大模型应用编排工具Dify之常用编排组件

1.前言

dify的核心能力有：支持接入常见的 LLM、工作流编排、知识库和聊天助手等，架构图如下：

本文将结合实际项目落地经验，针对工作流编排中的常用编排组件进行介绍，以及如何在后端调用工作流编排。

2.落地案例

某 DevOps智能助手，可以通过自然语言对话回答常见运维问题 和自动查询模型关联的跑数任务状态，工作流编排如下：

上图中，省略了开始组件，直接从意图识别开始。

在意图识别这里需要借助 LLM的能力识别用户想问什么，在这里最主要的是问模型管理的跑数任务状态，其次询问运维问题和通用业务问题。其中运维问题和业务问题都需要项目地提供对应的知识库作为支撑，否则大模型只会回答通用的内容，作用不大。

重点说一下问跑数任务分支：首先，从用户问题提取模型名称、日期批次和平台类型作为参数；其次，需要对模型名称进行校验，通过后继续；然后，根据平台类型调用需要的接口；最后，把查询结果作为提示词的一部分给 LLM，拿到答复后进行格式化输出。

3.编排组件

这里对工作流编排中常用的：LLM、问题分类器、知识检索和代码执行等组件进行介绍。

3.1 LLM

调用大语言模型回答问题或者对自然语言进行处理，需要设置模型、选择上下文、系统提示词和用户提示词等。

系统提示词（System Prompt）：

样例

你是一个经验丰富的数据建模工程师，任务是根据需求标题、需求描述分析数据模型结构，生成数据模型的DDL语句。
定义

作为输入对话框的一种初始指令，通常用于引导模型以某种方式或风格来运行。它有助于设定模型整体行为的框架或指导。一般由服务提供者或开发人员指定，而不是终端用户指定。
作用

为对话提供高层指导。

定义模型的整体行为约束、告诉模型它的角色和责任、控制全局语气、写作风格（正式、非正式）、以及模型的细节化程度。

用户提示词（User Prompt）：

样例
以下是你的思维链和工作流程：

1、需求内容分析
- 根据需求标题和需求描述，推断数据表包含的字段；
- 根据业务逻辑确定合适的主键字段。
  
  ...
2、DDL语句生成
- 按照Markdown语法规则，输出完整的DDL语句；
- DDL语句中包括数据表的英文名、中文名、字段英文名（全大写）、字段中文名（放在comment中）、字段类型、长度、精度、是否允许空；
  
  ...
3、字段长度设置
- 字符型字段长度按照下面标准进行设置，体现在DDL语句中；
- 中文字段名中包含用户名、姓名、编码、号码、业务类型、名称等相关文字，字段长度在50个字符以上；
  
  ...
定义

由终端用户输入的实际请求或问题内容，代表了用户的意图和需求，通常是直接与模型交互时的动态输入。
作用

提供上下文，明确单次交互的目标，提出问题或任务，模型基于用户需求给出对应的回答。

3.2 问题分类器

定义用户问题的分类条件，LLM能够根据分类描述定义对话的进展方式，需要设置模型、输入变量和分类依据等。

比如下面几个分类：

检查SQL语法逻辑是否有误
语义找表，找一张表，找表，数据表，包含哪些字段
根据模型名查找关联的任务名

3.3 代码执行

执行一段 python或 nodejs代码实现自定义逻辑，需要设置输入变量、出数变量和编写代码片段等。

比如下面这个代码片段：

python 复制代码

def main() -> dict:
    return {
        "result": datetime.now().strftime('%Y%m%d')
    }

上面的代码根据一定规则生成当前时间，后续可以用于参数向后传递。

3.4 参数提取器

利用 LLM从自然语言内推理提取出结构化参数，用于后置的工具调用或 http请求，需要填写输入变量、选择模型、创建参数和编写指令等。

比如下面的这个提取参数的指令：

复制代码

这是一段城市缩写、城市名称、城市编号的文本，格式如下：
    城市缩写&城市名称&城市编号
实际数据如下：
    ZG&自贡&10
    CD&成都&20
    MY&绵阳&30
    LS&乐山&40
    GH&广汉&50
    BZ&巴中&60
    ...
    DY&德阳&200

你是一名大数据领域的运维专家，需要提取
{{#context#}}
这段话中的平台 platform，表名 tableName，batchNo，城市，并把城市转成缩写存到变量 city里面。
tableName可能会有多个，用 ","进行连接。

如果参数提取异常，你可以给参数设置如下默认值：
  platform=datacenter，city=CD

上面这段指令不仅给出了如何提取参数，还指定了参数的映射规则，以及默认值。

3.5 HTTP请求

允许通过 http协议发送 get、post和put等请求，需要填写URL、选择请求方式和填写请求体等。

3.6 直接回复

定义一个聊天对话框的回复内容，可以引用前面步骤的结果和参数，对话类的都要用这个组件输出内容给用户。

3.7 知识检索

从知识库中查询与用户问题相关的内容，与知识库搭配使用，可以显著增强大模型的业务知识。

3.8 条件分支

根据 if/else 条件将 workflow 拆分成两个分支，对于开发人员来说再熟悉不过了，落地案例中用于参数校验、接口调用结果检查和按平台走不同的业务流程等。

4.后台调用编排流程

在流程编排界面点击左侧的 访问API 可以看到后端服务如何调用该编排流程。首次打开该界面，需要点击右上角的 API密钥 创建访问密钥，后面需要配置到调用方。如下：

上图中右侧有一个 curl请求样例，可以用于测试编排流程。

5.总结

本文主要通过一个实际落地案例，介绍工作流编排中常用的问题分类器、参数提取器、知识库和 LLM等组件，其中着重介绍了系统提示词和用户提示词，最后对后台服务如何调用工作流编排进行了说明。