🚀 从 Prompt 到 Workflow：2026 年 AI 工程师的“军备竞赛”

在 2026 年的 AI 圈子，流传着这样一句话：只会写 Prompt 的是“用户”，能编排 Workflow 的才是“开发者”。

很多人问：GPT 已经这么强了，为什么还要学 Dify？

真相很残酷： 靠单一对话框实现的 AI 始终是“概率性的黑盒”。当你想让 AI 稳定地调用音乐 API、精准地计算星座运势、并在毫秒间吐出精美的 Markdown 卡片时，你需要的不是更长的提示词，而是确定性的工作流编排。

今天，我将复盘我这一个月在 Dify 平台踩过的所有坑，手把手带你搭建一个商业级的 AI 智能体。从 HTTP 请求的“接力棒”机制，到 Python 代码节点的“数据手术刀”，这篇文章将是你 2026 年最值得收藏的 AI 开发路线图。

---

1. 从 ChatBot 到 Workflow：AI 应用的形态演变

早期的 AI 应用大多是简单的 ChatBot（聊天机器人），它们依赖单一的提示词来完成任务。但随着业务复杂度的提升，开发者发现单纯靠聊天的模糊性无法解决确定性的业务逻辑。

AI 应用的形态演变经历了以下三个阶段：

• 阶段 1：点对点对话 —— 基础的 Q&A，依赖模型原生能力。
• 阶段 2：RAG（检索增强生成） —— 引入外部知识库，让 AI 说话更有据可依。
• 阶段 3：Workflow（工作流编排） —— 将复杂的任务拆解为多个确定性的节点。通过 HTTP 请求 获取实时数据、通过 Python 代码 提取核心字段、再通过 LLM 进行智能润色。

2026 年的共识是：AI 不再只是“聊天工具”，而是能够串联 API、处理复杂逻辑的“数字员工”。

---

2. Dify 的核心优势：为什么它是开发者的首选？

在众多的编排平台中，Dify 脱颖而出，其核心竞争力在于：

🎨 可视化编排（低门槛与高上限）

Dify 提供了极致流畅的画布体验。你可以像拼乐高一样，通过拖拽 开始、HTTP 请求、LLM、代码执行 等节点来构建逻辑。 这种可视化方式极大降低了复杂逻辑的理解成本，同时允许你在关键环节插入 Python 或 Node.js 代码，保证了开发的上限。

🔌 强大的插件与节点生态

无论是调用外部的音乐 API、星座 API，还是进行复杂的 JSON 数据解析，Dify 都有成熟的节点支撑。 特别是其 JSON 解析 和 模板转换 节点，能让原始、杂乱的数据在秒级内转化为精美的视觉名片。

🛠️ 极低的学习与部署成本

Dify 支持私有化部署，对于企业级开发者来说，数据隐私得到了完美保障。对于个人开发者，其简洁的 UI 让你可以专注于业务逻辑，而非繁琐的基础设施搭建。

---

3. 巅峰对决：Dify vs. Coze

很多同学会问：“Dify 和 Coze（扣子）到底怎么选？”

虽然两者都是顶级编排工具，但在定位上有着显著差异：

维度	Dify (本项目采用)	Coze (字节跳动)
开源属性	完全开源，支持私有化部署。	闭源 SaaS，生态高度绑定。
灵活性	极高。支持深度自定义 Python 代码，对开发者非常友好。	较高。侧重于插件集成，更适合非技术人员快速上手。
数据隐私	开发者完全掌控数据流向。	数据托管在云端。
适用场景	企业级内部应用、需要深度逻辑定制的复杂项目。	快速构建社交媒体机器人（如飞书、微信、Discord）。

总结： 如果你追求可控性、私有化以及深度逻辑定制（比如我们后面要实现的星座匹配专家和音乐搜索助手），Dify 是绝对的王者。

一、 核心概念：拆解 Dify 工作流的“乐高积木”

在 Dify 的世界里，编排一个 AI 应用不再是编写成百上千行的面条代码，而是像搭积木一样，将不同的节点 (Node) 按照业务逻辑连接起来。理解了节点和变量流转，你就掌握了 Dify 的底层逻辑。

1. 什么是节点 (Node)？任务的基础单元

节点是组成工作流的最小功能模块，是任务执行的基础单元。

你可以把每一个节点想象成一块拥有特定功能的“乐高积木”：有的负责发起网络请求，有的负责运行 Python 脚本，有的则负责调动大模型进行思考。通过将这些功能单一的积木组合在一起，就能构建出处理复杂业务逻辑的强大系统。

---

2. 变量流转的逻辑：“接力棒”机制

如果说节点是积木，那么变量 (Variable) 就是连接这些积木的粘合剂。在 Dify 工作流中，数据流转遵循一种类似“接力棒”的机制：

• 输入与输出： 每一个节点都会接收上一级传递过来的数据（输入），处理完成后，再将结果输出给下一个节点。
• 跨节点引用： 你可以在后续节点中通过 {{node_name.variable_name}} 的语法，精准引用前面任何一个节点产生的数据。
• 数据隔离与安全： 这种机制确保了数据的线性流转，每个节点只需关注自己拿到的“接力棒”，无需担心全局状态的混乱。

---

3. 常用节点概览：你的工具箱里都有啥？

在实战中，以下几类节点是你最常打交道的“核心成员”：

节点名称	核心职能	实战应用场景
开始 (Start)	接收用户输入，定义初始变量。	获取用户想要搜索的 music_name。
HTTP 请求	模拟浏览器或服务器发起 API 调用。	对接 QQ 音乐或星座运势第三方接口获取原始数据。
代码执行	运行自定义 Python/Node.js 代码。	使用 json.loads() 清洗数据，解决转义字符问题。
LLM (大模型)	逻辑推理、文本生成、数据格式化。	对原始 JSON 数据进行语义化提取或生成智能点评。
模板转换	利用 Jinja2 语法进行 Markdown 排版。	将散乱的变量（歌曲、歌手、链接）组合成精美的播放卡片。
直接回复	将最终处理结果呈现给终端用户。	在对话框中输出最终的音乐搜索结果或运势报告。

---

💡 作者的话

理解了这套“积木”和“接力棒”的逻辑，你就已经推开了 AI 工作流开发的大门。

二、 基础篇：HTTP 请求节点——连接外部世界的“感官”

如果说 Dify 工作流是一个大脑，那么 HTTP 请求节点 就是它的“眼、耳、口、鼻”。它负责走出 Dify 的小世界，去第三方 API 调取实时数据——无论是搜索一首周杰伦的《晴天》，还是查询今日的星座运势，都离不开它。

---

这是官方的接口文档示例和请求api的案例·介绍

1. 配置详解：Method 选择与 URL 填写规范

在 Dify 的 HTTP 请求节点中，顶部的 API 配置区是整个请求的“收货地址”和“寄送方式”。

Method (请求方法)

• GET (获取)：这是最常用的方法。比如我们的“星座配对查询”和“音乐搜索”，本质上都是向服务器索取信息。
• POST (提交)：当我们需要向服务器发送大量数据、上传文件或进行更安全的身份验证时，通常使用 POST。

URL (接口地址)

URL 必须是完整且准确的路径。

• 规范写法：例如星座接口 http://apis.juhe.cn/xzpd/query。
• 避坑指南：不要在这里直接手动拼接参数（如 ?key=xxx），虽然可行，但不利于后续的变量维护。

---

2. 参数传递 (PARAMS)：如何实现“动态注入”

这是新手最容易卡壳的地方，也是让 AI “动起来”的关键。

什么是 PARAMS？

在 GET 请求中，参数通常以键值对的形式存在。观察我们之前的配置截图：

• 键 (Key)：必须严格对应第三方 API 文档的要求。例如星座 API 要求 men 和 women 字段。
• 值 (Value)：这里就是体现“工作流”价值的地方。我们不写死一个星座，而是通过 变量引用。

动态注入技巧

在 Dify 中，点击值输入框右侧的 变量符号，你可以引用“开始节点”中定义的变量：

• 操作：将 {{sys.query}} 或 {{music_name}} 填入值的框内。
• 效果：当用户输入“巨蟹座”时，节点会自动将其转化成 .../query?men=巨蟹座 发送出去。

---

3. 进阶配置：鉴权、超时与重试

为了保证请求的稳定性和安全性，这三个设置是高级开发者的必修课。

Header (请求头) 鉴权

有些 API 需要验证你的身份。

• 常见场景：在 HEADERS 中添加 Authorization 或 API 提供商要求的 key。
• Content-Type：通常设置为 application/json，告诉服务器我们期望的数据格式。

超时设置 (Timeout)

API 并不是永远秒回的。

• 建议值：建议设置在 10-30 秒。对于响应较慢的音乐搜索接口，设置过短会导致频繁报错。

失败重试 (Retry)

互联网环境很复杂。

• 实战配置：建议开启失败重试，并将 最大重试次数设置为 3 次。这样即使遇到短暂的网络波动，系统也会自动“帮你在试一下”，极大地提升了用户体验。

---

4. 输出变量：接力棒的“交接仪式”

请求成功后，你会得到类似 body、status_code 和 headers 的输出。

• body (响应内容)：这是我们的核心数据所在，通常是一串带有转义字符（如 \"）的 JSON 字符串。
• status_code (状态码)：看到 200 代表大功告成！
• 

---

💡 作者的话

恭喜你！到这一步，你的工作流已经能够成功从外部世界带回数据了。虽然带回来的数据可能还像“原始矿石”一样混杂着各种转义符（乱码），但别担心。

在下一章【进阶篇】中，我们将深入探讨“数据清洗与转换”。我会教你如何利用 JSON 解析节点和 Python 代码节点，将这些原始矿石精炼成闪闪发光的结构化数据。

三、 进阶篇：数据清洗与转换——告别乱码与转义符

当你成功通过 HTTP 节点拿到返回数据时，你可能会发现结果并不“漂亮”。返回的 body 通常是一个包含了大量反斜杠（如 \"）和换行符（如 \n）的原始字符串。

这种“原始矿石”无法直接被 LLM 或用户优雅地阅读。因此，数据清洗是 AI 工作流中不可或缺的环节。在 Dify 中，我们有两条路可选：JSON 解析节点 和 Python 代码执行节点。

---

1. JSON 解析节点：零代码的路径提取

对于结构简单的 JSON 数据，JSON 解析节点是最快的选择。

• 核心语法：使用标准的 JSONPath 语法（以 $. 开头）来定位数据。
• 实战避坑：一定要注意“文本模式”与“列表模式”的区别。如果你在配置时遇到 Value error, value must be a list 的报错，通常是因为你在文本框里写错了语法。切换到列表模式通过 UI 勾选变量是最稳妥的办法。

---

2. Python 代码执行节点：低代码开发的“手术刀”

💡 专家秘籍：为什么在 Dify 里，代码节点是“万能钥匙”？

很多同学纠结是选择“JSON 解析”还是“Python 代码”。

听我的：如果数据层级超过 3 层，或者存在 \" 转义符，直接上 Python！

为什么？因为 json.loads() 是标准化的“暴力美学”。它可以瞬间识别并消除所有让 LLM 抓狂的反斜杠，将原始矿石直接炼成黄金。这不仅是效率，更是系统的健壮性。

核心语法：json.loads() 的魔力

在 Python 中，json.loads() 函数可以将字符串类型的 JSON 转化为 Python 字典。它会自动识别并消除字符串中的转义符（如 \"），将数据还原为纯净的字典格式。

变量映射：inputs 与 return 的一一对应原则

这是新手最容易报错的地方。Dify 的代码节点运行遵循极其严格的验证逻辑：

1. 输入变量 (Inputs)：你在左侧面板定义的变量名（如 json_body），必须作为 main 函数的参数传入。
2. 输出变量 (Return)：你在左侧面板定义的“输出变量”列表，必须在代码最后的 return 字典里找到对应的键。

• 报错警示：如果返回的字典里多了一个键或少了一个键，系统会弹出红色的 Not all output parameters are validated。

---

3. 星座匹配专家：全功能 Python 源码解析

以下是我们实战中使用的完整 Python 脚本。它不仅完成了反序列化，还实现了字段的安全提取和初步的排版。

Python

import json  # 导入 Python 自带的 JSON 处理模块

# 这里的参数名必须和你在左侧“输入变量”里定义的变量名一致
def main(json_body: str):
    try:
        # 1. 反序列化：将带转义符的 body 字符串转为 Python 字典
        # json.loads 会自动处理掉那些令人头疼的 \" 和 \n
        data_dict = json.loads(json_body)
        
        # 2. 定位到 result 核心数据层
        result = data_dict.get("result", {})
    except Exception as e:
        # 如果解析失败，返回空值防止流程中断
        return {
            "output": f"解析失败: {str(e)}",
            "man": "", "woman": "", "score": "", "advice": "", "tips": "", "jieguo": ""
        }

    # 3. 按照你的要求提取数据
    # .get("键名", "默认值") 是最安全的写法，防止 API 缺字段导致崩溃
    man_const = result.get("men", "未知")          # 男方星座
    woman_const = result.get("women", "未知")      # 女方星座
    zhishu = result.get("zhishu", "0")             # 配对指数
    jieguo = result.get("jieguo", "无评价")        # 结果标签
    lianai = result.get("lianai", "暂无建议")      # 恋爱解析
    zhuyi = result.get("zhuyi", "无注意事项")      # 注意事项

    # 4. 构造一个用于直接展示的汇总字符串 (formatted_output)
    formatted_output = (
        f"🌟 【{man_const}】 & 【{woman_const}】\n"
        f"📊 配对指数：{zhishu}%\n"
        f"📝 核心评价：{jieguo}\n"
        f"--- \n"
        f"💡 建议：{lianai}"
    )

    # 5. 返回结果：这里的键（如 "man"）必须对应你左侧定义的“输出变量”名
    return {
        "output": formatted_output,
        "man": man_const,
        "woman": woman_const,
        "score": zhishu,
        "advice": lianai,
        "jieguo": jieguo,
        "tips": zhuyi
    }

---

💡 作者的话

通过代码节点，我们已经把杂乱无章的原始数据“驯服”成了规整的变量。

五、 美学篇：模板转换 (Template)——打造精美视觉名片

AI 提取的数据虽然精准，但一堆“冷冰冰”的变量直接展示给用户，交互体验是非常枯燥的。如何将这些变量包装成精美的卡片，让你的 AI 应用拥有“大厂级”的 UI？这就是 模板转换 (Template) 节点的用武之地。

---

1. Jinja2 语法入门：变量引用与 Markdown 渲染

Dify 的模板转换节点内置了强大的 Jinja2 模板引擎，它允许开发者通过极其简洁的语法实现复杂的文本排版。

• 变量引用 ({{}})：这是模板节点的灵魂。通过双大括号包裹变量名，例如 {{man}}，节点在运行时会自动将其替换为流程中传递过来的实时数据。
• Markdown 渲染：模板节点完美支持标准的 Markdown 语法。你可以使用 # 定义各级标题、> 创建引用块、--- 插入分割线。通过合理的布局，原本杂乱的文字信息会被转化为充满层次感的“视觉名片”。

---

2. 实战案例：星座运势报告的视觉排版技巧

以我们的“星座匹配专家”项目为例，我们将展示如何通过模板转换将 Python 清洗出的变量（man、woman、score 等）聚合为一张高质量的报告卡片。

A. 参数绑定 (接力棒的最后一次传递)

在配置模板转换节点时，首先需要在 “输入变量” 区域点击 “+” 号。根据我们在 Python 代码执行节点 中定义的输出，将 man、woman、score、advice、tips、jieguo 等变量逐一引入。

B. 编写精美排版源代码

在节点的“代码”框（支持 Jinja2）中输入以下源码：

Markdown

# 🌟 星座配对报告：{{man}} & {{woman}}

---

### 📊 契合指数：**{{score}}%**
> **专家鉴定**：`{{jieguo}}`

---

#### 💌 恋爱解析
{{advice}}

---

#### ⚠️ 相处建议
> {{tips}}

---

C. 核心排版技巧拆解

1. Emoji 图标点缀：在标题前加入 🌟、📊 等图标，能有效降低文字阅读的疲劳感，特别适合移动端和社交场景展示。
2. 引用块 (Blockquote) 重点隔离：使用 > 符号包裹“专家鉴定”和“相处建议”。在渲染后，这些内容会以不同的背景色或左侧边线呈现，引导用户瞬间抓取核心结论。
3. 粗体与行内代码块：对配对分值进行加粗处理 **{{score}}%**，对专家鉴定内容使用反引号包裹 jieguo。这些细节的修饰，能显著提升信息的易读性和专业度。

---

💡 作者的话

模板转换节点是 Dify 工作流中的“整容医生”。它成功解决了数据在“确定性”与“美观度”之间的平衡问题。至此，我们的数据流、逻辑流和展示层已经全部打通。

💡 结语：AI 工程师的下一站

当你看到“星座匹配专家”完美地从后台调取数据、处理逻辑并吐出那张漂亮的视觉名片时，你其实已经跨越了 AI 开发者的分水岭。

从此，AI 在你手中不再是一个只会聊天的“电子宠物”，而是一个能连接外部世界、能处理复杂逻辑、能产生确定性价值的“数字合伙人”。

AI 工作流不是终点，而是你创造力的起点。

接下来的进阶之路，你可以尝试引入 Agent 智能体循环 或是 RAG 知识库检索。如果你在搭建过程中遇到了 value must be a list 或是 429 配额限制，不要沮丧，回头看看我这篇文章的“故障排查”章节。

世界正在重塑，而你手中握着遥控器。

---

✍️ 作者简介： 我这里是[心枢AI研习社]，一名致力于让 AI 落地更简单的开发者。如果这篇教程帮到了你，请毫不吝啬地点赞、收藏、评论。

📢 互动时刻： 你的第一个 Dify 工作流打算实现什么功能？欢迎在评论区告诉我，我抽 3 位同学进行深度 Debug 指导！