1.开始节点

开始 节点是每个 Dify Workflow 或 Chatflow 应用的“入口”，负责收集用户的初始输入与上下文信息，为后续节点的执行提供必要的数据支持。

定义与作用

• 定义：预设的必备节点，应用运行时首先被触发，用于采集使用者输入的各种信息（文本、文件等），同时注入一系列系统级变量。

• 主要作用：

  1. 采集前置输入：让用户按照应用设计的格式，主动填写关键参数或上传文件，减少后续模型提问的歧义。
  2. 初始化系统变量：将 sys.query、sys.user_id、sys.app_id 等内置变量注入流程，便于整个工作流或对话的上下文管理、分支判断与日志监控。

配置项

1. 输入字段（Input Fields）

在“开始”节点的配置页，可自定义为用户收集哪些信息，所有字段都可设为“必填”或“可选”。支持六种类型：

类型	含义	适用场景示例
文本	单行短文本，最多 256 字符	用户姓名、项目名称、短问句
段落	多行长文本	项目背景、详细描述、用例要求
下拉选项	预设固定选项列表	产品类型、文档格式、语种选择
数字	仅限数字输入	时间范围跨度、数量阈值
单文件	单个文件上传（文档/图片/音视频等）	用户简历、合同附件、数据样本
文件列表	批量文件上传	多份报告、图片集、音视频素材

Tip：若需对上传的图片、音频或视频进行进一步处理，可结合“外部数据工具”节点，将文件先传入自定义脚本或第三方服务做格式转换与提取。

2. 系统变量（System Variables）

“开始”节点自动注入平台预设变量，供后续所有节点全局读取。

2.1 Workflow 应用中的系统变量

变量名	类型	说明
sys.files [LEGACY]	Array[File]	用户上传的图片（如启用了“图片上传”）。
sys.user_id	String	本次运行的唯一用户标识。
sys.app_id	String	应用（Workflow）本身的唯一标识。
sys.workflow_id	String	工作流定义的唯一 ID，用于区分不同流程结构。
sys.workflow_run_id	String	每次流程执行的唯一实例 ID，便于日志跟踪与监控。

2.2 Chatflow 应用中的系统变量

变量名	类型	说明
sys.query	String	用户在对话框中首次输入的文本。
sys.files	Array[File]	用户在对话中上传的文件。
sys.dialogue_count	Number	当前对话轮数（每触发一次用户输入即 +1），可用于分支逻辑或多轮回顾。
sys.conversation_id	String	整个会话的唯一标识，保证多轮问答在同一上下文中持续。
sys.user_id	String	分配给每个使用者的唯一标识符，用于区分不同用户对话。
sys.app_id	String	Chatflow 应用本身的唯一 ID。
sys.workflow_id	String	与 Workflow 共用，用于记录底层节点结构。
sys.workflow_run_id	String	与 Workflow 共用，用于日志与监控。

使用场景示例

1. 智能周报生成

   • 输入字段：姓名（文本）、日期区间（下拉或数字）、工作内容（段落）。
   • 意义：帮助 LLM 理解要生成哪位同事、哪个时间段的周报，以及背景细节。

2. 合同审查助手

   • 输入字段：上传合同 PDF（单文件）、选择审查类型（下拉）、补充说明（段落）。
   • 意义：自动将合同文本提取入后续“知识检索”节点，再由 LLM 结合类型给出审查要点。

3. 多轮对话问答机器人

   • 输入字段：首问（文本），可选上传资料（文件列表）。
   • 意义：sys.dialogue_count 计数后续对话轮数，实现第 N 轮回顾或自动 summary。

2.LLM节点

LLM 节点 是 Dify 工作流／对话流中调用大语言模型（LLM）的核心组件，它能够处理从“开始”节点传来的自然语言或文件输入，执行生成、理解、分类、翻译、编程等多种任务。

定义与作用

• 定义：在可视化画布中添加的“调用大语言模型”节点，通过已配置的模型与提示词（Prompt），对输入内容进行推理与生成。
• 作用：承接前置节点（如“开始”或“知识检索”）提供的上下文变量，调用选定的 LLM 进行自然语言处理，从而输出文本、分类标签、代码片段、翻译结果等。

应用场景

1. 意图识别：对客服咨询进行分类，决定后续流程走向（如退款、技术支持、投诉等）。
2. 文本生成：根据主题或关键词，撰写文章、总结报告、营销文案。
3. 内容分类：批量处理邮件或评论，自动标注类别（咨询／投诉／垃圾信息）。
4. 文本转换：翻译、摘要、格式转换（如 Markdown ↔ HTML）。
5. 代码生成：辅助编程需求，生成业务代码、测试用例、SQL 查询等。
6. RAG（检索增强生成）：结合“知识检索”节点，重新组织检索到的文档段落，给出精准回答。
7. 多模态理解：使用具备视觉能力的模型，分析图片或 PDF，回答图像问答。

配置流程

1. 添加节点

   • 在画布上右键或点击前节点末端的“+”，选择 LLM 节点。

2. 选择模型

   • 支持 OpenAI（GPT 系列）、Anthropic（Claude 系列）、Google（Gemini 系列）等主流模型。
   • 初次使用需至 “系统设置 → 模型供应商” 完成授权与接入。

3. 设置模型参数

   • 温度、Top P、最大 Token、惩罚系数 等，控制输出的随机性与重复率。
   • 可直接选用系统预设的「创意」「平衡」「精确」三套参数。

4. 填写上下文

   • 将上游节点输出变量（如 result、text、sys.query 等）插入为上下文变量，为提示词提供背景信息。

5. 编写提示词（Prompt）

   • 聊天模型：配置 SYSTEM / USER / ASSISTANT 三段角色提示；
   • 补全模型：填写单一提示内容。
   • 可通过 “/” 调出变量插入菜单，也可使用 提示生成器 AI 辅助起草。

6. 高级设置（可选）

   • 开启记忆：自动携带对话历史，适用于 Chatflow 多轮对话；
   • 视觉功能：勾选支持多模态模型分析文件；
   • Jinja-2 模板：在提示词中嵌入逻辑与变量转换，满足复杂业务需求；
   • 错误重试：配置最大重试次数与间隔；
   • 异常处理：定义备用分支，防止节点失败中断主流程。

特殊变量说明

• 上下文变量：通常指“知识检索”或“文档提取器”节点的输出，用于在提示词中为 LLM 提供外部知识。
• 文件变量：部分模型原生支持 PDF、DOCX、图片等文件输入，可直接在提示词中插入文件变量进行分析。
• 会话历史：仅在 Chatflow 且选用补全模型时可用，用于将历史对话注入当前 Prompt。

结构化输出（JSON Schema）

• 目的：让 LLM 按预定义的 JSON 结构输出，保证字段类型与层级可解析、可验证。
• 可视化编辑：拖拽式添加字段，填写名称、类型（string/number/object/array）、描述和枚举等属性。
• 代码编辑：直接编写或粘贴完整 JSON Schema，支持高级特性如 pattern、oneOf。
• AI 生成：在编辑器内调用模型，自动从示例 JSON 或自然语言描述生成 Schema。
• 使用方式：在 LLM 节点 “输出变量” 区域打开“结构化开关”后配置。

高级功能

1. 记忆与对话角色

   • 调整记忆窗口大小或精确控制传递轮数；
   • 自定义角色前缀（如 Human/Assistant、User/AI），提升多模型兼容性。

2. Jinja-2 模板

   • 通过模板语法进行条件判断、循环、变量格式化，轻量实现数据转换。

3. 错误重试与异常处理

   • 支持最多 10 次自动重试，间隔可设（如 5000ms）；
   • 异常分支可捕捉 Token 超限、缺少变量等错误，自定义备用输出或分支流程。

典型使用案例

• 知识库问答

  1. “知识检索”节点检索相关文档段落→输出 result；
  2. 在 LLM 节点“上下文变量”插入 result；
  3. Prompt 中引导模型引用知识、给出答案与出处。

• ChatPDF 应用

  1. “开始”节点上传 PDF 文件→sys.files；
  2. 上游添加“文档提取器”节点提取文本→text；
  3. 在 LLM Prompt 中插入 text，实现对 PDF 内容的问答。

• 客户信息采集表单

  1. 设计结构化输出 Schema（如 name、email、phone 等字段）；
  2. LLM 节点按 Schema 返回 JSON；
  3. 下游节点可直接解析并存入数据库。