Dify 工作流自动化教程｜附源码

在 AI 应用落地过程中，“能不能做”往往不是最大问题，真正的瓶颈是：能不能稳定地把多个步骤串起来，形成可复用、可维护、可扩展的自动化流程。
Dify 的工作流（Workflow）正是为此而生。

如果你已经厌倦了“发一条指令，AI 回一个结果”这种一次性对话模式，那么工作流会让你看到另一种可能：

• 自动读取输入
• 调用模型生成内容
• 做条件分支
• 接入数据库 / Webhook / 第三方系统
• 输出结构化结果
• 形成真正可上线的自动化应用

本文将以一个“内容生成 + 审核 + 通知”的实际场景为例，手把手讲清楚 Dify 工作流怎么搭建，并附上可直接参考的源码示例，帮助你快速做出第一条可用的自动化流程。

一、什么是 Dify 工作流？

Dify 工作流可以理解为一条“AI 自动化流水线”。
它不是单轮聊天，而是由多个节点组成的任务图，每个节点负责一个步骤，例如：

• 开始节点：接收用户输入
• LLM 节点：让模型完成分类、改写、总结、生成
• 条件分支节点：根据结果走不同路径
• 代码节点：做格式转换、字段清洗、逻辑处理
• HTTP 请求节点：调用外部 API
• 结束节点：输出最终结果

你可以把它想象成“AI 版的 n8n / Zapier + Prompt 编排”。

工作流适合什么场景？

常见场景包括：

1. 内容生产自动化

   • 标题生成
   • 文章润色
   • SEO 关键词扩展
   • 社媒文案批量生成

2. 办公流程自动化

   • 用户提交表单后自动总结
   • 自动分类工单
   • 自动生成会议纪要

3. 客服与运营

   • 问题意图识别
   • FAQ 自动回复
   • 投诉内容摘要并通知负责人

4. 企业系统集成

   • 与飞书、企业微信、钉钉联动
   • 与 CRM、工单系统、数据库联动
   • 与 Webhook、API 服务联动

二、本文要实现的示例：自动生成内容并发送通知

为了让文章更落地，我们做一个实战案例：

用户输入一段产品信息或文章素材 → Dify 自动生成一篇营销文案 → 判断文案是否达标 → 达标则返回结果，不达标则重新优化 → 最后通过 Webhook 发送到飞书/企业微信。

这个流程非常适合：

• 新媒体团队
• 电商运营
• 产品运营
• 独立开发者
• 接单做 AI 自动化项目的人

这个案例的价值在于，它不仅能“生成”，还体现了工作流最核心的能力：自动判断 + 自动分支 + 自动通知。

三、开始前你需要准备什么？

在开始之前，建议准备以下内容：

• 一个可用的 Dify 环境（云端或自建均可）
• 一个支持调用的大模型配置
• 一个可接收通知的 Webhook 地址
• 基本的 API 调用知识
• 对提示词工程有一点了解

如果你是初学者，也没关系，下面的步骤会尽量写得足够细。

四、Dify 工作流搭建步骤

1）新建工作流应用

进入 Dify 控制台后：

• 点击 创建应用
• 选择 Workflow（工作流）
• 输入应用名称，例如：内容自动生成器
• 进入工作流编辑界面

这时你会看到一个默认的工作流画布，通常包括：

• Start
• LLM
• End

我们接下来要做的是把它扩展成完整的自动化流程。

2）设计输入变量

先定义工作流的输入参数。
例如我们希望用户传入：

• topic：主题
• style：风格
• target_audience：目标受众
• length：字数要求

你可以把这些变量都放到 Start 节点里，让后续节点统一调用。

示例输入：

{
  "topic": "Dify 工作流自动化教程",
  "style": "专业、实用、面向开发者",
  "target_audience": "想学习 AI 自动化的技术人员",
  "length": 1200
}

3）配置 LLM 节点：生成初稿

LLM 节点是整个工作流的核心。
这里我们让模型根据输入内容生成一段营销文案或文章初稿。

提示词示例：

你是一名资深内容运营专家，擅长将原始素材整理为高质量的中文营销文案。

请根据以下信息生成一篇内容：
- 主题：{{topic}}
- 风格：{{style}}
- 目标受众：{{target_audience}}
- 字数要求：{{length}}

要求：
1. 语言自然流畅，结构清晰；
2. 突出产品价值和用户收益；
3. 如信息不足，请合理补全，但不要胡编乱造；
4. 输出为适合直接发布的中文文案。

这里的关键点是：
输入变量要明确，输出要求要明确，模型角色要明确。

4）增加代码节点：做结果检查

很多时候，LLM 输出不一定完全符合预期。
比如：

• 字数不够
• 没有包含重点信息
• 格式不规范

这时可以加一个代码节点，对模型结果做简单校验和处理。

示例 Python 代码

def main(content: str, min_length: int = 800):
    result = {
        "pass": True,
        "reason": "",
        "content": content
    }

    if not content or len(content.strip()) < min_length:
        result["pass"] = False
        result["reason"] = f"内容长度不足，当前长度：{len(content.strip()) if content else 0}"

    return result

这个节点会输出：

• pass: 是否通过
• reason: 不通过原因
• content: 原始内容

5）增加条件分支节点

接下来，根据代码节点的结果进行判断：

• 如果 pass = true，则进入下一步通知
• 如果 pass = false，则重新回到 LLM 节点优化内容

这样就形成了一个简单的“自动纠错”闭环。

分支逻辑示例：

• 通过分支：发送结果
• 失败分支：增强提示词重新生成

这个思路特别重要，因为它让 AI 从“单次生成工具”升级成了“自动工作系统”。

6）配置 HTTP 请求节点：发送飞书通知

如果你希望工作流真正接入业务，就不能只停留在 Dify 内部。
最常见的做法是通过 HTTP 请求节点，把结果发送到飞书、企业微信、Slack 或自建服务。

飞书 Webhook 示例

飞书群机器人通常提供一个 Webhook 地址，你可以直接 POST 消息。

请求体示例：

{
  "msg_type": "text",
  "content": {
    "text": "Dify 自动生成任务已完成：\n{{content}}"
  }
}

HTTP 节点配置要点

• 请求方法：POST
• Content-Type：application/json
• 请求地址：你的飞书 Webhook
• 请求体：使用上一步输出的内容变量

7）结束节点：返回最终结果

最后在 End 节点输出：

• 生成内容
• 校验结果
• 通知状态

这样，整个工作流就闭环了。

五、一个完整的工作流逻辑图

你可以把流程理解成如下结构：

Start
  ↓
LLM：生成初稿
  ↓
Code：检查长度与格式
  ↓
Condition：是否通过？
   ├─ 是 → HTTP 请求：发送通知 → End
   └─ 否 → 回到 LLM：优化重写 → 再检查

这个结构虽然简单，但已经具备很多真实业务场景中的核心特征：

• 可重复执行
• 可自动纠错
• 可接入外部系统
• 可扩展更多节点

六、附源码：Dify API 调用示例

很多人搭好工作流后，下一步就想把它接入自己的系统。
下面给你一份可以直接参考的 Python 调用示例。

1）Python 调用 Dify Workflow API

说明：以下示例用于调用 Dify 的工作流接口，适合集成到你自己的后端服务中。

import requests
import json

DIFY_API_URL = "https://api.dify.ai/v1/workflows/run"
DIFY_API_KEY = "你的Dify API Key"

def run_workflow(topic, style, target_audience, length):
    headers = {
        "Authorization": f"Bearer {DIFY_API_KEY}",
        "Content-Type": "application/json"
    }

    payload = {
        "inputs": {
            "topic": topic,
            "style": style,
            "target_audience": target_audience,
            "length": length
        },
        "response_mode": "blocking",
        "user": "demo-user-001"
    }

    response = requests.post(DIFY_API_URL, headers=headers, json=payload, timeout=120)
    response.raise_for_status()
    return response.json()

if __name__ == "__main__":
    result = run_workflow(
        topic="Dify 工作流自动化教程",
        style="专业、实用、适合技术读者",
        target_audience="AI 工具学习者",
        length=1500
    )
    print(json.dumps(result, ensure_ascii=False, indent=2))

2）FastAPI 封装成一个对外接口

如果你想把 Dify 工作流包装成一个业务 API，可以这样做：

from fastapi import FastAPI
from pydantic import BaseModel
import requests

app = FastAPI()

DIFY_API_URL = "https://api.dify.ai/v1/workflows/run"
DIFY_API_KEY = "你的Dify API Key"

class WorkflowRequest(BaseModel):
    topic: str
    style: str
    target_audience: str
    length: int

@app.post("/generate")
def generate(req: WorkflowRequest):
    headers = {
        "Authorization": f"Bearer {DIFY_API_KEY}",
        "Content-Type": "application/json"
    }

    payload = {
        "inputs": req.model_dump(),
        "response_mode": "blocking",
        "user": "api-user"
    }

    resp = requests.post(DIFY_API_URL, headers=headers, json=payload, timeout=120)
    resp.raise_for_status()
    return resp.json()

这样你就可以把 Dify 工作流变成一个标准 API，接入：

• 网站后台
• 小程序
• CRM 系统
• 自动化脚本
• 内部运营平台

七、进阶技巧：让工作流更像“生产系统”

如果你只是玩一玩，基础流程已经够用了。
但如果你要真正上线，建议继续优化下面几个点。

1）给每个节点明确职责

不要让一个 LLM 节点同时负责：

• 分类
• 生成
• 改写
• 审核

最好拆成多个节点，各司其职，这样更稳定，也更容易调试。

2）输出尽量结构化

建议让模型输出 JSON 或固定格式，方便后续节点处理。

例如：

{
  "title": "xxx",
  "summary": "xxx",
  "keywords": ["AI", "Dify", "自动化"],
  "content": "正文内容..."
}

3）保留中间结果

在复杂流程里，建议把每一步的输出都保存下来。
这样一旦结果异常，排查会非常快。

4）加上异常处理

例如：

• API 超时怎么办
• 模型输出空内容怎么办
• 分支判断失败怎么办

真正的自动化系统，核心不是“成功时多漂亮”，而是“失败时是否可恢复”。

八、常见问题

Q1：Dify 工作流和聊天应用有什么区别？

聊天应用更适合对话式交互；工作流更适合流程化、自动化、可编排的任务。

Q2：工作流能接数据库吗？

可以，通常通过 HTTP 请求节点或代码节点对接你自己的后端服务，再由后端去操作数据库。

Q3：能不能让工作流自动循环？

可以通过条件分支和节点回跳实现，但要注意避免死循环，建议设置最大重试次数。

Q4：适合做哪些业务？

内容生成、客服摘要、工单分类、数据清洗、报告生成、通知推送、表单自动处理，都很适合。

九、一个实用建议：先做“小而美”的工作流

很多人一上来就想做：

• 多模型路由
• 多工具调用
• 多轮记忆
• 数据库检索
• 自动审批

结果画布越画越大，最后难以调试。

我的建议是：
先从“单输入 → 单输出 → 单通知”开始。

比如先做：

1. 输入主题
2. 生成内容
3. 校验长度
4. 发飞书通知

这个流程跑通后，再逐步加入：

• 分类
• 重写
• 评分
• 审核
• 多渠道分发

你会发现，真正靠谱的 AI 自动化，不是一次性做得很大，而是一步一步做得很稳。

十、总结

Dify 工作流的价值，不只是“让 AI 会写东西”，而是让 AI 真正融入业务流程。
它能把模型能力、提示词、业务逻辑、外部系统整合在一起，形成一个可执行、可维护、可扩展的自动化系统。

本文通过一个“内容生成 + 校验 + 通知”的案例，展示了 Dify 工作流的基本搭建方法，并附上了 Python API 调用源码和 FastAPI 封装示例。你可以直接拿去改造自己的业务场景。

如果你是：

• 想学习 AI 自动化的开发者
• 想把 Dify 用到实际业务中的运营人员
• 想快速搭建 AI 工作流产品的创业者

那么最好的方式，不是只看教程，而是立刻动手搭一个最小可用版本。
先跑通，再优化；先闭环，再扩展。

如果你愿意，我还可以继续帮你写一篇：

1. 《Dify 工作流实战：自动生成公众号文章并发布》
2. 《Dify + 飞书自动化：从表单到通知全流程搭建》
3. 《Dify 工作流源码详解：节点编排、变量传递与 API 接入》

你只要回复一个标题，我可以继续写成同风格的高质量长文。