三步入门：利用 Dify 可视化工作流连接 LLM 与工具

在AI应用开发领域，如何快速将大语言模型（LLM）与实际工具连接起来，一直是开发者面临的实际挑战。传统编码方式需要处理复杂的API调用、数据转换和错误处理，而Dify提供的可视化工作流功能，让这个过程变得直观且高效。

准备工作

在开始之前，请确保你已经：

1. 注册Dify Cloud账户或完成本地部署
2. 准备好需要连接的LLM API密钥（如OpenAI、Claude等）
3. 明确想要集成的工具或API（本文以天气查询工具为例）

第一步：创建工作流画布

登录Dify控制台后，进入“工作流”模块，点击“创建工作流”。你会看到一个空白的画布界面，左侧是节点库，中间是设计区域。

关键操作：

• 从左侧拖拽“开始”节点到画布，这是工作流的入口
• 点击画布空白处，可以在右侧面板中设置工作流名称和描述
• 建议为工作流添加清晰的描述，便于后期维护

实用技巧： 在开始设计复杂流程前，先用纸笔勾勒大致步骤，可以显著提高设计效率。

第二步：连接LLM与工具节点

2.1 添加LLM节点

从节点库的“AI模型”类别中，拖拽“LLM”节点到画布。将其与“开始”节点连接后，需要进行关键配置：

1. 选择模型提供商：根据你的需求选择OpenAI、Anthropic或本地部署的模型
2. 配置API参数：输入API密钥，调整温度（Temperature）和最大生成长度
3. 设计提示词模板：这是核心步骤。例如，如果你要创建天气查询助手，可以输入：

   请根据用户的问题提取地理位置信息。
   用户问题：{{query}}
   
   只返回城市名称，不要添加任何解释。
   

2.2 集成工具节点

从“工具”类别拖拽“HTTP请求”节点到画布，并与LLM节点连接：

1. 配置API端点：输入目标工具的API地址
2. 设置请求参数：将LLM节点的输出作为变量插入请求参数中

   {
     "city": "{{llm_output}}",
     "units": "metric"
   }
   

3. 处理响应数据：使用JSONPath提取需要的数据，如$.temperature

2.3 添加回复格式化节点

从“处理”类别拖拽“文本生成”节点，用于将工具返回的原始数据转换为友好回复：

{{user}}您好！您查询的{{city}}当前温度为{{temperature}}°C，天气状况为{{conditions}}。

第三步：测试与部署

3.1 运行测试

点击右上角的“测试”按钮，在弹出窗口中输入测试问题：

“上海今天天气怎么样？”

观察工作流的执行过程，每个节点会亮起表示执行状态。检查每一步的输出是否符合预期。

3.2 调试与优化

如果测试失败，可以：

1. 逐节点检查：点击每个节点查看输入输出
2. 常见问题处理：
• API密钥错误：检查是否复制完整
• 格式错误：确认JSON结构符合工具要求
• 超时问题：适当调整超时设置

3.3 发布应用

测试通过后，点击“发布”按钮。Dify会生成该工作流的API端点，你可以：

1. 直接集成到现有应用中
2. 创建聊天机器人界面
3. 设置为定时任务

实际案例：创建智能天气助手

让我们通过一个完整例子巩固所学知识。假设你需要一个能理解自然语言查询的天气助手：

工作流结构：开始 → LLM（提取城市） → HTTP请求（调用天气API） → 条件判断（检查数据有效性） → 文本生成（格式化回复） → 结束

关键配置细节：

• 在LLM提示词中强调“只返回城市名”
• 在HTTP请求节点添加错误处理分支
• 使用条件节点处理“城市不存在”的情况
• 在最终回复中添加穿衣建议（基于温度值）

进阶技巧

并行处理多个工具

对于需要同时查询多个数据源的情况，可以使用“并行分支”节点。例如，同时获取天气和新闻，然后合并结果。

状态保持与会话记忆

在工作流中添加“记忆”节点，可以让AI记住对话上下文，实现多轮对话能力。

错误处理机制

为关键节点添加错误处理分支，当API调用失败时提供备用方案或友好提示。

Dify的可视化工作流将复杂的集成过程简化为拖拽连接，大大降低了AI应用开发门槛。通过“创建-连接-测试”这三步，开发者可以在几分钟内构建出功能完整的LLM应用。

实际操作中可能会遇到各种具体情况，Dify的文档和社区提供了丰富的解决方案。记住，好的工作流设计往往需要多次迭代优化，不要害怕调整和重构你的设计。

开始尝试连接第一个工具吧，你会惊讶于原来AI应用的开发可以如此直观高效。