一、Dify
Dify是一个开源的大语言模型（LLM）应用开发平台，旨在简化和加速生成式AI应用的创建和部署。
优势：
- 低代码/无代码：像拖拽积木一样编排业务逻辑。
- 功能完整强大：支持100+主流模型接入，满足各种企业级场景。
- 开源免费：支持私有化本地部署。
Dify能做什么：
- 聊天助手：快速构建具备上下文理解能力的对话机器人，支持多轮对话。知识库（RAG）轻松接入企业私有文档，实现基于自有知识的的精准回答。
- 工作流（Workflow）：通过可视化画布编排复杂的业务逻辑，实现任务自动化。
- Agent智能体：构建能够自主调用工具、拆解并完成复杂任务的智能助手。
Dify提示词分类：
- 用户提示词：用户提出的具体指令或问题，指导模型执行特定任务。
- 系统提示词：定义大模型角色定位+回复逻辑，持续影响整个会话响应模式。
工作流=业务逻辑的可视化执行
工作流作用： 它将一个复杂的任务分解成一系列可管理的、按顺序或按条件执行的步骤，并通过图形化的界面将这些步骤连接起来。
dify创建工作流的标准流程
1.创建工作流
- 操作路径：创建空白应用------>工作流/Chatflow
- 设置内容：工作流名称（清晰明确）、功能描述（帮助AI理解）。
2.编排工作流
- 核心操作：在可视化画布中添加节点、连接节点形成数据流、配置每个节点的输入输出参数。
- 设置内容：开始节点------>LLM节点------>工具节点------>结束节点。
3.测试并发布
- 测试方法：点击测试运行------>输入测试数据------>检查节点状态。
- 发布流程：测试通过后点击发布，发布会其它用户可以使用该工作流。
二、Function Calling（函数调用）
该功能指的是在语言模型中集成外部功能或API的调用能力，这意味着模型可以在生成文本的过程中调用外部函数或服务，获取额外的数据执行特定的任务。
Function Calling应用基本流程（简化）：
功能：
可以解决大模型的问题：
- 信息实时性
- 数据局限性
- 功能扩展性
当没有函数调用（function-call）时候，调用GPT构建AI应用的模式非常简单，
主要步骤：
- 用户（client）发请求给我们的服务（Chat Server）
- 我们的服务（Chat Server）给GPT提示词
- 重复执行
当有函数调用（function-call）时候，调用GPT构建AI应用的模式比之前复杂一些，主要步骤：
- 用户（client）发送请求prompt以及function给我们的服务（Chat Server）。
- GPT模型根据用户的prompt，判断是用普通文本还是函数调用的格式响应我们的服务（Chat Server）
- 如果函数调用格式，那么Chat Server就会执行这个函数，并且将结果返回给GPT。
- 然后模型使用提供的数据，用连贯的文本响应返回。