用Dify搭AI自动化工作流：把重复工作丢给机器

咨询发布

教大家用 Dify 搭一个 AI 自动化工作流，把重复性工作丢给 AI。

一、为什么要搭工作流
很多人用 AI 的方式是：打开 ChatGPT，输入问题，复制回答。这种用法效率低，而且每次要手打提示词。工作流的思路是把整个流程封装：输入 → AI 处理 → 输出，一次搭好反复用。

二、Dify 是什么
Dify 是一个开源的 AI 应用开发平台，可视化拖拽搭工作流，不用写代码。可以对接 OpenAI、通义千问、DeepSeek 等各种模型。自部署免费，云版有免费额度。

三、实操：搭一个"文章摘要+翻译"工作流

• 注册 Dify，创建一个"工作流"类型的应用
  
• 画布上会看到节点面板，从左到右拖入以下节点
  

节点 1：开始节点
- 输入变量：article（长文本类型）

节点 2：LLM 节点（摘要）
- 模型选 DeepSeek-V3 或 Qwen2.5-72B
- 系统提示词："你是一个内容编辑，把下面的文章压缩成 200 字摘要，保留核心数据和观点"
- 用户消息：{{article}}

节点 3：LLM 节点（翻译）
- 模型同上
- 系统提示词："把以下中文摘要翻译成英文，用简洁的新闻风格"
- 用户消息：{{node2.output}}

节点 4：结束节点
- 输出变量：summary = {{node2.output}}，translation = {{node3.output}}

四、进阶用法

• 加条件分支：用 IF/ELSE 节点判断文章语言，中文走翻译分支，英文不走
  
• 加知识库检索：在 LLM 节点前加"知识检索"节点，让 AI 先查你上传的文档再回答
  
• 加 HTTP 请求节点：调外部 API 获取数据，让 AI 处理后输出
  
• 加代码节点：Python 代码做数据清洗或格式转换
  

五、实用场景

• 客服自动回复：用户问题 → 知识库检索 → AI 生成回答 → 发回用户
  
• 内容审核：文章 → AI 判断是否违规 → 自动标记
  
• 数据处理：Excel 读取 → AI 提取关键字段 → 写回数据库
  
• 邮件分类：邮件内容 → AI 分类 → 路由到不同处理人
  

六、跟 n8n 的区别
n8n 是通用自动化工具（类似 Zapier），可以连各种 SaaS。Dify 专注 AI 场景，模型调用和提示词管理做得更深。建议：非 AI 流程用 n8n，AI 流程用 Dify，两者可以通过 Webhook 串联。



搭工作流的核心思路：把一个大任务拆成小步骤，每个步骤用一个节点处理，节点之间用变量传递数据。拆得越细，AI 出错越少，结果越可控。

长夏旧巷

成本这块还可以再拆细一点，隐性的人力投入其实占大头。

老猫笔记

这个结论我保留意见，至少在我们行业不太成立，可能跟样本有关。

南山铺子

我关注的另一个点是稳定性，出问题的时候排查链路比传统方案长不少，得有心理准备。

沉默长夏

有个细节想确认，你说的这个数据是实验室环境还是生产环境跑出来的？

闻笛半盏

这个判断我认同，短期看价格，长期还是看能不能嵌进业务流程里。

言默散记

这篇看完最大的收获是那句"先算清楚自己的量"，很多人上来就冲设备，最后闲置。

一叶杂谈

看完想补充一点：数据合规这块千万别忽略，我们就是因为这个卡了很久。

浅夏小筑

这个思路和我之前想的差不多，关键是别一次性铺太大，小步试错。

归鸟寻梅

看得出来是真做过的人写的，不是那种拼资料的。