企业安全管理效率提升300%的秘诀：Dify+飞书打造AI安全大脑
还在为企业安全事故频发而头疼吗？传统的安全管理模式下，事故报告靠人工记录，安全查询要翻厚厚的规程手册，数据分析更是费时费力。一个小小的疏忽，就可能酿成大祸！今天，我们将通过本教程，手把手教您使用 Dify平台 在 10分钟 内搭建一个专业的企业安全AI助手，让安全事故处理从人工低效转为智能高效。
一、AI安全助手的三大核心功能
这个AI助手能做什么？它集成了三大核心功能，彻底改变企业安全管理模式。
1. 智能事故报告系统
从此告别繁琐的纸质表格和层层上报流程。
- 传统模式： 员工发现安全隐患 → 填写纸质表格 → 层层上报 → 数据录入系统
- AI模式： 一句话描述 → 自动分类提取 → 实时入库 → 即时通知
比如员工说：“报告！李师傅在喷涂车间被溶剂溅到眼睛里了，正在冲洗！”
AI助手能立即识别出以下关键信息：
- 事件类型： 伤害事故
- 涉及人员： 李师傅
- 发生地点： 喷涂车间
- 化学品： 溶剂
- 严重程度： 中等
小提示： 员工报告事故时，只需提供核心信息即可，AI会自动补全和分类，大大降低了报告门槛。
2. 秒级安全规程查询
不用再翻厚厚的安全手册了！员工只需问一句：“受限空间作业有什么安全要求？”，AI助手就能瞬间返回完整的《受限空间作业安全规程》内容，包括操作步骤、注意事项、应急措施等，实现知识库的即时调用。
3. 数据驱动的安全分析
管理层可以随时进行数据分析，提前预防风险。
例如，提问：“帮我统计上个季度各车间的安全事件数量，按类型分类”
AI助手能自动生成可视化图表，让管理层一目了然地掌握安全态势，洞察潜在风险。
二、Dify平台搭建实战指南：四步配置法
搭建AI安全助手，核心在于Dify平台的配置。我们为您拆解为四个清晰的步骤。
2.1 核心工作流程预览
在开始配置前，先了解助手的工作逻辑。整体流程如下：
用户输入 → 获取当前日期 → AI安全专家模块意图判断 → 分支处理（事故报告/规程查询/数据分析） → 数据存储/查询/分析 → 响应用户
2.2 环境配置步骤
第一步：账户注册与应用创建
- 访问 Dify平台 网站，完成账户注册。
- 登录后，创建一个新应用，在选择类型时，务必选择：Workflow。
- 为你的应用命名，例如：
工厂安全AI助手。
小提示： Dify平台的Workflow模式提供了可视化拖拽界面，让非技术人员也能像搭积木一样构建复杂的AI应用逻辑。
第二步：LLM模型配置
让AI拥有“大脑”，需要配置底层的大语言模型。
- 进入设置 → 模型提供商。
- 配置DeepSeek API密钥（强烈推荐使用V3.1模型，在性能与成本间取得了良好平衡）。
- 配置完成后，点击“测试连接”，确保配置正确。
小提示： DeepSeek模型在处理中文和结构化任务时表现出色，是构建企业级应用的经济高效之选。如果你需要处理图片，后面还会用到支持视觉的Qwen3-VL模型。
第三步：知识库创建
将企业的安全规程文档导入Dify，建立专属知识库。
- 创建新知识库，命名为：
安全规程知识库。 - 上传企业的安全相关文档（支持PDF、Word、TXT格式）。
- 推荐上传文档： 《受限空间作业安全规程》、《化学品安全数据表（SDS）》等。
- 等待文档解析完成（通常需要2-5分钟，文档越大时间越长）。
小提示： 文档质量直接影响检索精度。建议上传经过审核、格式规范的最终版规程文件。
第四步：飞书多维表格配置
安全事件报告需要记录在案，飞书多维表格是最终的存储仓库。
- 在飞书中创建一个多维表格，命名为：
安全事件管理表。 - 配置表格字段： 确保包含以下关键字段：人员、地点、事件类型、严重程度、描述、时间戳。
- 为了连接Dify，你需要获取飞书应用的凭证：App ID、App Secret 和 Table Token。
常见问题： 找不到飞书应用的凭证？
解答： 你需要在飞书开发者后台创建一个企业自建应用，并为应用开启“多维表格”的权限。然后，在“凭证与基础信息”页面可以找到App ID和App Secret。Table Token可以在多维表格的文档URL中找到。
三、工作流开发实战：从零到完整流程
这是整个教程的核心部分，我们将详细讲解如何在Dify工作流画布上，通过拖拽和配置，实现AI安全助手的全部功能。
3.1 创建工作流基础架构
步骤1：添加起始节点
工作流的起点是用户输入。
- 进入Dify工作流画布，起始节点 “开始” 会自动创建。
- 配置起始节点的输入变量：
- 变量名：
user_input，类型：string，描述： 用户输入的安全相关信息。 - 变量名：
image，类型：file，描述： 安全隐患图片（可选）。文件类型限制为image/jpeg, image/png, image/webp，最大文件大小为10MB。
步骤2：添加获取当前日期节点
记录事件时间，为所有日志添加时间戳。
- 从左侧组件库拖拽 Time 节点到画布。
- 配置时区为：“亚洲/上海”。
步骤3：添加LLM节点（核心安全专家模块）
这是整个工作流的“大脑”，负责理解用户意图并提取关键信息。
- 拖拽 LLM 节点到画布。
- 节点配置如下：
- 节点名称：
安全专家分析 - 模型选择： Deep Seek -V3.1
- 输入变量： 分别关联
{{#start.user_input#}}和{{#获取当前日期.text#}}。 - 关键配置：启用结构化输出，开启JSON模式。这样AI的输出就不再是杂乱的自然语言，而是结构清晰的JSON数据，方便后续节点处理。
JSON Schema配置（示例，定义AI输出的格式）：
{
"intent": "...", // 意图分类：report / query / statistical_analysis
"parameters": {
"subject_person": "...",
"subject_device_location": "...",
"safety_event_type": "...",
"subject_description": "...",
"chemical_name": "...",
"safety_standard_name": "...",
"severity_level": "..."
}
}
你需要根据实际需求，完善这个JSON Schema的结构，告诉AI应该提取哪些字段。
3.2 构建条件分支逻辑
根据AI识别出的不同意图，让工作流走向不同的处理路径。
步骤4：添加条件分支节点
- 拖拽 IF/ELSE 节点到画布。
- 配置三个分支条件，分别对应三种用户意图：
- 条件1（事故报告）：
{{#结构化输出文本.intent#}} == "report" - 条件2（规程查询）：
{{#结构化输出文本.intent#}} == "query" - 条件3（统计分析）：
{{#结构化输出文本.intent#}} == "statistical_analysis" - 默认分支： 用于处理无法识别的意图。
注意： 这里的 结构化输出文本 是上一步LLM节点的输出变量名，请根据实际情况替换。
3.3 实现三大功能模块
功能模块1：安全事件报告分支
步骤5：配置事件报告处理
- 飞书多维表格存储节点： 从Dify插件市场安装“飞书多维表格”插件。配置节点，连接到之前创建的
安全事件管理表表，并将AI解析出的结构化数据（人员、地点、事件类型等）映射到相应的字段中。 - 即时通知节点：
- 创建一个 模板转换 节点，将报告内容整理成一条清晰的通知消息。
- 再创建一个 飞书消息发送 节点（同样需安装插件），配置一个自定义机器人Webhook，将通知消息发送到指定的飞书群聊。
常见问题： 飞书每秒都发消息会很吵？
解答： 您可以调整通知策略。例如，只对“严重程度”为“高”或“中”的事件进行即时全员通知，或汇总后定时发送报告。
功能模块2：安全规程查询分支
步骤6：配置图片安全隐患识别（核心亮点）
这个分支不仅可以处理文字查询，还能识别上传图片中的安全隐患，是系统的杀手锏功能。
- 图片识别条件判断节点： 用一个IF/ELSE节点，判断用户是否上传了图片。条件为：
{{#start.image#}} is not empty。 - 图片安全隐患识别节点（当有图片时）：
- 节点类型为 LLM。
- 模型选择：Qwen3-VL（这是一个支持视觉理解的多模态模型）。
- 输入变量关联：
{{#start.image#}}。 - 系统提示词： 将原文中关于“图片安全隐患分析专家”的长篇提示词复制进去，它指导AI如何分析图片并输出结构化结果。
- 知识库检索节点：
- 节点类型：Knowledge Retrieval。
- 知识库：选择之前创建的
安全规程知识库。 - 查询内容：可以关联AI提取的
safety_standard_name，也可以是图片识别后AI生成的查询文本。 - 检索模式：建议选择“混合搜索”，兼顾关键词和语义匹配。
- LLM结果处理节点（最终回答）： 根据“有图”或“无图”两种情况，再配置一个LLM节点，将检索到的知识库内容、图片识别结果整合成用户易懂的最终答案。
工作流示意：
- 有图片： 条件分支(查询) → 图片识别条件判断(有图) → 图片隐患识别节点 → 知识库检索节点 → LLM结果处理节点 → 结束
- 无图片： 条件分支(查询) → 图片识别条件判断(无图) → 知识库检索节点 → LLM结果处理节点 → 结束
常见问题： 上传的图片格式或大小不受支持怎么办？
解答： 在起始节点配置中，我们已经限制了图片格式为 image/jpeg, image/png, image/webp 和最大10MB的大小。用户可以提前将图片转换为支持的格式，或上传前进行压缩。
功能模块3：数据统计分析分支
步骤7：配置统计分析功能
这个分支相对复杂，需要多个节点协作，将用户的自然语言查询转化为对飞书多维表格的筛选请求，并最终生成ECharts图表。
- 构建飞书多维表格筛选节点：
- 节点类型：LLM。
- 系统提示词： 将原文中关于“将自然语言指令转换为飞书多维表格筛选JSON的专家”那段长提示词复制进去。这个提示词的核心是教会AI，如何将“帮我统计上个季度各个车间的未遂事件数量”这种自然语言，转化为飞书API能够理解的JSON筛选条件，例如
{ "filter": { "conjunction": "and", "conditions": [ ... ] } }。 - 输入变量：
{{#start.user_input#}}和{{#获取当前日期.text#}}。
- 飞书多维表格查询节点： 使用之前安装的飞书插件节点。
- 配置你的 app_token（表格的URL标识）。
- 将上一步生成的JSON筛选条件作为 filter 输入。
- 可以配置排序规则，例如 按时间降序：
[{"field_name":"submission_time","desc":true}]。
- 提取查询记录（代码节点）：
- 节点类型：Code（Python）。
- 核心代码： 将原文中提供的 Python代码 复制到代码编辑器中。这个代码的作用是解析飞书多维表格API返回的复杂JSON数据结构，提取出我们关心的“人员、地点、事件类型”等核心业务信息，并将其格式化为人类可读的纯文本。
- ECharts图表数据生成节点：
- 节点类型：LLM。
- 系统提示词： 将原文中关于“数据可视化专家”的长篇提示词复制进去。这个提示词指导AI如何根据上一步提取的文本数据，进行统计计算（如：各类型事件的数量、各车间事件频次），并最终生成一个 完整的、可直接在Dify渲染的ECharts图表配置JSON。
- 输入变量：
{{#提取查询记录.text#}}。
- 最终回答： 图表节点输出的JSON配置可以直接作为工作流的最终回复内容，Dify会自动将其渲染成一张漂亮的图表。
小提示： ECharts部分最核心的是用好系统提示词。它就像一个“翻译官”，把枯燥的数据变成生动的图表。你可以根据需要调整提示词，让其生成不同类型的图表（柱状图、饼图、折线图等）。
3.4 连接节点并测试
步骤8：完成工作流连接
- 按照数据流向，用连线将所有节点连接起来。
连接逻辑总结：
- 总路径： 起始节点 → 日期节点 → 安全专家分析节点 → 条件分支节点
- 报告分支： 条件分支(报告) → 飞书存储节点 → 通知节点
- 查询分支： 条件分支(查询) → 图片判断节点 → (有图/无图) → 知识库节点 → LLM结果处理节点
- 分析分支： 条件分支(分析) → 筛选构建LLM → 飞书查询节点 → 代码解析节点 → 图表生成LLM → 结束
- 确保每个分支的终点都有一个 “结束” 节点。
测试用例：验证你的AI助手
完成连接后，点击工作流右上角的“运行”按钮，输入以下测试用例，验证每个功能模块是否工作正常。
- 测试1（报告）： 输入：“报告！王师傅在压铸车间手指被砸伤了，正在处理！”
- 测试2（查询）： 输入：“我想查一下《受限空间作业安全规程》的具体内容。”
- 测试3（分析）： 输入：“帮我统计一下上个季度各个车间上报的未遂事件数量。”
- 测试4（图片）： 上传一张工厂现场存在隐患的图片，并输入：“请帮我分析这张图片中的安全隐患”。
四、系统测试与验证
4.1 核心测试方案
为了确保系统稳定可靠，请务必进行全面的功能测试。
测试环境准备：
- 进入Dify工作流的“调试与运行”模式。
- 准备覆盖所有场景的测试数据。
- 关注节点执行日志，排查潜在错误。
核心测试用例汇总：
| 测试场景 | 输入示例 | 预期结果 | 验证要点 |
|---|---|---|---|
| 紧急事件报告 | “报告！李师傅在喷涂车间被溶剂溅到眼睛里了，正在冲洗！” | intent="report"，正确提取人员、地点、事件类型等参数并存入飞书 | 参数提取准确性 |
| 安全规程查询 | “我想查一下《受限空间作业安全规程》的具体内容” | intent="query"，返回相关规程的详细内容 | 知识库检索精度 |
| 数据统计分析 | “帮我统计上个季度各车间未遂事件数量，按类型分类” | intent="statistical_analysis"，生成正确的筛选JSON并返回图表 | 数据处理及图表生成能力 |
| 设备隐患报告 | “三号仓库第二个消防通道的门被杂物堵住了，需要清理” | intent="report"，成功识别并记录“设备”、“位置”等非人员相关的信息 | 复杂场景识别能力 |
| 图片安全隐患识别 | 上传工厂现场图片 + “请分析这张图片中的安全隐患” | intent="query"，正确识别图片中的隐患类型、风险等级，并给出建议和相关规程 | 图像识别准确性及安全知识关联度 |
| 图片+文字组合查询 | 上传设备图片 + “这个设备的操作规程是什么？” | intent="query"，结合图片和设备名，返回对应的操作规程 | 多模态理解能力及规程匹配精度 |
4.2 性能优化建议
为了让AI助手运行得更快、更准，可以参考以下建议：
响应速度优化：
- LLM模型选择： 核心分析用DeepSeek（平衡性能与成本），视觉识别用Qwen3-VL。
- 并发处理： 在Dify的“日志与监控”中，可根据API配额设置合理的请求限制，避免过载。
- 缓存策略： 对于常见的、不常变更的查询（如高频安全规程），可以考虑设计缓存机制。
准确率提升：
- 提示词迭代： 仔细打磨LLM节点（尤其是“安全专家分析”和“图片识别”）的系统提示词。增加few-shot示例（给出几个输入输出的范例）能显著提升AI在特定业务场景下的表现。
- 错误案例收集： 记录AI识别错误或处理失败的案例，分析原因，并针对性地修改提示词或调整工作流逻辑。
五、常见问题解答（FAQ）
Q1：搭建这个系统需要什么技术基础？
A： 完全零代码！Dify提供可视化拖拽界面，具备PPT使用基础的业务人员也能轻松上手，无需编程经验。整个教程的核心在于理解业务逻辑，而非编写代码。
Q2：数据安全如何保障？
A： 多重安全保障，让你无后顾之忧：
- 部署方式： 支持私有化部署，企业所有数据都存储在内网服务器，不会出企业边界。
- 传输与存储： 所有数据传输均采用TLS 1.3加密，数据在飞书多维表格等存储介质上也可进行加密。
- 权限管理： 在飞书和Dify中均可实现用户权限分级管理。
- 审计日志： 所有操作都有记录，方便追溯。
Q3：识别准确率如何？系统能承受多大并发量？
A： 基于DeepSeek和Qwen3-VL等先进模型，系统拥有企业级性能表现：
- 意图分类准确率： 高达 >95%。
- 核心参数提取准确率： >90%。
- 响应时间： 95%的请求可在 <10秒 内完成。
- 系统可用性： 可达99.9%。
Q4：如何与现有系统集成？
A： Dify和飞书都提供了灵活的集成方案：
- RESTful API： 可以通过Dify开放的API，将AI助手的能力嵌入到你的OA、ERP等现有系统中。
- Webhook事件推送： 当有新的安全事件上报时，系统可以通过Webhook将信息推送到其他监控平台。
- 丰富的SDK和文档： Dify和飞书都提供了详细的SDK和集成文档，技术团队可以轻松进行对接。
六、推荐阅读
想更深入地探索AI与安全管理的结合？以下文章值得一读：
- · 3秒识别安全隐患！这个AI神器让工厂事故率降低90%
- · 免费AI算力福利！魔搭社区每天2000次API调用+n8n插件实战指南
- · Dify 实战：一键把票据信息写入飞书多维表格
- · Qwen3-VL震撼登场！工业智能质检系统Dify实战案例让你3分钟上手最强视觉AI
- · 10分钟搞定Dify部署！本地+腾讯云双版本保姆教程
七、结语：开启智能安全管理新篇章
通过本教程的详细指导，你已经掌握了从零搭建一个企业级AI安全助手的能力。从智能事故报告、秒级规程查询到数据驱动的分析，这套系统将显著提升安全管理的效率与准确性。AI赋能企业安全的时代已经到来，立即动手，用技术为你的企业构筑一道更智能、更坚固的安全防线。