AI Agent开发第48课-DIFY中利用AI动态判断下一步流程-DIFY调用API、REDIS、LLM

置顶 于 2025-05-03 11:28:06 发布
阅读量761 收藏
点赞数 29
分类专栏： AI Agent开发大全 文章标签： AI Agent Dify工作流 Dify Dify AI Agent Dify MCP AI工作流 Agent Flow
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/lifetragedy/article/details/147672249
版权

开篇

之前我们在《AI Agent开发第47课-DIFY处理多步流程慢？你确认用对了？》中讲述了DIFY的设计中在整合多步LLM时如避免过多调用LLM的良好设计，并给出了AI工作流的相应设计手法。今天我们要在上一篇的基础上把“上门维修预约”这个流程进一步按照实际业务需求加入用户在整个问答过程中加入AI用行为判断来根据用户当的输入是：【确认】还是【取消】判断下一步流程到底如何“流向”的实际真实案例怎么走，甚至我们加入了即不是“确认”也不是“取消”的第三种状态的AI判断（取自本人为某巨型物业公司制作的AI自动派工单系统）。

从现实需求出发来设计

用户的现实需求

用户在派工单场景中的第一步：提述求

当一个客户在向AI述求“我家的煤气气有股子臭鸡蛋味”时，此时意为煤气有泄漏。此时作为客服人员需要把用户的问题记录下来。

同时，它要查

了解本专栏 订阅专栏 解锁全文
AI Agent开发第46课-AI Agent开发必学之DIFY-安装
打造全国最全的AI Agent开发知识领域的博客
04-27 236
本教程详细介绍了为什么在AI Agent开发过程中必须要使用工作流，以及AI工作流Dify最新版的安装，更讲述了在网上不呈提及的如何使用Restful API访问Dify中不同工作流的方法，为不可多得的Dify入门教程。
无缝融入，即刻智能[一]：Dify-LLM大模型平台，零编码集成嵌入第三方系统，42K+星标见证专属智能方案
丨汀、的博客
08-12 6345
无缝融入，即刻智能[一]：Dify-LLM大模型平台，零编码集成嵌入第三方系统，42K+星标见证专属智能方案
ChatGPT 基于Dify 构建ai客服详细教程（git-docker-dify-gpt）-- 第三次更新文档
yyklbfh的博客
04-22 5956
复制包括 3 个业务服务 api / worker / web，以及 4 个基础组件 weaviate / db / redis / nginx。复制。
LLM大语言模型私有化部署-使用Dify与Qwen2.5打造专属知识库
Heartsuit的博客
12-14 1667
介绍了如何使用Ollama和Dify搭建个人AI助手。首先通过Ollama私有化部署了Qwen2.5(7B)模型，然后使用Docker Compose一键部署了Dify社区版平台。在Dify平台上，创建了基于Qwen2.5模型的聊天助手，并添加了个人知识库作为上下文，实现了真正的个人助手功能。文章最后还介绍了离线部署方案，包括如何导出/导入Docker镜像和迁移模型文件，方便在无互联网环境下部署使用。整个过程展示了从模型部署到应用构建的完整流程，为搭建私有化AI助手提供了实践指导。
利用 Llama 3.1模型 + Dify开源LLM应用开发平台，在你的Windows环境中搭建一套AI工作流
宝耶需努力的技术分享博客
10-12 2951
利用 Llama 3.1模型 + Dify开源LLM应用开发平台，在你的Windows环境中搭建一套AI工作流
Dify+DeepSeek-R1: 我的超强AI工作流,详细的部署与使用实录
热门推荐
2401_85375186的博客
02-04 6万+
上面演示的只是Dify最简单的聊天应用知识库和工作流的使用,还有更多的功能和工作流值得您挖掘，更多高级的用法玩Dify的工作流本身就像搭积木一样，用它来搭建各种有趣的 AI 应用。比如做一个智能客服，帮你自动回答客户的问题；或者做个私人助理，帮你整理文档、写邮件、做会议记录；甚至可以做个创意助手，帮你写文案、做营销策划、设计广告语。你不需要写复杂的代码，只要像拖拽积木一样，把不同的功能模块组合在一起，就能做出你想要的应用。它就像是给你一套 AI 魔法工具，让你能轻松地把脑子里的想法变成现实。
AI智能体研发之路-工程篇（二）：Dify智能体开发平台一键部署
huang9604的博客
09-16 4172
Dify内置了包含搜索引擎、天气预报、维基百科、SD等工具，同时自定义工具的配置化接入，团队成员一人接入，全组复用，高效！临下班了，本来只是想参加个话题活动，洋洋洒洒几千字。可能加入了太多感慨吧。本文首先结合自己的工作写了一些对Agent AI智能体的见解，接着介绍了Dify框架快捷部署的过程，最后阐述了Dify框架的特点。个人认为Dify的发展会让Agent AI智能体开发提效，涌现更多有趣有价值的AI应用。
[AI实战]开源 LLM 应用开发平台 Dify 全栈部署指南（Docker Compose 方案）
曼岛_的博客
04-05 1555
开源 LLM 应用开发平台 Dify 全栈部署指南（Docker Compose 方案）
【人工智能时代】- 使用dify源码本地部署LLM应用开发平台
xiaoli8748的专栏
09-25 1769
现在大模型应用平台让人挑花了眼，想创建个人智能体的选择越来越多了，列举一些国内主流AI平台：
雷达驱动 rplidar-ros 与建图算法 hector-slam 资源包
05-03
雷达驱动 rplidar-ros 与建图算法 hector-slam 资源包
威纶通触摸屏与汇川SV660P伺服通讯程序：实现正反转控制、速度与电压监测功能，实时在线模拟并修改COM口监控模块温度
最新发布
05-03
内容概要：本文详细介绍了威纶通触摸屏与汇川SV660P伺服之间的Modbus RTU通讯实现方法，涵盖硬件接线、通讯参数配置、控制逻辑脚本编写以及状态监控等方面的内容。具体来说，文章首先讲解了硬件接线注意事项，如终端电阻设置和双绞线连接方式；接着深入探讨了通讯参数配置，包括波特率、数据位、停止位和校验方式等；然后展示了如何通过宏指令和Lua脚本实现正反转控制、速度设定等功能；最后讨论了状态监控部分，如母线电压和温度监测，并提供了相应的代码示例。此外，还分享了一些调试经验和常见问题解决方案。 适合人群：从事工业自动化领域的工程师和技术人员，尤其是对Modbus RTU通讯有一定了解的人群。 使用场景及目标：适用于需要通过触摸屏控制多台伺服电机并进行实时数据监控的场合，旨在帮助技术人员快速掌握具体的实现步骤和技巧，提高工作效率。 其他说明：文中提供的代码片段可以直接应用于实际项目中，但需要注意根据实际情况调整相关参数。同时，在调试过程中可能会遇到一些问题，如通讯不稳定或数据异常等，此时可以根据文中提到的经验进行排查和解决。
铜陵区县边界，矢量边界，shp格式
05-03
矢量边界，行政区域边界，精确到区县，可直接导入arcgis使用
基于机器学习的锂离子电池容量估计与寿命预测：多通道充电配置与神经网络应用
05-03
内容概要：本文详细探讨了利用机器学习技术进行锂离子电池容量估计和健康状态预测的方法。首先介绍了充电数据的获取和预处理步骤，包括电压、电流、温度等多通道时序数据的采集和归一化处理。接着分别尝试了三种不同的神经网络模型：前馈神经网络（FNN）、卷积神经网络（CNN）和长短时记忆网络（LSTM），并分析了各自的优缺点。实验结果显示，FNN适用于结构化特征，CNN擅长捕捉局部模式，LSTM则在处理时序依赖方面表现出色。最终提出了一种融合模型，结合CNN和LSTM的优势，实现了更高的预测精度。此外，文中还讨论了数据预处理、模型优化以及实际应用中的注意事项。 适合人群：从事电池管理系统、机器学习、数据分析等相关领域的研究人员和技术人员。 使用场景及目标：①用于电池健康状态监测系统的设计与开发；②提高电池容量估计的准确性，延长设备使用寿命；③优化电池管理系统的性能，确保设备安全运行。 其他说明：文中提供了详细的代码示例，帮助读者更好地理解和复现实验结果。同时强调了数据预处理和特征工程的重要性，指出合理的数据处理方式能够显著提升模型的表现。
Python遥感 - 栅格数据Sen+MK长时间序列趋势分析+显著性检验代码（附示例数据）
05-03
本研究利用Sen+MK方法分析了特定区域内的ET（蒸散发）趋势，重点评估了使用遥感数据的ET空间变化。该方法结合了Sen斜率估算器和Mann-Kendall（MK）检验，为评估长期趋势提供了稳健的框架，同时考虑了时间变化和统计显著性。 主要过程与结果： 1.ET趋势可视化：研究利用ET数据，通过ET-MK和ET趋势图展示了蒸散发在不同区域的空间和时间变化。这些图通过颜色渐变表示不同的ET水平及其趋势。 2.Mann-Kendall检验：应用MK检验来评估ET趋势的统计显著性。检验结果以二元分类图呈现，标明ET变化的显著性，帮助识别出有显著变化的区域。 3.重分类结果：通过重分类处理，将区域根据ET变化的显著性进行分类，从而聚焦于具有显著变化的区域。这一过程确保分析集中在具有实际意义的发现上。 4.最终输出：最终结果以栅格图和png图的形式呈现，支持各种应用，包括政策规划、水资源管理和土地利用变化分析，这些都是基于详细的时空分析。 ------------------------------------------------------------------- 文件夹构造： data文件夹：原始数据，支持分析的基础数据（MOD16A2H ET数据 宁夏部分）。 results文件夹：分析结果与可视化，展示研究成果。 Sen+MK_optimized.py：主分析脚本，适合批量数据处理和自动化分析。 Sen+MK.ipynb：Jupyter Notebook，复现可视化地图。
WASM图像处理：Rust+WebGPU实现浏览器端AI推理.pdf
05-03
文档支持目录章节跳转同时还支持阅读器左侧大纲显示和章节快速定位，文档内容完整、条理清晰。文档内所有文字、图表、函数、目录等元素均显示正常，无任何异常情况，敬请您放心查阅与使用。文档仅供学习参考，请勿用作商业用途。 Rust 以内存安全、零成本抽象和并发高效的特性，重塑编程体验。无需垃圾回收，却能通过所有权与借用检查机制杜绝空指针、数据竞争等隐患。从底层系统开发到 Web 服务构建，从物联网设备到高性能区块链，它凭借出色的性能和可靠性，成为开发者的全能利器。拥抱 Rust，解锁高效、安全编程新境界！
C#三菱FX3U以太网MC协议客户端设计工程源码（带注释+开源dll文件+打包完的安装包）
05-03
内容概要：本文详细介绍了使用C#实现与三菱FX3U系列PLC基于以太网MC协议通信的客户端设计。首先，文中讲解了前期准备工作，如引入必要的网络通信库。接下来，深入探讨了关键代码，包括创建TCP连接、发送MC协议指令、构建命令帧、解析位元件状态等。此外，还提到了数据解析过程中的一些注意事项，如ASCII码转换和字节序处理。为了提高可靠性，实现了重试机制，采用指数退避算法应对网络波动。文中提供了开源的DLL文件，封装了所有协议细节，使调用方只需关注业务逻辑。同时，给出了打包好的安装包，便于快速部署。最后，强调了项目的实用性，展示了在工业自动化项目中的应用实例。 适合人群：从事工业自动化领域的研发人员，尤其是有一定C#编程基础并对PLC通信感兴趣的工程师。 使用场景及目标：适用于需要与三菱FX3U系列PLC进行以太网通信的工业自动化项目。主要目标是帮助开发者快速搭建稳定的通信客户端，减少重复开发的工作量，提升开发效率。 其他说明：项目已在GitHub上开源，包含详细的注释文档和应急调试手册，有助于开发者更好地理解和维护代码。
基于SpringBoot的资源共享与管理平台：用户端BBS业务与管理端后台功能实现
05-03
内容概要：本文详细介绍了基于Spring Boot框架构建的资源共享管理系统的用户端和管理端功能。用户端涵盖资源发布、评论、用户注册登录等功能，通过Spring MVC和Spring Security实现。管理端提供会员信息管理和资源信息管理等功能，采用Spring Data JPA、Redis、JPA Criteria API等技术实现动态查询和缓存优化。此外，文章还探讨了文件上传、异步通知、权限控制等具体技术实现细节，如使用UUID重命名文件、Redis存储关注关系、@Async实现异步任务等。 适合人群：具备一定Java开发经验，特别是熟悉Spring Boot框架的研发人员。 使用场景及目标：适用于需要构建资源共享管理系统的开发者，帮助他们理解和掌握Spring Boot在实际项目中的应用，包括前后端交互、安全管理、数据处理等方面的具体实现。 其他说明：文中提供了大量代码片段，展示了各个功能模块的具体实现方式，有助于读者深入理解Spring Boot的开发流程和技术细节。
少儿编程scratch项目源代码文件案例素材-海盗预告片.zip
05-03
少儿编程scratch项目源代码文件案例素材-海盗预告片.zip
遗传算法与粒子群算法优化ELM预测对比模型：连接权值与隐含层神经元阈值的优化程序
05-03
内容概要：本文详细介绍了如何利用遗传算法（GA）和粒子群算法（PSO）对极限学习机（ELM）进行优化，以提高其预测性能。首先构建了一个基础ELM模型，然后分别实现了GA-ELM和PSO-ELM两个优化版本。文中不仅提供了完整的代码实现，还解释了各算法的工作原理及其在优化过程中所起的作用。通过实验对比，展示了不同优化方法在预测精度和收敛速度方面的差异，并给出了具体的应用建议。 适合人群：具有一定机器学习基础的研究人员和技术开发者，尤其是对进化算法和神经网络感兴趣的从业者。 使用场景及目标：适用于需要提升ELM预测能力的实际项目中，如金融预测、天气预报等领域。主要目标是通过引入GA和PSO优化ELM的连接权值与隐含层神经元阈值，从而获得更好的泛化能力和更高的预测准确性。 其他说明：文中提供的代码可以直接运行并用于测试不同的优化策略。对于特定应用，可以根据实际情况调整相关参数，如种群大小、最大迭代次数等。此外，作者还提到了一些调参技巧以及不同算法之间的优缺点对比，帮助读者更好地理解和应用这些优化方法。
dify案例mermaid流程图
03-27
<think>嗯，用户现在在找Dify项目的Mermaid流程图案例。我需要先确认Dify的官方文档里有没有相关的例子。用户之前提到了Dify的Helm Chart教程和迁移到Rill-Flow的情况，可能他们现在想用Mermaid来画工作流或者部署流程。 首先，我应该检查Dify的官方文档，比如他们的GitHub仓库或者用户手册。根据引用[2]，Dify的Helm Chart项目地址是gitcode上的一个镜像，可能里面会有部署流程的说明，但不一定有Mermaid图。另外，引用[1]提到他们从Dify迁移到Rill-Flow，但保留了界面兼容，所以可能用户需要的是工作流引擎的流程图示例。 如果官方文档里没有现成的Mermaid案例，可能需要根据Dify的工作流程自行创建。比如，用户构建应用的过程可能包括创建应用、配置LLM、设置知识库、部署这几个步骤。或者部署架构可能涉及前端、后端、数据库等组件。 另外，用户可能是在寻找如何将Dify的工作流用Mermaid表示，比如数据处理流程或AI模型调用流程。这时候需要参考Dify的工作流设计，结合Mermaid的语法来构建示例。 还要考虑到用户可能不太熟悉Mermaid，所以提供的示例应该简单明了，语法正确，方便他们修改使用。同时，建议他们查阅Dify的官方文档和社区资源，可能会有更多案例。</think>目前Dify项目的公开文档中未直接提供Mermaid流程图案例，但根据其架构和工作流设计特点，可构建以下两种典型场景的流程图示例： ### 示例1：Dify应用构建流程（Mermaid语法） ```mermaid graph TD A[创建新应用] --> B[配置LLM提供商] B --> C{选择模型类型} C -->|对话型| D[设置对话开场白] C -->|文本生成型| E[配置prompt模板] D --> F[添加知识库] E --> F F --> G[测试预览] G --> H[发布应用] ``` ### 示例2：Dify部署架构图（基于Helm Chart）[^2] ```mermaid flowchart LR subgraph Kubernetes集群 A[Ingress] --> B[Dify-Web] A --> C[Dify-API] B --> D[PostgreSQL] C --> D C --> E[Redis] C --> F[MinIO] end G[外部LLM服务] --> C ```
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

打赏作者

TGITCIC

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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