人工智能AI本地大模型系列（十六）Dify高阶应用之工作流节点介绍

在Dify中我们不管使用chatflow工作流还是自动化工具工作流，都需要在工作流画布上创建对应的节点和流程。本文介绍下dify工作流中的节点。

一、开始节点

开始节点是每个工作流必备的预设节点，主要的作用是定义流程启动的初始参数，为后续工作流节点以及应用流转提供必要的初始信息，例如应用用户所输入的内容，上传的文件等。

二、LLM节点

LLM节点是配置大模型的节点，他的主要作用是调用大模型语言的能力，处理用户在开始节点中输入的信息，并且给出有效的回应信息。

整个LLM节点是dify工作流中的核心节点，下面我们介绍下LLM节点的核心配置信息。

2.1、上下文变量

llm节点的上下文变量是用于向LLM提供背景信息，常用于在知识检索场景

2.2、图片变量

图片变量主要是在自动化工具工作流的llm中存在的（chatflow工作流暂时没有图片变量），他的标题是视觉：

开启这里的话，我们可以选择一个变量作为图片文件的输出变量

2.3、文件变量

文件变量主要是在system里面使用的：

目前仅有部分LLM支持直接处理并分析文件内容，在dify中戏中提示词已支持输入文件变量，但是不是所有的llm都支持文件，并且不同的llm支持的文件类型也是不一样的，所以在使用文件变量之前，建议去官网确认下当前llm支持的文件类型。

2.4、记忆

记忆主要是存在于chatflow类型的工作流，他的标题为：记忆

记忆主要是为了帮助LLM在应用的时候理解对话上下文。相关说明如下：

记忆：开启记忆后问题分类器的每次输入将包含对话中的聊天历史，以帮助 LLM 理解上文，提高对话交互中的问题理解能力。
记忆窗口：记忆窗口关闭时，系统会根据模型上下文窗口动态过滤聊天历史的传递数量；打开时用户可以精确控制聊天历史的传递数量（对数）。
对话角色名设置：由于模型在训练阶段的差异，不同模型对于角色名的指令遵循程度不同，如 Human/Assistant，Human/AI，人类/助手等等。为适配多模型的提示响应效果，系统提供了对话角色名的设置，修改对话角色名将会修改会话历史的角色前缀。

2.5、模型参数

LLM节点在设置的时候第一个选项就是选择模型，每一个模型在选择的时候，部分模型是支持调试模型参数的，如下图：

模型参数主要是影响模型的输出效果，这些模型参数的核心说明如下：

备注：

1、这里不是所有的模型都支持模型参数的配置。在选择的时候，有下拉让配置模型参数，那么当前模型就支持模型参数的调试，没有下拉配置，则当前模型不支持模型参数的调试。

三、知识检索节点

顾名思义就是用来做知识检索的，他的配置主要是引入知识库的内容：

四、agent节点

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动态选择并执行工具，从而实现多步推理。

五、问题分类器

定义用户问题的分类条件，LLM 能够根据分类描述定义对话的进展方式

配置步骤：

1、选择输入变量，指用于分类的输入内容，支持输入文件变量。客服问答场景下一般为用户输入的问题sys.query；

2、选择推理模型，问题分类器基于大语言模型的自然语言分类和推理能力，选择合适的模型将有助于提升分类效果；

3、编写分类标签/描述，你可以手动添加多个分类，通过编写分类的关键词或者描述语句，让大语言模型更好的理解分类依据。

4、选择分类对应的下游节点，问题分类节点完成分类之后，可以根据分类与下游节点的关系选择后续的流程路径。

六、条件分支

条件分支是流程引擎最核心的部分，主要是配置if-else来做不同的分支流程

七、迭代节点

对数组中的元素依次执行相同的操作步骤，直至输出所有结果，可以理解为任务批处理器。迭代节点通常配合数组变量使用。

例如在长文翻译迭代节点内，如果将所有内容输入至 LLM 节点，有可能会达到单次对话限制。上游节点可以先将长文拆分为了多个片段，配合迭代节点对各个片段执行批量翻译，以避免达到LLM 单次对话的消息限制。

使用迭代的条件是确保输入值已格式化为列表对象；迭代节点将依次处理迭代开始节点数组变量内的所有元素，每个元素遵循相同的处理步骤，每轮处理被称为一个迭代，最终输出处理结果。

八、循环节点

循环执行一段逻辑直到满足结束条件或者到达循环次数上限。

九、代码执行节点

执行一段 Python 或 NodeJS 代码实现自定义逻辑

十、模板转换节点

模板转换节点允许借助 Jinja2 的 Python 模板语言灵活地进行数据转换、文本处理、JSON转换等等。可以合并来自前置节点的变量，创建出单一的文本输出，这非常适合将多个数据源的信息汇总成一个特定格式，满足后续步骤的需求。

比如，前置节点分别输出了一篇文章的标题和内容信息，然后使用模板转换节点拼接成完整的文章，然后输出给用户。

也可以将知识库检索出的信息，整理成Markdown格式并输出

十一、变量聚合器节点

变量聚合节点是工作流中的一个关键节点，它负责整合不同分支的输出结果，确保无论哪个分支被执行，其结果都能通过一个统一的变量来引用和访问。这在多分支的情况下非常有用，可将不同分支下相同作用的变量映射为一个输出变量，避免下游节点重复定义。 

变量聚合器支持聚合多种数据类型，包括字符串（String）、数字（Number）、文件（File）对象（Object）以及数组（Array）。

变量聚合器只能聚合同一种数据类型的变量。若第一个添加至变量聚合节点内的变量数据格式为 String，后续连线时会自动过滤可添加变量为 String 类型。

十二、文档提取器节点

我们都知道，LLM 自身无法直接读取或解释文档的内容。因此需要将用户上传的文档，通过文档提取器节点解析并读取文档文件中的信息，转化文本之后再将内容传给 LLM 以实现对于文件内容的处理。

文档提取器节点可以理解为一个信息处理中心，通过识别并读取输入变量中的文件，提取信息后并转化为 string 类型输出变量，供下游节点调用。

文档提取器节点结构分为输入变量、输出变量：

十三、变量赋值节点

变量赋值节点，顾名思义就是用于向可写入变量进行变量赋值，并且已经支持了我们之前文章内讲过的会话变量。

通过变量赋值节点，你可以将工作流内的变量赋值到会话变量中用于临时存储，并可以在后续对话中持续引用。

我们也可以将对话过程中的上下文、上传至对话框的文件、用户所输入的偏好信息等变量，通过变量赋值节点写入会话变量中，用作后续对话的参考信息。

十四、参数提取器节点

利用 LLM 从自然语言推理并提取结构化参数，用于后置的工具调用或 HTTP 请求。

Dify 工作流内提供了丰富的工具选择，其中大多数工具的输入为结构化参数，参数提取器可以将用户的自然语言转换为工具可识别的参数，方便工具调用。

工作流内的部分节点有特定的数据格式传入要求，如迭代节点的输入要求为数组格式，参数提取器可以方便的实现结构化参数的转换。

十五、http请求节点

允许通过 HTTP 协议发送服务器请求，适用于获取外部数据、webhook、生成图片、下载文件等情景。它让你能够向指定的网络地址发送定制化的HTTP 请求，实现与各种外部服务的互联互通。

该节点支持常见的 HTTP 请求方法：

1、get
2、post
3、head
4、patch
5、put
6、delete

十六、列表操作节点

文件列表变量支持同时上传文档文件、图片、音频与视频文件等多种文件。应用使用者在上传文件时，所有文件都存储在同一个Array[File]数组类型变量内，不利于后续单独处理文件，比如我们可能上传的是一个音频，一个视频，一个word文档和一个图片，但是LLM仅支持读取图片或文本内容等单一值作为输入变量，无法直接读取数组变量，这时候就可以利用列表操作节点在数组变量内提取单独的元素，便于后续节点处理。

列表操作节点可以对文件的格式类型、文件名、大小等属性进行过滤与提取，将不同格式的文件传递给对应的处理节点，以实现对不同文件处理流的精确控制。

列表操作节点一般用于提取数组变量中的信息，通过设置条件将其转化为能够被下游节点所接受的变量类型。它的结构分为输入变量、过滤条件、排序（可选）、取前 N 项（可选）、输出变量。

例如允许用户同时上传文档文件和图片文件两种不同类型的文件。需要使用列表操作节点进行分拣，将不同的文件类型交由不同流程处理。

十七、结束节点

定义一个工作流程结束的最终输出内容。每一个工作流在完整执行后都需要至少一个结束节点，用于输出完整执行的最终结果。

结束节点为流程终止节点，后面无法再添加其他节点，工作流应用中只有运行到结束节点才会输出执行结果。若流程中出现条件分叉，则需要定义多个结束节点。

结束节点需要声明一个或多个输出变量，声明时可以引用任意上游节点的输出变量。

以上就是dify中工作流相关的节点，比较重要的节点我们做了详细说明，普通点的一般都是日常接触到的，所以没有做过多解释，大家可以多尝试下。