承接上一篇文章《来了来了！爆火AI工具Dify怎么玩？这绝对是全网最详细的教程（上）》，今天继续为大家补充Dify的实用操作细节，帮助您全面掌握这款AI应用开发平台。

先快速回顾一下上一篇的重点内容：

1、Dify的安装和启动
2、使用Dify前的一些必要配置
3、Dify核心功能介绍
4、知识库实战1：如何在Dify中创建知识库
5、知识库实战2：如何在Dify中外连知识库RAGFlow
6、智能体实战1：最简单的聊天模式
7、智能体实战2：Agent模式
8、智能体实战3：整合MCP

接下来，我们继续深入智能体的其他实战环节。

智能体实战4：文本生成模式

关于文本生成模式，坦率地说，实用性感觉一般，而且操作非常简单。这里不从头创建了，直接看看Dify预置的一个文本生成模式的智能体。在【探索】菜单中，选择标签为“文本生成”的【SQL生成器】智能体，添加到工作区。

添加到工作区打开后，会发现它和最基础的聊天智能体几乎一模一样。有时真搞不清Dify的设计意图——为什么还要把基础的聊天和文本生成分成两个独立的智能体。

界面布局很简洁：

• 左上区域可以填写提示词，告诉这个智能体要执行什么任务。
• 左下区域多了一个可添加变量的部分。例如使用时，必须选择一个目标数据库，输入查询的内容。添加的变量会传入左上的提示词中，运行时会替换掉内容提示词里的变量。右侧还能预览变量。
• 右上角，更换模型即可。

演示一下效果。先把模型更新为deepseek，然后点击【发布更新】保存，最后点击【运行】启动该智能体。

运行时，在左侧选择了目标数据库并输入了查询内容，点击【运行】后，右侧给出了结果。

查看日志可以发现，输入的两个变量在Prompt中已经被替换，成为了User Prompt的一部分用于生成结果。

到这里，文本生成模式下的智能体创建和使用就讲完了，确实非常简单。

智能体实战5：工作流模式的智能体

经过前面几次实战，大家应该能感受到，创建和使用智能体并不难。但聊天助手、Agent和文本生成应用这三种模式，只适用于简单场景。复杂场景下，还得用工作流。Dify中的工作流又分两种：一种是适合单轮自动化任务的工作流（下面要讲的），另一种是支持记忆的多轮工作流ChatFlow（更常用，下一部分讲）。

先选择【客户评价处理工作流】添加到工作室。

打开后可以看到，是用各种组件构建的工作流。

这种工作流是怎么绘制出来的呢？通过页面底部的【＋】号，可以看到里面提供了很多组件，选中某一个，拖拽到页面上即可。

那各个组件之间如何建立关联？只需从一个组件的【＋】号拖拽到另一个组件的【＋】号位置。

每个组件最需要关注的有三部分：前一个组件的输入内容、组件本身要处理的业务逻辑、组件本身处理后输出的内容（有时没有输出）。例如下图中的“问题分类器”组件，作用是：根据输入的评价，利用大模型的理解能力，自动判别是正向评价还是负面评价，输出的变量就是分类结果。从下图能明显看到这三部分。

因为每个组件的使用方法都不一样，Dify默认提供了16个组件。具体如何使用，在组件处打开帮助文档即可查看。

如果想对组件的每一步进行调试，类似于程序里的Debug，怎么做？除了运行完查看完整log、在log中打开每个节点查看运行状况外，还可以在运行前对单个组件进行Debug。例如在“问题分类器”组件上点击【运行此步骤】，输入调试内容“这个打印机不好用”，看看返回什么结果。

运行后，从调试结果可以看到三部分：输入、数据处理和输出，正好对应每个组件需要关注的三要素。最后输出了正确的结果——这是一个负面评价。

到这里，工作流的使用方法基本讲完了。但还没结束，下一部分我们用ChatFlow模式真正创建几个，感受一下。

智能体实战6：ChatFlow模式的智能体——API Demo

接下来，实战一个ChatFlow模式的智能体。之前多次提到，ChatFlow是最常用的创建智能体的方法。它的使用方法和上面工作流智能体几乎一样，但核心区别在于：工作流只支持单轮自动化任务的编排，而ChatFlow支持记忆的多轮会话。具体体现在LLM（大模型）节点上（当然还有其他区别，但这是最核心的）。

通过下图可以看到，左侧是工作流模式下新建的LLM节点，右侧是ChatFlow模式下新建的LLM节点。ChatFlow模式多了一个记忆功能，而且默认是关闭的。这样看，其实直接创建ChatFlow模式的智能体就够了——它支持的功能更多，效果更好。所以个人感觉现在工作流模式有点鸡肋，平时基本上从来不用。

现在来具体实战一个API Demo，实现获取某个城市的实时天气。

第一步，新建一个【开始】节点（默认存在，不用新建）。在开始节点中添加一个变量【city】，代表要查询天气的城市，设置为必填。

第二步，新建一个【HTTP请求】节点，并与前面的【开始】节点连接。

具体设置如下：GET请求的路径为 https://wttr.in/{city}?format=j1，其中{city}需要替换为前一步传入的city参数。

第三步，新建一个【LLM】节点，并与前面的【HTTP请求】节点连接。

具体设置：选择一个模型，在System Prompt部分输入“请输出今天天气如何”，并传入上一步HTTP请求节点的Body属性。User Prompt部分传入最初用户输入的Prompt。

最后一步，新建一个【直接回复】节点，并与前面的【LLM】节点连接。

具体设置：只需传入前一步大模型回答结果的文本。

创建完后发布更新，保存工作流。然后运行，在预览模式下看结果。

可以看到，输入“大连的天气如何”，给出了当前时间外边的实时天气。至此，手把手带大家创建了一个ChatFlow模式的智能体。

智能体实战7：ChatFlow模式的智能体——RAGFlow Demo

接下来要做的是：将ChatFlow模式下创建的智能体连接知识库进行查询，输出结果。这里知识库选择外部联动的RAGFlow。不带着大家一步步操作了，大家可以自己实战一下。之前不知道如何整合RAGFlow知识库的朋友可以看上一篇文章。整体创建完的效果如下图所示。模型我选择的是本地Ollama部署的模型，大家也可以选择付费的商用模型，或者和我一样整合一个本地模型试试。

其他：查看日志和单步调试

创建完的智能体，中间运行的流程一定需要看日志，方便调试。点击左侧第三个按钮【日志与标注】查看完整的执行日志。

下面显示了详细每一步的执行日志。

每一步展开后，可以看到更详细的日志。

除了这种方式，每个组件还可以单步调试，类似Debug。拿下面的【HTTP请求】组件为例，选择【运行此步骤】进行调试。

调试后可以看到具体信息：执行的输入、执行的过程和输出的结果。

其他：监测

除了查看执行日志，还可以查看该智能体的使用和统计信息。点击最左侧最后一个【检测】按钮即可。

其中【费用消耗】这个统计需要特别说明：此费用仅供参考，它和你调用云平台上模型API产生的费用对不上。所以具体调用模型的费用，还是要以模型平台为准。

至此，社区版Dify最核心的两大功能——【知识库】和【智能体】——就全部讲完了。虽然都是简单的Demo，但只要学会了这些，后续结合业务场景，可以创建出更强大的智能体。Dify还有一些进阶操作，例如通过API操作知识库，将做成的智能体暴露成API供外部访问（常用于做套壳应用）等等。这里就不详细介绍了，如果大家需求高，后续会单独出一篇文章讲解如何使用。

如果在操作过程中遇到问题，欢迎留言交流。