Dify 工作流基礎：從 Chatflow 與 Workflow 認識節點
為什麼需要工作流？
在建構 AI 應用的過程中，單靠提示詞 (Prompt) 有時不足以處理複雜邏輯。 工作流 (Workflow) 的出現，正是為了將複雜任務拆解為「節點 (Node)」的形式，讓系統更有結構、更穩定。 它的好處包括：
- 降低複雜度：把大問題拆成小步驟。
- 提升可靠性：明確的流程比「黑箱推理」更穩定。
- 方便調試與擴展：每個節點都能獨立檢查，靈活修改。
- 提升可解釋性：知道系統是怎麼一步步產生結果。
Dify 工作流的兩種類型
Dify 的工作流主要分為兩類，分別對應不同應用場景：
| 類型 | 特點 | 適用情境 |
|---|---|---|
| Chatflow | 專為 對話式應用 設計，內建對話歷史 (Memory)，支援多輪互動與即時回覆。 | 客服助理、FAQ 機器人、語義搜尋對話等 |
| Workflow | 專為 自動化/批處理 設計，支援邏輯判斷、程式碼執行與外部 API 調用。 | 批量翻譯、報表生成、數據分析、郵件自動化等 |
Note
- Chatflow 有「Answer 節點」與「聊天記憶 (Memory)」功能。
- 給予指令→ 產生內容→ 就內容進行多次討論→ 重新產生結果→ 結束
- Workflow 則沒有多輪對話記憶，但能更靈活地進行批量與流程自動化。
- 給予指令→ 產生內容→ 結束
常見案例
以下是幾個典型的工作流應用場景：
-
客戶服務助理
透過 Chatflow 整合知識庫，LLM 可以自動回應常見問題，減輕人工客服壓力，並保留對話歷史方便後續追蹤。 -
內容生成
使用 Workflow，輸入一個主題或大綱即可批量生成文章、產品描述或行銷文案，大幅節省時間。 -
任務與專案自動化
結合外部工具（如 Trello、Slack、Lark），可以自動建立任務、更新狀態或發送通知，讓專案管理更高效。 -
數據分析與報告生成
對大型資料集進行統計、檢索與整理，再交由 LLM 生成圖表、摘要或商業洞察，幫助決策者快速掌握重點。 -
郵件自動化處理
透過工作流，系統可以自動起草郵件或社群貼文，只要輸入重點，LLM 就能生成專業且結構良好的內容。
節點：工作流的組成核心
節點是工作流的核心，每個節點代表一個獨立的操作或邏輯。 你可以把節點想像成「積木」，透過連接它們，拼湊出完整的 AI 流程。
以下是 Dify 目前提供的核心節點清單：
| 節點名稱 | 說明 |
|---|---|
| 開始（Start） | 定義工作流的啟動參數。 |
| 結束（End） | 定義 Workflow 的最終輸出。 |
| 回覆（Answer） | Chatflow 專屬，用於輸出對話回應。 |
| 大語言模型（LLM） | 調用 LLM 進行推理、生成或處理語言。 |
| 知識檢索（Knowledge Retrieval） | 從知識庫中檢索相關內容，提供給下游節點使用。 |
| 問題分類（Question Classifier） | 使用 LLM 判斷用戶問題所屬的分類。 |
| 條件分支（IF/ELSE） | 根據條件判斷，分流不同邏輯路徑。 |
| 程式碼執行（Code） | 執行 Python / NodeJS 程式碼，自定義處理邏輯。 |
| 模板轉換（Template） | 透過 Jinja2 模板語法進行格式轉換與文本處理。 |
| 變數聚合（Variable Aggregator） | 將多路分支的變數整合為一個輸入，方便後續使用。 |
| 參數提取器（Parameter Extractor） | 從自然語言中抽取結構化參數，用於 API 或工具調用。 |
| 迭代（Iteration） | 對列表逐一處理，直到完成所有結果。 |
| HTTP 請求（HTTP Request） | 發送 HTTP API 請求，與外部系統交互。 |
| 工具（Tools） | 調用 Dify 內建工具、自訂工具或子流程。 |
| 變數賦值（Variable Assigner） | 向變數（如會話變數）進行賦值操作。 |
| 循環（Loop） | 持續執行任務，直到滿足退出條件或達到次數上限。 |
下一步？
本文僅介紹了 Dify 工作流的基礎觀念 包含工作流的兩種類型，以及節點在流程設計中的角色。 在後續文章中，我會逐一拆解每一個節點，說明：
- 節點的用途
- 常見的應用場景
- 實作範例與技巧
讓你能逐步掌握如何靈活運用這些節點，打造真正實用的 AI 工作流。