工作流通过将复杂的任务分解成较小的步骤（节点）降低系统复杂度，减少了对提示词技术和模   型推理能力的依赖，提高了 LLM 应用面向复杂任务的性能，提升了系统的可解释性、稳定性和容 错性。

Dify 工作流分为两种类型：Chatflow和Workflow：

   Chatflow面向对话类情景，包括客户服务、语义搜索、以及其他需要在构建响应时进行多步 逻辑的对话式应用程序，该类应用特点在于支持对生成的结果进行多轮对话交互，调整生成  的结果。

  Workflow面向自动化和批处理情景，适合高质量翻译、数据分析、内容生成、电子邮件自 动化等应用程序。该类型应用无法对生成的结果进行多轮对话交互。

Chatflow和Workflow两者相比，chatflow增加了 Chatbot 特性的支持。Chatflow常见的交互  路径为：给出指令 → 生成内容 → 就内容进行多次讨论 → 重新生成结果 → 结束。Workflow常 见的交互路径为给出指令 → 生成内容 → 结束。

Chatflow和Workflow的创建位置如下：

工作流节点

为了更好的使用Dify中的工作流（Chatflow/Workflow），我们先了解下工作流中的节点。节点 是工作流中的关键构成，通过连接不同功能的节点，执行工作流的一系列操作。下面介绍常用的 节点。

开始节点

"开始" 节点是每个工作流应用（Chatflow / Workflow）必备的预设节点，为后续工作流节点以 及应用的正常流转提供必要的初始信息，例如应用使用者所输入的内容、以及上传的文件等。

如下是工作流应用（Chatflow / Workflow）开始节点的设置页，可以看到“输入字段”和预设 的系统变量。

  输入字段

输入字段功能由用户设置，用于让用户主动补全更多信息。例如在周报应用中要求用户按照格式   预先提供更多背景信息，如姓名、工作日期区间、工作详情等。这些前置信息将有助于 LLM 生成 质量更高的答复。

输入字段支持文本、段落、下拉选项、数字、单文件、文件列表六种类型。

  系统变量

系统变量指的是在 Chatflow / Workflow 应用内预设的系统级参数，可以被应用内的其它节点全 局读取。

Chatflow 类型应用提供以下系统变量：

Workflow 类型应用提供以下系统变量：

LLM节点

LLM 节点是 Chatflow/Workflow 的核心节点。该节点能够利用大语言模型的对话/生成/分类/处 理等能力，根据给定的提示词处理广泛的任务类型，并能够在工作流的不同环节使用。选择合适  的模型，编写提示词，你可以在 Chatflow/Workflow 中构建出强大、可靠的解决方案。

LLM节点设置页如下：

  模型：选择LLM模型。

  上下文（可选）：上下文可以理解为向 LLM 提供的背景信息，常用于填写知识检索的输出变 量。

   SYSTEM:指定提示词，告诉模型做什么事情。

  记忆：是否开启聊天记忆。

  视觉：开启视觉功能允许模型输入图片，并根据图像内容的理解回答用户问题。

  输出变量：模型生成内容输出的变量。

直接回复节点

定义一个 Chatflow 流程中的回复内容。你可以在文本编辑器中自由定义回复格式，包括自定义 一段固定的文本内容、使用前置步骤中的输出变量作为回复内容、或者将自定义文本与变量组合 后回复。

直接回复节点设置页如下：

案例一 ：创建chatflow，根据用户输入的关键词生成标题。

1) 在开始节点中加入自定义字段“title”

2) 加入LLM节点，配置模型根据用户关键字生成标题

在LLM中配置提示词:“你是一个专业的标题撰写大师，请根据用户输入的{{title}}来生成吸引眼球 的标题。”

3) 创建直接回复节点，配置输出格式

4) 运行与分布模型

点击“预览”可以测试chatflow，点击“发布”可以发布模型到工作区。

点击发布将Chatflow应用发布到工作区。

文档提取器节点

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。

文档提取器节点设置页如下：

  输入变量：文档提取器仅接受一个文件或者多个文件，对应File和Array[File]。文档提取器仅 能够提取文档类型文件中的信息，例如 TXT、Markdown、PDF、HTML、DOCX 格式文件  的内容，无法处理图片、音频、视频等格式文件。

  输出变量：输出变量固定命名为 text。输出的变量类型取决于输入变量（输入为File则输出 为string；输入为File[Array]则输出为array[string]）。

案例二：创建chatflow，使用大模型分析文档内容，根据文档内容回复用户问题。

1) 创建开始节点，添加单文件变量并命名为pdf

2) 添加文档提取节点，并在输入变量中选择pdf变量

3) 添加LLM节点

LLM节点中设置系统提示词：“请读取文档{{text}}内容，并根据文档中的内容回答用户问题”。 特别提示：text为文档提取器输出变量，不要选择pdf变量，因为LLM无法直接读取pdf文件。

4) 添加直接回复节点，输出模型结果

5) 测试并发布chatflow

预览测试：

发布使用：

知识检索节点

知识检索节点用于从知识库中检索与用户问题相关的文本内容，可作为下游 LLM 节点的上下文来 使用，知识检索节点常用于构建基于外部数据/知识的 AI 问答系统（RAG）系统。

知识检索节点设置页如下：

当用户提问时，若在知识检索中召回了相关文本，文本内容会作为上下文变量中的值填入提示    词，提供 LLM 回复问题；若未在知识库检索中召回相关的文本，上下文变量值为空，LLM 则会 直接回复用户问题。

案例三：创建chatflow，构建医学知识问答系统（RAG）。

1) 在“知识库”中创建知识库

在知识库中上传“内科学.pdf”文件，构建知识库。

2) 创建开始节点

3) 创建知识检索节点

4) 创建LLM节点

LLM节点中要设置上下文，上下文就是知识检索节点中的知识库，并且需要在SYSTEM中引用上 下文，让LLM知道回答用户问题所引用的知识库。

你是一个精通内科学的高手，使用以下内容作为你所学习的知识，放在<context></context>标签内。

<context> {{上下文}}

</context>

回答用户时，仅能根据知识库中的内容来回复用户问题，避免提及你是从上下文中获取的信息，如果你不知道，就

5) 创建直接回复节点

6) 测试并发布chatflow

预览测试：

发布使用：