DeepTalk来了！用 Dify 工作流+Agent 模拟圆桌讨论，内容质量提升300%！

dify实验室

基于LLMOps平台-Dify的一站式学习平台。包含不限于：Dify工作流案例、DSL文件分享、模型接入、Dify交流讨论等各类资源分享。

本文受圆桌讨论启发，将详细介绍如何利用 Dify 平台，如何围绕一个核心议题，深入、多维地展开探讨，激发不同视角的碰撞，从而生成高质量文章。最终编排一个名为 "DeepTalk" 的高级聊天应用工作流，以模拟一场围绕用户指定议题的进行圆桌讨论，进而输出高质量的内容。工作流预览如下：

                                                     （本文DSL文件见文末）

一、 工作流目标与设计思路

本工作流的核心目标是：当用户提出一个讨论议题时，能够自动完成以下任务：

• 生成议题分支：

   基于主议题，智能生成三个既相互关联又各有侧重、能激发多元观点的子话题。

• 设定虚拟嘉宾：

   自动设计一组（本例中为四位）具有不同身份背景、专业视角和发言风格的虚拟专家。

• 模拟多轮讨论：

   组织这些虚拟专家，分别围绕三个子话题进行模拟发言，并允许他们利用外部工具（如搜索）来丰富论据。

• 汇总形成结论：

   将所有讨论内容进行整合，最终形成一个条理清晰、涵盖多方观点的总结性回复。

整体设计思路是模仿真实圆桌讨论的流程：先确定议程（子话题），再邀请嘉宾，然后分环节讨论，最后进行总结。

二、 工作流编排步骤详解

以下是 "DeepTalk" 工作流的具体编排步骤：（本文DSL文件见文末）

1. 开始节点 (Start):

作为工作流的入口，接收用户输入的原始议题（#sys.query#）。这是整个讨论的基础。

2. 生成子话题 (LLM 节点):

• 输入:

   接收开始节点传递过来的用户议题。

• 模型:

   使用 DeepSeek-V3 大型语言模型（通过兼容 OpenAI API 的插件）。

• 提示词 (Prompt):

   指示模型扮演“议题策划人”的角色，围绕主议题设计三个关联且有侧重的子话题，并要求以 JSON 数组格式输出（例如 ["子话题1", "子话题2", "子话题3"]）。

• 输出:

   生成包含三个子话题的 JSON 字符串。

  

3. 解析子话题 (三个 Code 节点):

由于后续讨论需要单独引用每个子话题，我们使用三个独立的 Python 代码节点来解析上一步生成的 JSON 数组。

• 取第一个子话题:

   输入为“生成子话题”节点的输出。代码逻辑是解析 JSON 字符串，并提取数组中的第一个元素（第一个子话题）。代码还考虑了 JSON 可能被错误地转义为字符串内字符串的情况，增加了处理鲁棒性。输出该子话题字符串。

• 取第二个子话题 :

   逻辑同上，但提取 JSON 数组中的第二个元素。

• 取第三个子话题:

   逻辑同上，但提取 JSON 数组中的第三个元素。

• 作用:

   将集中的子话题列表分散为三个独立的、可供后续节点引用的字符串变量。

4. 生成圆桌讨论专家 :

• 输入:

   同样接收开始节点的用户议题。

• 模型:

   使用 DeepSeek-V3 大型语言模型。

• 提示词 (Prompt):

   指示模型扮演“圆桌讨论策划专家”，基于主议题设计四位虚拟嘉宾。明确要求每个嘉宾需包含 role_name (角色名), core_perspective (核心视角), expertise (专长), speaking_style (发言风格), opening_task (首轮发言任务) 这五个关键信息，并严格以包含多个嘉宾对象的 JSON 数组格式输出。

• 输出:

   生成包含四位虚拟专家详细信息的 JSON 字符串。

  

5. 解析专家列表 :

• 输入:

   “生成圆桌讨论专家”节点的输出。

• 代码逻辑:

   解析包含专家信息的 JSON 字符串，确保其被正确解析为一个 Python 列表（List），其中每个元素是一个代表专家的字典（Dictionary）。同样处理了可能的二次解析问题。

• 输出:

   一个包含所有专家资料的列表，供后续迭代节点使用。

6. 模拟分话题讨论 (三个 Iteration 节点):

这是工作流的核心模拟部分，通过三个并行的迭代节点分别处理三个子话题的讨论。

• 迭代器来源:

   三个迭代节点均以“解析专家列表”节点输出的专家列表作为迭代对象。这意味着每个子话题都会让所有四位专家轮流发言。

• 话题1讨论 :
  • Agent 节点 :

     模拟一位专家发言。指令接收当前专家资料，查询结合第一个子话题和其他发言参考，使用搜索工具形成观点。

  • 变量赋值 :

     将发言文本赋值给会话变量 singleoutputs (用于暂存)。

  • 内部流程:
  • 迭代输出:

     收集所有 Agent 的发言文本数组。

• 话题2讨论 :

   结构类似，但使用第二个子话题，结果存入singleoutputt。

• 话题3讨论 :

   结构类似，但使用第三个子话题，结果存入singleoutputf。

  

7. 汇总整理输出 :

• 输入:

   接收原始用户议题(#sys.query#)以及三轮讨论结果的会话变量(#conversation.singleoutputt#, #conversation.singleoutputs#, #conversation.singleoutputf#)。

• 模型:

   使用 DeepSeek-R1 大型语言模型。

• 提示词 (Prompt):

   指示模型扮演“文案整理机器人”，根据用户提问和三轮讨论的具体内容，进行详细且有条理的整理。

• 输出:

   生成一段整合了所有讨论精华的最终文本。

8. 直接回复 (Answer 节点):

将“汇总整理输出”节点生成的文本作为最终结果，回复给用户。

三、 关键技术点

• 大型语言模型 (LLM):

   多次使用 DeepSeek 系列模型进行内容生成（子话题、专家角色、观点阐述、最终总结）。

• 代码节点 (Code):

   利用 Python 代码处理 JSON 解析和数据提取，增强了工作流处理结构化数据的能力和鲁棒性。

• Agent 节点:

   模拟具有独立思考和工具使用能力的参与者，使讨论更接近真实场景。

• 迭代节点 (Iteration):

   高效地让多位专家对同一话题发表意见，实现了并发模拟。

• 变量 (Variables):

   通过会话变量在不同阶段传递数据（如各轮讨论结果），是串联整个复杂流程的关键。

四、 如何使用与价值

用户只需在 "deeptalk" 应用的对话框中输入一个感兴趣的议题，工作流便会自动执行上述所有步骤，最终呈现出一份围绕该议题的多角度、结构化讨论总结。

这个工作流的价值在于：

• 深度探索:

   能够自动从不同维度剖析一个议题。

• 激发创意:

   模拟不同角色的观点碰撞，可能产生意想不到的火花。

• 效率提升:

   自动化地完成了一场小型圆桌讨论的策划、执行与总结工作。

• 辅助决策:

   为复杂问题的思考提供多元化的参考信息。

总结

通过 Dify 平台的可视化编排能力，结合大型语言模型、代码执行、Agent 和迭代等多种节点类型，我们成功构建了一个能够模拟圆桌讨论的复杂工作流。它不仅展示了 Dify 在构建智能应用方面的灵活性和强大功能，也为我们提供了一种探索和理解复杂议题的全新自动化工具。

📚 相关阅读推荐

想更深入地了解本文涉及的 Dify 功能和概念，推荐阅读以下文章：

• Dify工作流节点-Agent - 深入理解模拟专家发言的核心节点。

• Dify工作流节点-迭代- 掌握如何让多位“专家”轮流发言的关键。

• Dify工作流节点-代码执行 - 了解如何处理数据（如解析 JSON）。

• Dify平台工作流编排教程-从基础概念到实施落地（附案例）长文慎入- 全面学习工作流构建的基础与实践。

• Dify工作流构建案例：迭代驱动的多维深度搜索- 查看另一个运用迭代节点的复杂工作流实例。

• 快速上手 Dify Agent：创建你的第一个智能助理（内附模板 - 进一步学习 Agent 的配置与应用。

相关学习资源

关注本公众号（dify实验室）即可获得：DSL编排案例文件、免费token资源、dify讨论社群

公众号主页回复 DSL 获取公众号DSL文件资源

公众号主页回复 入群 获取二维码，我拉你入群

公众号回复 tk  获取免费token资源

你有什么想法可以留言与我讨论。

希望你看完文章主动点赞、评论、转发。