求】节点连接。

具体配置：选择一个模型，在System Prompt中输入“请输出今天天气如何”，并传入上一步HTTP请求节点的Body属性。User Prompt部分传入用户最初输入的Prompt。

最后一步，新建一个【直接回复】节点，与前面的【LLM】节点连接。

具体配置：只需传入前一步大模型回答结果的文本。

创建完成后发布更新，保存工作流。然后运行，在预览模式下查看结果。

可以看到，输入“大连的天气如何”，返回了当前时间外边的实时天气。至此，手把手完成了一个ChatFlow模式智能体的创建。

智能体实战⑦：ChatFlow模式智能体——RAGFlow Demo

接下来要做的是：将ChatFlow模式下创建的智能体连接知识库进行查询并输出结果。这里知识库选择外部联动的RAGFlow。不再一步步操作演示，大家可以自行实战。之前不知道如何整合RAGFlow知识库的朋友可以翻阅上篇文章。整体创建完成后的效果如下图所示。模型我选择的是本地Ollama部署的模型，大家也可以选择付费商用模型，或者像我一样整合本地模型试试。

其他：日志查看与单步调试

智能体创建完成后，中间运行流程一定要查看日志，便于调试。点击左侧第三个按钮【日志与标注】查看完整执行日志。

下方显示了每一步的详细执行日志。

展开每一步可以看到更详细的日志信息。

除了这种方式，每个组件还可以单步调试，类似Debug。以【HTTP请求】组件为例，选择【运行此步骤】进行调试。

调试后可以看到具体信息：执行的输入、执行过程以及输出结果。

其他：监测面板

除了查看执行日志，还可以查看该智能体的使用统计信息。点击最左侧最后一个【检测】按钮即可。

其中【费用消耗】这个统计需要特别说明：此费用仅供参考，与实际调用云平台模型API产生的费用对不上。具体模型调用费用，请以模型平台账单为准。

至此，社区版Dify最核心的两大功能——【知识库】和【智能体】——已全部讲解完毕。虽然只是简单的Demo，但只要掌握了这些，后续结合业务场景就能构建出更强大的智能体。Dify还有很多进阶操作，例如通过API操作知识库、将做好的智能体暴露为API供外部调用（常用于套壳应用）等。这里不做详细展开，如果大家需求强烈，后续会单独出一篇文章讲解。

如果在操作过程中遇到任何问题，欢迎留言交流。