Dify 使用 reasoning 模型时不显示 think 过程的解决方法

最新推荐文章于 2025-04-23 08:12:07 发布
最新推荐文章于 2025-04-23 08:12:07 发布
阅读量1.1k 收藏 8
点赞数 23
分类专栏： LINUX 文章标签： Dify
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。
本文链接：https://blog.csdn.net/engchina/article/details/146855816
版权

Dify 使用 reasoning 模型时不显示 think 过程的解决方法

在这里插入图片描述

1. 设置开始节点

在这里插入图片描述

2. 设置一个 LLM 节点

在这里插入图片描述

3. 设置一个条件分支

在这里插入图片描述

4-1. 设置一个模版转换

在这里插入图片描述

4-2. 设置一个代码执行


import re

def main(text: str) -> dict:
    cleaned_answer = re.sub(r'<think[^>]*>.*?</think>', '', text, flags=re.DOTALL)
    final_answer = re.sub(r'^\n+', '', cleaned_answer)
    return {
        "result": final_answer
    }

在这里插入图片描述

5. 设置一个变量聚合器

在这里插入图片描述

6. 设置一个结束节点

在这里插入图片描述

7-1. 测试：不显示 think 过程

在这里插入图片描述
在这里插入图片描述

7-2. 测试：显示 think 过程

在这里插入图片描述
在这里插入图片描述

参考文章：
Dify工作流如何屏蔽DeepSeek-R1的思考内容？来看看解决方案吧！！！

深入探究并解决LLamaFactory推理DeepSeek蒸馏模型时无法展示＜think＞思考过程的问题
羊城迷鹿的博客
03-06 1011
在Deepseek模型的落地应用中，我们期望它不仅能够给出准确答案，还能展示其推理过程。本文记录了我在LLamaFactory微调和测试DeepSeek蒸馏模型时遇到的思维过程展示问题，以及从问题发现到最终解决的全过程。通过对模型配置、提示模板和界面渲染的系统性优化，成功实现了蒸馏模型思考过程的直观可视化展示。
大模型产品Deepseek（六）、知识库搭建详细教程（基于Dify）
xiaoqi270620903的专栏
02-10 2102
通过本教程，您可以了解到如何使用 Dify 简化智能体的构建过程，并利用 DeepSeek 强大的推理能力和知识库查询功能，为您的应用提供更智能的支持。如果您希望扩展智能体的功能，可以继续集成更多的服务或定制化模型，使其满足更多的业务需求。为了优化智能体的表现，可以根据用户的反馈调整模型参数或扩展知识库，增加更多领域相关的内容，以提升智能体的准确性和智能化水平。现在，我们已经配置好了 DeepSeek 模型和知识库，接下来将集成到智能体中，实现智能对话和知识查询。函数处理用户输入，优先查询知识库中的内容。
DeepSeek + Dify ：零成本搭建企业级本地私有化知识库保姆级教程
架构技术专栏
02-10 2026
学会本文搭建方法后，我们也可以把自己的个人资料，过往输出文章，日记等所有个人信息上传到本地知识库，打造自己的私人助理。问一下deepseek，让他帮我们选择，提示词如下： 我现在正在使用ollama部署deepseek-r1模型，但是模型分为1.5b，7b，8b，14b，32b，70b，671b等，我不知道该怎么选择适合我电脑配置模型了，我现在把我电脑的配置信息告诉你，你帮我选择一下吧 个人电脑信息如下： 系统：windows 11 运行内存：32G 专用GPU显存：6G 共享GPU内存：15.9G。
Dify工作流中使用代码执行节点过滤DeepSeek的思考内容，仅呈现答案
SPM101的博客
02-17 6153
选择代码执行节点的返回值result（注：直接回复节点只有在Dify创建空白应用时选择”Chatflow“非”工作流“才有这个节点，即多轮对话流）该方法缺点：没有流式输出答案，即打字机效果，会直接呈现所有答案，也许这种效果刚好满足你的需求hhh。
推荐一个DeepSeek 大模型的免费 API 项目！兼容OpenAI接口！
测试开发技术
02-17 993
DeepSeek-Free-API 是由LLM-Red-Team开发的一个开源项目。它提供了一个API服务，让开发者可以免费调用DeepSeek大语言模型的能力。支持高速流式输出：能够快速响应，提升用户体验。支持多轮对话：可以进行连续的交互，更好地理解上下文。零配置部署：简化了部署流程，方便快速上手。多路token支持：可以同时管理多个token，灵活使用。与OpenAI API兼容：使用与OpenAI兼容的接口，方便开发者迁移和集成。
[Dify] 去除 Ollama Deepseek 中 ＜think＞ 内容，仅保留答案部分的实现方案
技术就是小甜甜博客
04-14 1031
本文介绍了一个用于处理 Ollama Deepseek 输出的 Python 工具函数，它能有效去除<think>标签中的“思考过程”，只保留用户所需的答案。此方法简洁高效，适用于 Dify 等模型调用平台的结果处理模块。
Dify工作流中如何去除deepseek-r1思考内容
nido的博客
04-03 1255
在工作流中deepseek-r1的think标签内部的内容，很容易让工作流其他的llm产生幻觉，导致不能良好的生成目标效果。我们通过代码的方式让deepseek-r1既有think思考链的效果，又不传递思考链。这样子生成的效果就将think内容替换了。去除think中的代码为。
解决deepseek r1模型输出＜think＞标记问题
jenken1209的博客
02-08 8047
vllm一键解决<think>标记
使用Dify为DeepSeek-R1添加多模态功能
m0_59235945的博客
02-11 3492
在DeepSeek-R1引发全球AI领域关注之际，其突破性的推理能力已通过多项测试得到验证：模型不仅将AIME数学竞赛准确率从15.6%提升至86.7%，更在Codeforces编程竞赛中超越96.3%人类参与者，展现出真实的数学直觉与迁移学习能力。然而作为纯文本模型，其官方版本存在多模态能力缺失与功能互斥的局限。我选择通过Dify构建智能编排层：以DeepSeek-R1作为推理引擎，驱动更强大模型的多模态能力，实现文件解析与网络连接的协同运作。
DeepSeek+dify 工作流应用,自然语言查询数据库信息并展示
yxkong的专栏
03-05 3278
在写连接外部数据库查询的时候，我就想普通的业务人员没有编程背景，不懂数据库，可他们想查询统计一些东西怎么办？只能找对应的开发人员写sql了，那我是不是可以用工作流解决这个问题。我把库表结构从数据库里导出一份表结构,导出到相同的文件里，建立一个知识库。里写的python脚本改下，由关键词检索改成sql检索。技术纵深：高并发架构 | 应用调优 | 分布式系统。管理沉淀：8年技术团队管理 | 百万级DAU经验。的阈值不要调太大，一般0.3即可，别看图。作为查询变量，添加刚才添加的数据库知识库。
AI的强大使用方法~dify
05-17
Dify不仅仅让我们会像专业人士一样进行编辑，还能够减轻我们处理复杂事物所带来的负担，便捷地操作时更加方便。 总之，Dify就是一个梦幻般的工具，可以为我们日常生活带来更多的神奇体验和方便，它没有任何硬性的...
大模型——Dify使用MCP查询数据库
最新发布
04-23 513
今天我们来看Dify结合MCP查询数据库，这里我们用到了一个查询数据库的服务，其实之前我们也有一篇讲text2sql的案例，但是因为我们表结构作为知识库，需要我们把这个表结构做的很丰富，确保能够更精准的生成相应的SQL语句，今天介绍的MCP查询数据库会更灵活一些。MCP服务其实在现阶段，Dify的支持还是欠缺了点，使用的感受还是不如其他的一些客户端，比如我用的cherry studio，这个给我感觉会更兼容一些，使用起来会更方便一些，就是cursor也很好用，有空我也会去介绍一下这些工具的使用。
本地化部署dify，依赖docker desktop，拉取模型都没有问题，dify部署服务都显示成功运行，在登陆dify主页面进行设置时候，安装大模型，显示模型供应商插件为空，工具等均不显示...
**My Coding Family**
03-12 1261
🏆本文收录于《全栈Bug调优(实战版)》专栏，主要记录项目实战过程中所遇到的Bug或因后果及提供真实有效的解决方案，希望能够助你一臂之力，帮你早日登顶实现财富自由🚀；同时，欢迎大家关注&&收藏&&订阅！持续更新中，up！up！up！！
dify部署RERANK模型
swj868的博客
04-10 1205
此处模型名称和模型UID相同，我们的xinference是在docker容器内的，所以，服务器URL是：http://host.docker.internal:9997。3.浏览器输入：http://localhost:9997 即可访问。先创建一个xinference用于保存Xinference。xinference会自动配置RERANK。5.dify配置RERANK模型。4.下载RERANK模型。
dify 大模型开源应用框架使用案例，api调用,添加asr、tts服务
weixin_42357472的博客
10-19 2231
参看： https://github.com/langgenius/dify下载安装： https://docs.dify.ai/getting-started/install-self-hosted/docker-compose 首先访问先设置帐号密码 web访问 1、模型配置 右侧设置里 https://docs.dify.ai/zh-hans/development/models-integration/ollama 添加ollama报错，因为部署dify是容器里访问外面，解决方法： syste
deepseek的对话风格
nangonghen的博客
02-04 545
deepseek的对话风格
一文读懂「Prompt Engineering」提示词工程 进阶版
女王の专属领地
08-20 4280
大白话讲背景：AI并不像人类那样拥有自主的常识和生活经验，它依赖于提示词提供的上下文信息。这意味着，提示词越清晰、越具体，AI越能理解你的意图。一句话定义：设计有效的提示词，以指导模型，执行期望任务的方法被称为提示工程。核心要素指令：想要模型执行的特定任务或指令。上下文：包含外部信息或额外的上下文信息，引导语言模型更好地响应。输入数据：用户输入的内容或问题。输出指示：指定输出的类型或格式。设计原则编写清晰、具体的指令；使用分隔符清晰地表示输入的不同部分，分隔符可以是：```，”“，，:， 等；
本地部署DeepSeek-R1（Dify升级最新版本、新增插件功能、过滤推理思考过程）
万物皆可学
03-17 1191
但是我这里没安装Git，是直接通过下载解压的方式，直接把老版本的volumes拷贝并覆盖到新版本DIfy的docker目录下即可。Git地址：https://github.com/langgenius/dify/releases/tag/1.0.1。启动好后，历史数据都在，如果修改过.env文件，需要重新配置重启。Dify1.0版本之前不支持插件功能，先升级DIfy。我这里下载到老版本同一个目录并解压。下载最新版本，目前1.0.1。需先停用老版本Dify。
ai agent dify
03-18
<think>好的，用户想了解或使用Dify作为AI代理的实现或使用信息。我需要先回忆一下Dify的相关知识。Dify是一个开源的LLM应用开发平台，支持构建基于大语言模型的AI代理和应用程序。用户可能想知道如何具体实施或使用它作为AI代理。 首先，我应该介绍Dify的基本概念和核心功能，比如可视化编排和多种模型支持。然后，可能需要分步骤说明如何实现AI代理，包括安装、创建应用、配置Agent工具等。同时，用户可能关心具体的代码示例，所以需要提供API调用或配置文件的例子。 还要考虑用户可能的后续问题，比如性能优化、多模型集成或者企业级应用场景，因此生成相关问题会有帮助。需要确保使用正确的LaTeX格式，比如变量用$...$，独立公式用$$...$$。另外，引用部分要正确标注，比如引用提供的资料中的[^1]和[^2]。 需要检查是否有遗漏的关键点，比如Dify的RAG引擎、支持的模型类型，或者如何扩展自定义工具。确保回答结构清晰，步骤明确，用户能按指南操作。最后，验证所有技术术语和流程的正确性，避免错误信息。</think>### Dify作为AI代理的实现与使用指南 Dify是一个开源的LLM应用开发平台，支持构建基于大语言模型的AI代理（Agent）和应用程序。其核心功能包括可视化编排AI工作流、支持多种模型（如GPT-4、Claude等）以及RAG引擎[^1]。 #### 一、实现AI代理的步骤 1. **环境搭建** ```bash # 使用Docker部署 git clone https://github.com/langgenius/dify cd dify && docker-compose up -d ``` 2. **创建AI应用** - 在仪表盘选择"创建空白应用" - 配置基础信息：命名空间、模型供应商（如OpenAI） - 设置API密钥：$API_KEY = os.getenv("OPENAI_API_KEY")$ 3. **配置Agent工具** ```yaml # agent_tools.yml示例 tools: - type: web_search config: engine: google max_results: 5 - type: code_interpreter enable: true ``` #### 二、核心功能实现 1. **对话流程控制** ```python from dify_client import DifyClient client = DifyClient(api_key="your_api_key") response = client.generate( inputs={"query": "查询北京天气"}, tools=["web_search", "knowledge_base"], reasoning_mode="chain_of_thought" # $f(x)=\sum_{i=1}^n w_i x_i$ ) ``` 2. **记忆机制** $$M_t = \alpha M_{t-1} + (1-\alpha)E_t$$ 其中$\alpha$为记忆衰减因子，$E_t$为当前对话的嵌入向量 #### 三、典型应用场景 1. 客服自动化（支持上下文保持[^1]） 2. 数据分析助手（集成SQL执行器） 3. 智能文档处理（基于RAG引擎） ```python # RAG实现示例 def retrieve_context(query): embedding = model.encode(query) return vector_db.search(embedding, top_k=3) ```
评论
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