零基础AI开发系列教程：Dify节点的详细介绍(下)

最新推荐文章于 2025-05-08 21:46:24 发布

北灵聊AI

最新推荐文章于 2025-05-08 21:46:24 发布

阅读量1.7k

点赞数 27

分类专栏： AI实践 Dify 文章标签：人工智能 AI编程

本文链接：https://blog.csdn.net/beilingcc/article/details/146846868

版权

AI实践同时被 2 个专栏收录

18 篇文章

订阅专栏

Dify

7 篇文章

订阅专栏

Dify节点的详细介绍(下)

节点是工作流的关键构成，通过连接不同的节点，从而实现工作流的功能。首先我们要明白一个核心概念：节点是为功能服务的。根据节点的功能，可以将节点划分为以下三类：基础与流程控制、数据处理与转换、AI与外部交互。

基础与流程控制：开始、结束、条件分支、迭代、循环、直接回复
数据处理与转换：变量赋值、变量聚合、参数提取、模板转换、列表操作、问题分类、文档提取
AI与外部交互：LLM、知识检索、HTTP请求、Agent、工具、代码执行

以下是AI与外部交互类节点使用介绍：

1. LLM

LLM 节点是 Chatflow/Workflow 的核心节点，利用大语言模型的对话/生成/分类/处理等能力，可以根据给定的提示词处理广泛的任务类型。

意图识别，在客服对话情景中，对用户问题进行意图识别和分类，导向下游不同的流程。
文本生成，在文章生成情景中，作为内容生成的节点，根据主题、关键词生成符合的文本内容。
内容分类，在邮件批处理情景中，对邮件的类型进行自动化分类，如咨询/投诉/垃圾邮件。
文本转换，在文本翻译情景中，将用户提供的文本内容翻译成指定语言。
代码生成，在辅助编程情景中，根据用户的要求生成指定的业务代码，编写测试用例。
RAG，在知识库问答情景中，将检索到的相关知识和用户问题重新组织回复问题。
图片理解，使用具备 vision 能力的 LLM，理解与问答图像内的信息。
文件分析，在文件处理场景中，使用 LLM 识别并分析文件包含的信息。

小技巧：不同的大模型所擅长的能力也不相同，需要根据不同的任务选择合适的大语言模型，并编写准确的提示词，这样才能充分发挥出大模型的优势。

2. 知识检索

知识检索用来从知识库中检索出与用户问题相关的内容。通常用来构建基于外部数据或者知识的 AI 问答系统。

可以将知识检索作为 LLM 节点的前置步骤，在把问题输入到 LLM 节点之前，先利用知识检索节点将匹配用户问题最相关的文本内容检索出来，然后在 LLM 节点将用户问题与检索到的内容作为上下文一同输入，让 LLM 根据检索内容来回复问题。

如下图，我们在知识检索节点添加了一个知识库：

然后使用知识检索的结果作为LLM的上下文，并且在提示词里，使用上下文：

3. HTTP请求

HTTP 请求用于获取外部数据、图片、文件等，也可以处理我们提供的数据。平时我们使用的很多系统都是基于HTTP请求来交互的，通过HTTP请求可以实现各种复杂的功能。

选择请求方式(GET、POST、PUT、DELETE等)、输入请求URL

HEADERS是请求头参数

PARAMS是查询参数

BODY是请求体参数

4. Agent

Agent 节点是 Dify Chatflow/Workflow 中用于实现自主工具调用的组件。它通过集成不同的 Agent 推理策略，使大语言模型能够在运行时智能选择并执行工具，从而实现多步推理。

可以在Marketplace里搜索并安装Agent策略

也可以在使用Agent策略时，搜索安装。如果已经安装了，则可以直接使用

选择 Agent 推理策略

Dify 内置了 Function Calling 和 ReAct 两种策略。

1. Function Calling

通过将用户指令映射到预定义函数或工具，LLM 先识别用户意图，再决定调用哪个函数并提取所需参数。它的核心是调用外部函数或工具，属于一种明确的工具调用机制。

优点:

精确: 对于明确的任务，可以直接调用相应的工具，无需复杂的推理过程。
易于集成外部功能: 可以将各种外部 API 或工具封装成函数供模型调用。
结构化输出: 模型输出的是结构化的函数调用信息，方便下游节点处理。

2. ReAct (Reason + Act)

ReAct 策略使 Agent 交替进行思考和行动：LLM 首先思考当前状态和目标，然后选择并调用合适的工具，工具的输出结果又将引导 LLM 进行下一步的思考和行动，如此循环，直到问题解决。

优点:

有效利用外部信息: 能够有效地利用外部工具获取信息，解决仅靠模型自身无法完成的任务。
可解释性较好: 思考和行动的过程是交织的，可以一定程度上追踪 Agent 的推理路径。
适用范围广: 适用于需要外部知识或需要执行特定操作的场景，例如问答、信息检索、任务执行等。

配置节点参数

选择 Agent 策略后，配置面板会显示对应的配置项。配置项包括：

模型： 选择驱动 Agent 的大语言模型。
工具： 工具的使用方式由 Agent 策略定义，点击 “+” 添加并配置 Agent 可调用的工具。
- 搜索： 在下拉框中选择已安装的工具插件。
- 授权： 填写 API 密钥等授权信息后启用工具。
- 工具描述和参数设置： 提供工具描述，帮助 LLM 理解工具用途并选择调用，同时设置工具的功能参数。
指令： 定义 Agent 的任务目标和上下文。支持使用 Jinja 语法引用上游节点变量。
查询： 接收用户输入的内容。
最大迭代次数： 设定 Agent 的最大执行步数。
输出变量： 提示节点输出的数据结构。

查看Agent执行日志

Agent 节点执行过程中会生成详细日志。点击 “详情” 查看 Agent 策略执行的每一轮输出信息。

5. 工具

工具节点可以为工作流提供强大的第三方能力支持，分为以下三种类型：

内置工具，Dify 提供的工具，有的工具需要先授权才能使用，点击"授权"会自动跳转到对应的授权页面。
自定义工具，通过 OpenAPI/Swagger 标准格式导入或配置的工具。如果内置工具无法满足使用需求，你可以在 Dify 菜单导航 --工具 内创建自定义工具。
工作流，可以编排一个更复杂的工作流，并将其发布为工具。

比如我们演示发送群消息，先搜索安装工具

配置好工具输入变量和参数就可以使用工具提供的功能了

6. 代码执行

代码执行节点支持运行自定义的 Python 或 Javascript 脚本，它让数据处理变得更加灵活。

常见使用场景：

结构化数据处理
在工作流中，经常要面对非结构化的数据处理，如JSON字符串的解析、提取、转换等。最典型的例子就是HTTP节点的数据处理，在常见的API返回结构中，数据可能会被嵌套在多层JSON对象中，而我们需要提取其中的某些字段。比如从HTTP节点返回的JSON字符串中提取了data.name字段：

def main(http_response: str) -> str:
    import json
    data = json.loads(http_response)
    return {
        # 注意在输出变量中声明result
        'result': data['data']['name'] 
    }

数学计算
当工作流中需要进行一些复杂的数学计算时，也可以使用代码节点实现。
拼接数据
代码节点可以拼接多个数据源的数据。比如多个知识检索、数据搜索、API调用等，代码节点可以将这些数据整合在一起。

至此，Dify的节点就都介绍完了。

🔥《零基础小白AI实战教程：手把手教你打造专属的智能体》🚀 系列教程更新中！
✅ 已更新：AI实践虚拟化平台安装
✅ 已更新：Docker Desktop 安装
✅ 已更新：Ollama安装教程
✅ 已更新：DeepSeek私有化部署
✅ 已更新：Dify私有化部署
✅ 已更新：Dify + DeepSeek搭建本地私有化知识库
✅ 已更新：Dify应用类型的选择
✅ 已更新：Dify升级指南
✅ 已更新：Dify节点的详细介绍(上)
✅ 已更新：Dify节点的详细介绍(中)
✅ 已更新：Dify节点的详细介绍(下)

👉 关注公众号"北灵聊AI"获取最新更新，免费领取教程资料和源码