Dify 工作流类型说明文档

程序员柒叔2025-12-27 9:43

版本：1.9.2

最后更新：2025年12月

概述

Dify 平台支持三种工作流类型，每种类型针对不同的使用场景进行了优化：

工作流类型 标识值 主要用途
常规工作流 workflow 一次性任务处理、批量数据处理
Chat 工作流 chat 多轮对话应用、智能助手
RAG Pipeline rag-pipeline 知识库文档处理、智能检索增强

类型定义

工作流类型在后端定义于 api/core/workflow/enums.py 和 api/models/workflow.py：

python 复制代码 
class WorkflowType(StrEnum):
    WORKFLOW = "workflow"
    CHAT = "chat"
    RAG_PIPELINE = "rag-pipeline"

工作流类型详解

常规工作流 (Workflow)

定义

常规工作流是一种单次执行的处理流程，适用于不需要上下文记忆的任务。每次执行都是独立的，不保留历史交互信息。

核心特点
特性 描述
执行模式 单次执行，无状态
上下文 无对话历史
变量系统 仅支持环境变量 (Environment Variables)
触发方式 API 调用 / 手动触发
输出形式 结构化数据 / 文本
入口节点

使用 Start 节点作为入口，可配置多种输入参数类型：

  • 文本 (text-input)
  • 段落 (paragraph)
  • 数字 (number)
  • 选择器 (select)
  • 文件 (files)
典型结构
复制代码 
Start → [处理节点链] → End
适用场景

  1. 批量数据处理

    • 文档批量翻译
    • 数据格式转换
    • 内容批量生成

  2. 自动化任务

    • 定时报告生成
    • 数据分析流程
    • 邮件内容生成

  3. API 服务

    • 无状态 API 接口
    • 数据处理服务
    • 内容审核服务

  4. 一次性处理

    • 表单数据处理
    • 图像分析
    • 文件解析

Chat 工作流 (Chat)

定义

Chat 工作流专为多轮对话场景设计，支持会话历史记忆和上下文感知。这是构建智能助手和对话机器人的首选类型。

核心特点
特性 描述
执行模式 会话式，有状态
上下文 支持完整对话历史
变量系统 环境变量 + 会话变量 (Conversation Variables)
触发方式 用户消息 / API 调用
输出形式 流式文本 / 结构化响应
入口节点

使用 Start 节点，但具备以下 Chat 专属特性：

  • 自动注入 sys.query（用户当前输入）
  • 自动注入 sys.conversation_id（会话标识）
  • 支持 sys.files（用户上传文件）
会话变量系统

Chat 工作流独有的会话变量 (Conversation Variables) 系统：

python 复制代码 
# 会话变量定义在 Workflow 模型中
_conversation_variables: Mapped[str] = mapped_column(
    "conversation_variables", sa.Text, nullable=False, server_default="{}"
)

会话变量特点：

  • 跨轮次持久化：在同一会话内保持状态
  • 自动初始化：首次对话时创建
  • 运行时更新：通过 Variable Assigner 节点修改
  • 会话隔离：不同会话之间相互独立
典型结构
复制代码 
Start → LLM (带历史) → [可选处理] → Answer
高级功能

  1. 对话历史管理

    • 自动累积对话记录
    • 可配置历史窗口大小
    • 支持历史摘要压缩

  2. 流式输出

    • 实时返回生成内容
    • 支持多个 Answer 节点
    • 支持中间状态展示

  3. 会话状态跟踪

    • 用户偏好记忆
    • 任务进度追踪
    • 多轮收集信息
适用场景

  1. 智能客服

    • 多轮问答
    • 问题诊断
    • 服务引导

  2. 个人助手

    • 日程管理
    • 信息查询
    • 任务规划

  3. 教育辅导

    • 知识问答
    • 学习引导
    • 练习批改

  4. 销售顾问

    • 产品推荐
    • 需求分析
    • 订单处理

RAG Pipeline

定义

RAG Pipeline 是专为知识库增强场景设计的工作流类型，用于处理文档索引、知识检索和智能问答。它是 Dify 知识库功能的核心引擎。

核心特点
特性 描述
执行模式 数据驱动，可批量
上下文 知识库上下文
变量系统 环境变量 + RAG Pipeline 变量
触发方式 文档导入 / 索引构建 / 检索请求
输出形式 索引数据 / 检索结果
专属节点

RAG Pipeline 具有两个独占节点，在其他工作流类型中不可用：

节点 用途
Datasource 定义数据来源（文件、Notion、网页爬取等）
Knowledge Index 执行文档分段、向量化和索引构建
RAG Pipeline 变量
python 复制代码 
# RAG Pipeline 专属变量
_rag_pipeline_variables: Mapped[str] = mapped_column(
    "rag_pipeline_variables", db.Text, nullable=False, server_default="{}"
)
典型结构

文档处理流程：

复制代码 
Datasource → [文档处理节点] → Knowledge Index

检索增强流程：

复制代码 
Start → Knowledge Retrieval → LLM → Answer
核心能力

  1. 多源数据接入

    • 本地文件上传
    • Notion 集成
    • 网页爬取
    • API 数据源

  2. 智能分段策略

    • 自动分段
    • 自定义分段规则
    • 父子分段模式

  3. 向量化处理

    • 多种 Embedding 模型
    • 批量向量化
    • 增量更新

  4. 检索优化

    • 混合检索
    • 重排序
    • 上下文压缩
适用场景

  1. 企业知识库

    • 文档智能检索
    • 知识问答系统
    • 政策查询助手

  2. 文档处理

    • 大批量文档索引
    • 内容提取分析
    • 多格式文档解析

  3. 智能搜索

    • 语义搜索
    • 精准问答
    • 引用溯源

技术架构对比

执行引擎差异

复制代码 
┌─────────────────────────────────────────────────────────────────┐
│                        执行引擎架构                              │
├─────────────────┬─────────────────┬─────────────────────────────┤
│   Workflow      │     Chat        │      RAG Pipeline           │
├─────────────────┼─────────────────┼─────────────────────────────┤
│ WorkflowRunner  │ AdvancedChat    │   PipelineRunner            │
│                 │ AppRunner       │                             │
├─────────────────┼─────────────────┼─────────────────────────────┤
│ 无会话状态      │ 维护会话状态    │   处理数据流                │
│ 单次执行        │ 多轮交互        │   批量/流式处理             │
│ 直接返回结果    │ 流式响应        │   索引构建                  │
└─────────────────┴─────────────────┴─────────────────────────────┘

后端服务对应

工作流类型 主要服务类 执行器
Workflow WorkflowService WorkflowAppRunner
Chat WorkflowService AdvancedChatAppRunner
RAG Pipeline RagPipelineService PipelineRunner

变量系统差异

变量类型支持矩阵

变量类型 Workflow Chat RAG Pipeline
环境变量 (Environment Variables) ✅ ✅ ✅
会话变量 (Conversation Variables) ❌ ✅ ❌
RAG Pipeline 变量 ❌ ❌ ✅
系统变量 (sys.*) ✅ ✅ ✅

变量生命周期

复制代码 
┌─────────────────────────────────────────────────────────────────┐
│                      变量生命周期对比                            │
├─────────────────────────────────────────────────────────────────┤
│ 环境变量                                                        │
│ ├── 作用域: 工作流级别                                          │
│ ├── 生命周期: 工作流配置期间                                     │
│ └── 用途: 全局配置、API Key、常量                                │
├─────────────────────────────────────────────────────────────────┤
│ 会话变量 (仅 Chat)                                              │
│ ├── 作用域: 会话级别                                            │
│ ├── 生命周期: 会话存续期间                                       │
│ └── 用途: 用户偏好、累积数据、状态追踪                           │
├─────────────────────────────────────────────────────────────────┤
│ RAG Pipeline 变量 (仅 RAG Pipeline)                             │
│ ├── 作用域: Pipeline 执行级别                                   │
│ ├── 生命周期: 单次 Pipeline 执行                                 │
│ └── 用途: 文档元数据、处理参数                                   │
└─────────────────────────────────────────────────────────────────┘

节点可用性矩阵

完整节点可用性

节点类型 Workflow Chat RAG Pipeline 说明
入口/出口节点
Start ✅ ✅ ✅ 入口配置不同
End ✅ ❌ ✅ Chat 使用 Answer
Answer ❌ ✅ ❌ 流式输出
LLM 节点
LLM ✅ ✅ ✅
Agent ✅ ✅ ✅
数据处理节点
Code ✅ ✅ ✅
Template Transform ✅ ✅ ✅
Variable Assigner ✅ ✅ ✅
Variable Aggregator ✅ ✅ ✅
List Operator ✅ ✅ ✅
Document Extractor ✅ ✅ ✅
知识库节点
Knowledge Retrieval ✅ ✅ ✅
RAG Pipeline 专属
Datasource ❌ ❌ ✅ 数据源定义
Knowledge Index ❌ ❌ ✅ 索引构建
流程控制节点
IF/ELSE ✅ ✅ ✅
Iteration ✅ ✅ ✅
Loop ✅ ✅ ✅
Parallel ✅ ✅ ✅
工具节点
Tool ✅ ✅ ✅
HTTP Request ✅ ✅ ✅
其他节点
Parameter Extractor ✅ ✅ ✅
Question Classifier ✅ ✅ ✅

应用模式与工作流类型映射

Dify 的应用模式 (AppMode) 与工作流类型 (WorkflowType) 存在映射关系：

AppMode 定义

python 复制代码 
class AppMode(StrEnum):
    COMPLETION = "completion"      # 文本生成
    WORKFLOW = "workflow"          # 常规工作流
    CHAT = "chat"                  # 基础对话
    ADVANCED_CHAT = "advanced-chat" # 高级对话 (Chat 工作流)
    AGENT_CHAT = "agent-chat"      # Agent 对话
    CHANNEL = "channel"            # 渠道
    RAG_PIPELINE = "rag-pipeline"  # RAG Pipeline

映射规则

python 复制代码 
@classmethod
def from_app_mode(cls, app_mode: Union[str, "AppMode"]) -> "WorkflowType":
    app_mode = app_mode if isinstance(app_mode, AppMode) else AppMode.value_of(app_mode)
    return cls.WORKFLOW if app_mode == AppMode.WORKFLOW else cls.CHAT

映射关系表

AppMode WorkflowType 说明
workflow WORKFLOW 1:1 映射
advanced-chat CHAT 使用 Chat 工作流引擎
chat CHAT 基础对话模式
agent-chat CHAT Agent 也使用 Chat 引擎
rag-pipeline RAG_PIPELINE RAG 专用类型

适用场景指南

场景决策矩阵

场景特征 推荐类型 原因
需要多轮对话 Chat 内置会话管理
一次性数据处理 Workflow 无状态设计更高效
构建知识库 RAG Pipeline 专用节点支持
需要记忆用户偏好 Chat 会话变量支持
批量文档索引 RAG Pipeline 批量处理优化
API 服务接口 Workflow 简单直接
智能客服/助手 Chat 自然对话体验
定时任务 Workflow 易于调度触发
文档问答系统 Chat + 知识库 结合检索与对话

详细场景示例

场景 1: 智能客服系统

推荐类型: Chat 工作流

理由:

  • 需要多轮对话理解用户问题
  • 需要记住对话上下文
  • 需要流式输出提升体验

典型配置:

复制代码 
Start → Knowledge Retrieval → LLM (with history) → Answer
场景 2: 文档批量翻译

推荐类型: 常规 Workflow

理由:

  • 单次处理，无需上下文
  • 批量处理效率更高
  • 结构化输出便于后处理

典型配置:

复制代码 
Start → Document Extractor → LLM → End
场景 3: 企业知识库构建

推荐类型: RAG Pipeline

理由:

  • 需要专用的 Datasource 节点
  • 需要 Knowledge Index 进行索引
  • 支持多种数据源接入

典型配置:

复制代码 
Datasource → Code (预处理) → Knowledge Index
场景 4: 数据分析报告生成

推荐类型: 常规 Workflow

理由:

  • 一次性任务
  • 需要多步骤数据处理
  • 输出结构化报告

典型配置:

复制代码 
Start → HTTP Request → Code (分析) → LLM (报告) → End

选型决策树

复制代码 
                    ┌─────────────────────┐
                    │   开始选择工作流类型  │
                    └──────────┬──────────┘
                               │
                    ┌──────────▼──────────┐
                    │ 是否需要构建知识库？ │
                    └──────────┬──────────┘
                          ┌────┴────┐
                         是        否
                          │         │
               ┌──────────▼───┐     │
               │ RAG Pipeline │     │
               └──────────────┘     │
                               ┌────▼────────────────┐
                               │ 是否需要多轮对话？   │
                               └────┬────────────────┘
                               ┌────┴────┐
                              是        否
                               │         │
                    ┌──────────▼───┐  ┌──▼──────────┐
                    │ Chat 工作流  │  │ 常规 Workflow│
                    └──────────────┘  └─────────────┘

快速参考卡片

如果你需要... 选择
多轮对话、上下文记忆 Chat 工作流
一次性任务处理 常规 Workflow
文档索引、知识库构建 RAG Pipeline
用户偏好存储 Chat 工作流 (会话变量)
批量数据处理 常规 Workflow
API 无状态服务 常规 Workflow
智能问答系统 Chat 工作流 + 知识库

附录

相关代码文件

文件路径 说明
api/core/workflow/enums.py WorkflowType 枚举定义
api/models/workflow.py Workflow 模型和变量系统
api/models/model.py AppMode 枚举定义
api/services/workflow_service.py Workflow 服务实现
api/services/rag_pipeline/rag_pipeline.py RAG Pipeline 服务
api/core/app/apps/workflow/app_runner.py Workflow 执行器
api/core/app/apps/advanced_chat/app_runner.py Chat 执行器
api/core/app/apps/pipeline/pipeline_runner.py Pipeline 执行器

版本更新说明

版本 更新内容
1.9.x RAG Pipeline 类型增强，新增自定义模板支持
1.8.x 会话变量系统完善
1.7.x Loop 节点支持
1.6.x Agent 节点增强
相关推荐
像风一样自由202015 小时前
3.Dockerfile如何构建一个Python算法镜像
开发语言·人工智能·python·大模型
猿界零零七18 小时前
Agent 开发面试题--Day002【Agent和Workflow的有什么区别】
人工智能·大模型
大鹏的NLP博客18 小时前
从格赖斯合作原则看大语言模型与提示词工程
人工智能·自然语言处理·大模型·agent
寻道码路19 小时前
AI Agent 工程化开发实战（五）：持久化与断点恢复——Checkpointer 与 Store
人工智能·大模型·checkpoint·持久化·ai agent·langgraph·ai工程化
虎鲸不是鱼19 小时前
AI 自动化逆向（三十六）先找不加密的部分
人工智能·自动化·大模型·逆向·ai逆向
学IT的周星星20 小时前
本地部署与开源模型：不想花钱怎么办
人工智能·开源·大模型·llm·agent
重生之我在番茄自学网安拯救世界1 天前
AI 开发者日报 第1期（本周精选）| 插件市场投毒、智能体搞出“官僚饥荒村”，十年前的 CNN 打赢大模型
人工智能·网络安全·大模型·ai编程·智能体
遇码1 天前
2026-11-01-daw-retry-banner-body
人工智能·ai·rust·数据分析·大模型·agent
猿界零零七2 天前
Agent 开发面试题--day001
人工智能·大模型
Blockbuater_drug2 天前
Dify 1.18 本地部署实战：Windows + WSL2 + Docker，从零跑到本地可用
windows·docker·容器·dify·大模型应用平台
热门推荐
01国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）02历年考研数学一、数学二、数学三真题试卷及答案PDF03GitHub 镜像站点04几个好用的ip纯净度检测网站05苹果iPA游戏软件资源下载网站06蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接07如何新建文件夹？ 电脑新建文件夹的4种方法08昇腾910B系列芯片完全指南：四款型号对比、服务器选型与大模型部署实战09Dify：一站式AI应用开发平台全解析与Windows部署指南10Android 屏幕适配系列开篇：核心概念、官方机制与主流方案