Dify 第2课：工作流编排实战

2026/6/23 0:07:53

面试目标：能白板画出至少 3 种工作流模式，并且讲清楚每种模式适合什么场景。

1. 先搞清楚：Dify 的几种应用类型

打开你的 Dify 后台，创建应用时你会看到三种类型：

类型	说明	面试价值
对话型	聊天机器人，一问一答	低
文本生成型	输入→输出，单次处理	中
工作流型	多步骤编排，有分支有循环	高

面试必问：“工作流和 Agent 有什么区别？”

工作流是确定性的，每一步固定；Agent 是自主性的，自己决定调用什么工具。面试时把这点讲清楚，面试官就会觉得你有深度。

2. 核心节点一览（面试重点）

打开工作流编辑器，左边就是节点面板。这 7 种是你必须掌握的：

节点	作用	面试话术
LLM	调用大模型	最基本的，没它不行
知识检索	从知识库里搜	RAG 的核心
代码执行	跑 Python/JS 代码	补足 LLM 的计算短板
HTTP 请求	调第三方 API	打通外部系统
条件分支	if/else 逻辑	工作流的大脑
迭代	循环处理列表	批量处理
变量聚合	合并多路输出	并联节点的汇合点
模板转换	转换数据格式	数据清洗/重组

面试加分：“Dify 的工作流是DAG（有向无环图），所以天然支持并行执行——你可以让知识检索、LLM、HTTP 请求同时跑，最后用变量聚合节点汇总结果。”

3. 动手：3 个实战工作流

你现在就打开 Dify 后台自己搭，我当你的架构师。

🏗️ 实战 1：智能客服 RAG 问答

用户输入 ↓ ┌─────────────┐ │ 知识检索 │ ← 从知识库里搜相关文档 └──────┬──────┘ ↓ ┌─────────────┐ │ LLM 生成 │ ← 结合检索结果 + 用户问题生成回答 └─────────────┘ ↓ 输出

面试点：“这个架构解决了 LLM 的幻觉和时效性问题，把知识源和推理过程分离。”

🏗️ 实战 2：内容审核 + 自动回复

用户输入 ↓ ┌─────────────┐ │ LLM 审核 │ ← 判断内容是否合规 └──────┬──────┘ ↓ 条件分支 ├── 违规 → 拒绝回复 + 记录 └── 正常 → ┌─────────────┐ │ LLM 回复 │ └─────────────┘

面试点：“条件分支让工作流有了决策能力，这在需要内容安全审核的场景下非常关键。工作流的优势就在这里——每一圈处理都可以被审计和优化。”

🏗️ 实战 3：多工具 Agent（高阶）

用户输入 ↓ ┌─────────────┐ │ 意图识别 │ ← 小模型判断用户想干嘛 └──────┬──────┘ ↓ 条件分支（路由） ├── 查天气 → HTTP 请求（天气 API） ├── 写代码 → 代码执行（Python） └── 一般问答 → LLM 直接回复 ↓ 变量聚合 → 输出

面试核弹：“这个架构其实就是 Agent 的雏形。Dify Agent 的底层就是多轮工作流——每轮 Agent 调用相当于在工作流里跑一次工具选择-执行-结果回传的循环。”

4. 变量的作用域（高频考点）

工作流里最坑人也最常考的就是变量作用域：

变量类型	作用范围	示例
系统变量	整个会话	`sys.query`,`sys.dialogue_count`
节点变量	只在自身节点	某个 LLM 的输出
环境变量	整个 App	API Key、配置参数
会话变量	整个对话周期	用户名、上下文