大家好我是专注于技术实战分享的博主。在探索AI应用落地的过程中你是否遇到过这样的困境一个简单的AI功能比如文本总结需要手动调用多个API、处理中间数据、判断逻辑分支代码冗长且难以维护或者想构建一个能自动处理复杂任务的“智能助手”却不知从何下手感觉智能体Agent的概念很酷但很抽象本文将为你彻底解决这些问题。我将以国内主流的Dify平台为例手把手带你从零开始创建你的第一个工作流Workflow和智能体Agent让你直观理解两者的区别与联系并掌握一套可复用的AI应用搭建方法论。无论你是想快速验证AI想法的新手还是希望将AI能力系统化集成到业务中的开发者都能从本文获得清晰的路径和可直接运行的示例。1. 核心概念工作流与智能体究竟是什么在开始动手之前我们必须先厘清两个核心概念工作流Workflow和智能体Agent。它们是构建复杂AI应用的两大基石理解其本质能让你在后续设计和开发中事半功倍。1.1 工作流可视化的自动化流水线你可以把工作流想象成一个工厂的自动化生产线。一条生产线由多个工位节点组成每个工位负责一项特定任务如切割、组装、质检物料数据按照预设的路线连接线在工位间流转最终产出成品。在AI应用开发中工作流是一种通过可视化拖拽方式将多个AI模型能力、逻辑判断、数据处理工具等“节点”连接起来以实现复杂、多步骤任务自动化的图形化编程方式。它的核心特点包括可视化编排无需编写复杂代码通过拖拽和连线即可定义业务流程。节点化每个节点代表一个独立的功能单元如“调用大模型”、“知识库检索”、“条件判断”、“代码执行”等。数据流驱动上一个节点的输出可以作为下一个节点的输入数据在流程中自动传递和处理。确定性流程流程的路径通常是预先定义好的虽然可以有分支IF/ELSE但整体是结构化的。常见应用场景自动化客服问答流程、多步骤内容生成先摘要再翻译、结构化数据提取与分析、固定规则的AI审批流程等。1.2 智能体具备自主决策能力的“AI员工”如果说工作流是预设好程序的机器那么智能体就更像一个有经验的员工。你只需要告诉它一个目标例如“帮我分析一下这份销售报告并给出下季度建议”它能够自己“思考”需要调用哪些工具如查阅知识库、进行数据计算、生成文本并决定执行的步骤顺序。在技术层面智能体是一个能够感知环境、进行决策并执行行动以实现目标的AI系统。它通常基于大语言模型LLM构建具备规划Planning、工具使用Tool Use和记忆Memory等核心能力。它的核心特点包括目标导向你给定一个高级目标智能体自主拆解任务。规划与推理智能体会自己制定计划Plan思考第一步做什么下一步做什么。工具使用智能体可以自主选择并调用外部工具如搜索引擎、计算器、数据库API等。非确定性对于同一个目标智能体每次采取的具体步骤可能因“思考”过程不同而略有差异。常见应用场景自主研究助手、复杂问题诊断专家、跨平台自动化执行、开放域对话机器人等。1.3 工作流 vs. 智能体如何选择理解两者的区别是正确选型的关键。我们可以用一个简单的对比表格来明晰特性工作流 (Workflow)智能体 (Agent)控制方式确定性流程由开发者预先精确设计。非确定性由智能体根据目标和当前状态自主规划。灵活性相对固定修改流程需要调整编排。高度灵活能应对未预先定义的场景。开发复杂度中低逻辑清晰易于调试和复现。中高需要设计好的提示词、工具定义调试更复杂。适用场景流程固定、逻辑清晰、需要稳定输出的任务。目标明确但路径不固定、需要复杂推理和工具调用的任务。类比自动演奏的钢琴按乐谱执行。爵士乐手根据主题即兴发挥。在实际项目中两者并非互斥而是可以协同工作。例如你可以用一个智能体作为“总指挥”在它需要执行某个固定子任务时调用一个封装好的、高可靠的工作流。2. 环境准备注册与初识Dify平台我们将使用Dify作为实践平台。它是一个开源的LLM应用开发平台同时提供了工作流和智能体两种构建模式界面友好功能强大非常适合学习和原型开发。步骤1访问与注册访问 Dify 官方网站此处不提供具体链接请自行搜索“Dify”。点击“开始使用”你可以选择使用其云端服务Dify Cloud或者按照官方文档在本地部署开源版本。对于初学者强烈建议直接使用云端服务无需配置环境。使用邮箱或GitHub账号完成注册和登录。步骤2初始化项目登录后你会进入控制台。点击“创建新应用”。在弹出的窗口中你会看到三个选项对话型应用、工作流和智能体。这正好对应了Dify的三种应用构建范式。对话型应用最简单的聊天机器人主要基于提示词工程。工作流我们本章的重点可视化编排复杂流程。智能体我们下一章的重点创建具备自主能力的AI。为了清晰区分我们先创建一个工作流应用。选择“工作流”输入应用名称例如My-First-Workflow然后点击“创建”。步骤3认识工作流编辑器创建成功后你会进入一个可视化的画布界面这是你的主战场。界面主要分为左侧边栏节点库。这里陈列了所有可用的节点类型如“LLM”、“知识库检索”、“条件判断”、“HTTP请求”、“代码执行”等。中间画布编排区。你可以从这里拖拽节点并用连接线将它们链接起来。右侧边栏配置区。当你选中画布上的某个节点时这里会显示该节点的详细参数配置。底部测试与发布区。你可以在这里输入内容测试你的工作流并发布应用获取API。3. 实战一构建你的第一个工作流——智能内容分析器我们的目标是创建一个工作流用户输入一篇文章的URL工作流自动抓取文章内容然后调用大模型对内容进行“摘要总结”和“情感倾向分析”最后将两个结果合并输出。3.1 设计流程与添加节点首先在脑中或纸上画出流程开始 - 抓取URL内容 - 总结 - 分析情感 - 合并结果 - 输出。现在在Dify画布上操作画布上默认有一个开始节点和一个结束节点。从左侧节点库的“工具”分类下找到HTTP请求节点将其拖到画布上。从“LLM”分类下拖入两个LLM节点到画布。我们可以将其中一个重命名为“总结节点”另一个重命名为“情感分析节点”双击节点名称即可修改。从“工具”分类下拖入一个文本处理节点或“变量分配器/聚合器”不同版本名称可能略有不同其功能是合并文本。3.2 连接节点并配置数据流用鼠标从节点的输出端口右侧小圆点拖拽到下一个节点的输入端口左侧小圆点按照以下顺序连接开始-HTTP请求HTTP请求-总结节点HTTP请求-情感分析节点总结节点-文本处理情感分析节点-文本处理文本处理-结束现在你的画布应该有一个清晰的流向。接下来配置每个节点。3.3 详细配置每个节点1. 配置开始节点选中开始节点在右侧配置区点击“添加变量”。设置变量名称为article_url类型为“字符串”并给它一个示例值比如https://example.com/blog/post1。这个变量将作为我们工作流的输入。2. 配置HTTP请求节点选中HTTP请求节点在右侧配置区URL这里不是写死一个网址而是要引用开始节点的输入。点击输入框选择“变量” -article_url。方法选择GET。请求头可以添加User-Agent来模拟浏览器例如Mozilla/5.0 ...。输出处理由于网页返回的是HTML我们需要提取正文。Dify通常内置了提取功能。在“响应内容处理”中选择“提取文本”。这样节点输出的就是纯文本内容了。我们将这个输出变量命名为article_content。3. 配置总结节点(LLM)选中第一个LLM节点在右侧配置区模型选择一个你可用的大模型如 GPT-3.5-Turbo、Claude 或国内的通义千问、文心一言等。系统提示词编写指令例如“你是一个专业的编辑请用简洁的语言总结以下文章的核心内容不超过200字。”上下文变量在“用户问题”或“提示词”区域我们需要引入上一步的article_content。通常格式为{{#context#}}或直接选择变量。输入“请总结以下文章{{article_content}}”。将此节点的输出变量命名为summary。4. 配置情感分析节点(LLM)选中第二个LLM节点模型选择同一个或另一个模型。系统提示词例如“你是一个情感分析专家。请分析以下文本所表达的情感倾向判断其为‘积极’、‘消极’或‘中性’并简要说明理由。”上下文变量输入“请分析以下文本的情感倾向{{article_content}}”。输出变量命名为sentiment。5. 配置文本处理节点选中文本处理节点或变量聚合器其作用是将两个LLM的输出合并成一个最终答复。在配置中你需要定义如何组合summary和sentiment。例如在“模板”中输入文章摘要 {{summary}} 情感分析结果 {{sentiment}}将这个合并后的输出变量命名为final_output。6. 配置结束节点选中结束节点在右侧配置区确保它输出的变量是final_output。这样工作流的最终结果就是我们合并后的文本。3.4 运行测试与调试点击画布底部的“调试”或“测试”按钮。在测试面板的输入框中填写article_url的值例如一个真实的博客文章URL。点击“运行”。你可以看到工作流一步步执行每个节点旁边会显示执行状态成功/失败和预览输出。如果某个节点失败比如HTTP请求超时、模型调用失败可以查看错误信息并返回修改配置。运行成功后在最终输出区可以看到格式化的结果。3.5 发布与API调用测试无误后点击右上角的“发布”按钮。发布后这个工作流就成为了一个可对外提供的服务。在应用概览页你可以找到“API访问”信息。Dify会提供API端点Endpoint和密钥API Key。你可以使用cURL、Python requests或任何HTTP客户端来调用它。示例Python调用代码import requests import json api_key 你的-API-Key endpoint https://api.dify.ai/v1/workflows/run payload { inputs: { article_url: https://example.com/your-blog-post # 替换为实际URL }, response_mode: blocking, # 同步等待结果 user: test_user_001 } headers { Authorization: fBearer {api_key}, Content-Type: application/json } response requests.post(endpoint, jsonpayload, headersheaders) result response.json() if response.status_code 200: print(工作流执行成功) print(输出内容, result.get(data, {}).get(outputs, {}).get(final_output)) else: print(请求失败:, response.status_code, result)至此你已经成功创建并发布了一个功能完整的工作流应用。它结构清晰每一步都可控非常适合处理此类有固定步骤的任务。4. 实战二打造你的第一个智能体——多功能研究助手接下来我们创建一个智能体。它的目标是根据用户提出的任何问题智能地决定是否需要联网搜索、查询知识库还是直接回答并最终给出综合性的答复。4.1 创建智能体应用返回Dify控制台点击“创建新应用”。这次选择“智能体”命名为My-Research-Assistant然后创建。4.2 配置智能体的“大脑”提示词与模型进入智能体编辑界面核心配置在“提示词”和“工具”两部分。系统提示词这是智能体的“人格”和核心指令。编写一个详细的提示词至关重要。例如你是一个专业的研究助手名字叫“智研”。 你的核心任务是尽最大努力为用户提供准确、全面、有深度的答案。 你必须遵循以下行动逻辑 1. 首先理解用户问题的本质。判断问题是否需要实时信息如最新新闻、股价、特定领域知识如我提供的知识库内容或通用知识。 2. 如果需要实时信息你必须使用“联网搜索”工具。 3. 如果问题涉及我提供的知识库例如公司内部文档、特定技术手册你必须优先使用“知识库检索”工具。 4. 如果以上都不需要或者工具结果不理想再运用你自身的知识进行回答。 5. 最终的回答必须逻辑清晰注明信息来源如“根据网络搜索...”或“根据知识库...”并对信息不确定性保持诚实。 请开始你的工作。选择模型为智能体选择一个能力强、适合推理的模型如 GPT-4、Claude 3 或国内的同级别模型。4.3 为智能体装备“工具”智能体的强大之处在于能调用工具。我们在左侧找到“工具”配置部分。添加“联网搜索”工具Dify通常集成了Serper、Google Search等工具。点击“添加工具”选择“联网搜索”。你需要根据平台指引配置对应的API Key通常需要去相应服务商网站申请一个免费额度。启用它。添加“知识库检索”工具首先你需要在Dify的“知识库”模块中创建一个知识库例如叫“公司产品文档”并上传你的文档PDF、Word、TXT等。然后在智能体编辑页的“工具”部分点击“添加工具”选择“知识库检索”。在配置中关联你刚创建的“公司产品文档”知识库。可以设置检索模式如相似度匹配、返回条数等。可选添加其他工具如“计算器”、“代码解释器”等让智能体能力更全面。4.4 会话参数与高级设置记忆开启“对话记忆”这样智能体能记住同一会话中的上下文实现多轮对话。推理过程建议开启“在回复中显示推理过程”。这会在最终答案前展示智能体“思考”的步骤如Thought: 用户问的是今天天气我需要实时信息所以我将使用联网搜索工具。这对于调试和理解智能体行为非常有用。4.5 测试智能体点击右上角的“保存”后即可在页面的预览窗格进行测试。测试用例1触发联网搜索输入“今天北京天气怎么样”预期行为你应该能在回复中看到它的推理过程表明它决定使用联网搜索工具然后给出包含实时天气信息的答案。测试用例2触发知识库检索输入“我们公司的主打产品是什么”假设你的知识库里有公司产品介绍预期行为智能体应优先从你上传的知识库中检索相关信息并回答。测试用例3直接回答输入“请用Python写一个快速排序函数。”预期行为这是一个通用编程问题无需搜索或检索知识库智能体应直接调用自身知识生成代码。通过不同测试你可以观察智能体如何根据你的提示词和问题自主规划工具的使用顺序。4.6 发布与集成与工作流类似测试满意后即可发布智能体。发布后你同样获得一个API端点。智能体的API调用方式与对话应用类似但背后是智能体在自主决策。智能体与工作流的核心API区别 工作流的输入输出是结构化的你在节点中定义的变量。而智能体的交互更接近自然语言对话输入是用户的query输出是智能体生成的answer中间可能包含多轮对话conversation_id。5. 进阶工作流与智能体的结合两者结合可以发挥更大威力。一个典型的模式是“智能体调度工作流”。场景用户向智能体提出一个复杂请求“帮我分析一下GitHub上这个项目附URL最近三个月的Issue总结出主要的Bug类型和功能请求。”这个任务可以拆解为抓取Issue列表 - 分类 - 总结。其中“抓取Issue列表”是一个步骤固定但稍复杂的任务涉及调用GitHub API、分页处理。我们可以将“抓取并初步处理GitHub Issue”这个子任务单独封装成一个工作流。这个工作流接收repo_url和time_range作为输入输出结构化的Issue列表。然后我们创建一个智能体并为它装备一个自定义工具这个工具就是调用上述工作流的API。当用户提出请求时智能体通过“思考”决定“要完成这个任务我需要先获取Issue数据我有一个专门的工具工作流可以做这件事。” 然后调用该工具获取到结构化的数据后再进行后续的分类和总结分析。这种架构既利用了工作流处理固定复杂任务的稳定性和高效性又利用了智能体处理开放任务、进行整体规划和决策的灵活性。6. 常见问题与排查思路在搭建过程中你可能会遇到一些典型问题。以下是一个快速排查指南问题现象可能原因排查与解决思路工作流节点执行失败1. 输入数据格式不对。2. API密钥无效或配额不足。3. 节点配置错误如URL错误。4. 节点超时。1. 检查失败节点的输入数据点击节点查看具体报错。2. 检查LLM模型或工具如搜索的API配置。3. 逐一核对失败节点的参数配置。4. 对于HTTP请求等可能耗时的节点在配置中增加超时时间。工作流逻辑错误输出不符合预期1. 节点连接顺序错误。2. 变量引用错误拼写或作用域。3. LLM提示词指令不清晰。1. 使用“调试”模式逐步运行观察每个节点的输入输出。2. 确保在引用变量时使用了正确的变量名如{{article_content}}。3. 优化LLM节点的系统提示词和用户问题使其更精确。智能体不调用工具1. 系统提示词未明确要求使用工具。2. 工具描述不清晰智能体不理解何时使用。3. 模型推理能力不足。1. 在系统提示词中强制规定使用工具的规则和场景使用明确指令。2. 为每个工具编写清晰、具体的描述说明其用途和适用情况。3. 尝试更换更强大的模型如从GPT-3.5升级到GPT-4。智能体工具调用错误或结果不佳1. 工具本身API故障或配置错误。2. 智能体传递给工具的参数格式错误。3. 工具返回的结果太复杂智能体无法理解。1. 单独测试工具功能是否正常。2. 开启“推理过程”显示查看智能体生成的工具调用参数是否正确。3. 考虑在工作流中对工具返回结果进行预处理和简化再提供给智能体。知识库检索效果差1. 文档切分方式不合理。2. 检索相似度阈值设置不当。3. 问题与知识库内容不匹配。1. 调整知识库的文本分割规则如按段落、按字符数。2. 在智能体工具配置中调整“相似度阈值”和“返回数量”。3. 优化用户提问方式或扩充知识库内容。7. 最佳实践与工程建议将工作流和智能体应用到实际项目时遵循以下实践能提升效率与可靠性设计先行在动手拖拽节点或编写提示词之前先用流程图或文字清晰地描述整个业务流程。明确哪些部分是确定性的适合工作流哪些部分需要推理和决策适合智能体。模块化与复用将常用的功能封装成独立的子工作流或智能体工具。例如“数据清洗”、“发送邮件通知”、“生成图表”都可以做成独立模块供多个主流程调用。提示词工程是核心尤其是对于智能体系统提示词的质量直接决定其表现。遵循以下原则角色明确给它一个具体的身份专家、助手等。任务清晰一步一步地说明它应该做什么。格式约束要求它按特定格式如JSON、Markdown输出便于后续程序处理。安全边界明确禁止它做什么如生成有害内容、执行未授权操作。全面的错误处理在工作流中对可能失败的节点如网络请求、第三方API调用配置重试机制或备用路径。在智能体中提示词应包含“如果工具调用失败你该如何应对”的指令。日志与监控在Dify中充分利用其运行记录功能查看每次执行的详细日志。对于生产环境考虑将关键日志推送到你的监控系统以便追踪异常和性能瓶颈。版本管理与迭代Dify支持应用版本管理。在做出重大修改前先发布一个新版本进行测试而不是直接修改已上线的生产版本。建立迭代优化流程根据用户反馈和运行数据持续改进提示词和流程逻辑。成本与性能优化工作流对于不必要串行的节点考虑能否并行执行以缩短总耗时。智能体控制工具调用的次数避免无意义的搜索或检索以降低API调用成本。通用根据场景选择性价比合适的模型不一定所有任务都需要最强大的模型。从可视化的工作流编排到自主规划的智能体构建我们完成了一次完整的AI应用开发之旅。工作流让你能像搭积木一样严谨地构建确定性流程是自动化任务的利器而智能体则为你打开了一扇门去创建能理解目标、自主调用工具、应对不确定性的AI伙伴。理解两者的差异和适用场景是设计优秀AI应用的关键。建议你以本文的案例为起点尝试改造一个自己工作或学习中的重复性任务先用工作流实现它。然后再思考一个更开放的问题尝试用智能体来解决。