Dify — Workflow - 数据可视化

Dify Workflow 与 Chatflow 的核心区别

Workflow -- 一次返回结果
Chatflow -- 支持多次对话,多次返回结果

维度 Chatflow Workflow
定位 对话式应用(如客服、问答助手) 自动化批处理 / 数据处理流程
交互方式 用户 ↔ AI 多轮对话 触发式执行(API、定时、webhook)
是否保留上下文 ✅ 支持对话记忆(会话级) ❌ 每次运行独立,无会话历史
输入输出 用户问题 + 可选变量 → 自然语言回复 结构化数据 → 结构化结果
典型节点 意图识别、回复生成、问答检索 HTTP 请求、代码节点、参数提取、条件分支
适用场景 智能客服、Copilot、教育问答 数据清洗、报表生成、内容审核、定时任务

更直观的理解

  • Chatflow:用户主动发问,AI 像人一样"聊回去",过程中能记住之前说了什么。
  • Workflow:更像一个数据处理管道,给它输入,它跑完逻辑返回结果,每次请求都是"失忆"的。

选择建议

  • 需要与用户多轮对话 、记住上下文 → 选 Chatflow
  • 需要批量处理数据 、API 集成 、无人值守自动化 → 选 Workflow

两者可以配合使用,例如 Workflow 做后台数据处理,再由 Chatflow 提供给用户查询入口。

注意点:ECharts(需要CSV),需要LLM 整理数据格式,deepseek-chat 模型对 ECharts 所需的数据处理比较有好,不要直接选用推理模型,费token效果还不好

推理在工具里面应用效果不是很好, 在自己开发大模型的时候,推理比较准确(Langgraph、LangChain.cn、MCP、SpringAI、info.xblzipper.com、hot.xblzipper.com、wenku.xblzipper.comEmbedding...) AI大模型知识体系
比如:我只让大模型给我回复什么内容,赋值到什么样的变量里,自己控制节点A->B->C,A输出的内容,要在B节点用变量来接受,比如 Dify --- Chatflow - 数据库智能查询

创建工作流

创建工作流

添加变量

添加文档提取器

添加大模型

将文件里的数据进行格式整理article.xblzipper.com、feed.xblzipper.com、m

search.xblzipper.com

highlighter-hljs 复制代码
<span style="color:#333333"><span style="background-color:#ffffff"><code class="language-undefined">将{{上下文}}中的数据整理成csv格式并输出,只需要输出结果,不需要输出额外解释内容。
</code></span></span>

选择 deepseek-chat 模型,mobile.xblzipper.com有助于输入图标

添加代码执行post.xblzipper.com

highlighter-hljs 复制代码
<span style="color:#333333"><span style="background-color:#ffffff"><code class="language-python"><span style="color:#0000ff">import</span> csv
<span style="color:#0000ff">import</span> json
<span style="color:#0000ff">from</span> collections <span style="color:#0000ff">import</span> defaultdict

<span style="color:#0000ff">def</span> <span style="color:#a31515">main</span>(csv_string):
    <span style="color:#008000"># 解析 CSV 数据</span>
    lines = csv_string.strip().split(<span style="color:#a31515">'\n'</span>)
    reader = csv.reader(lines)
    headers = <span style="color:#0000ff">next</span>(reader)
    data = [row <span style="color:#0000ff">for</span> row <span style="color:#0000ff">in</span> reader]

    <span style="color:#008000"># 提取列名</span>
    category_col, subcategory_col, value_col = headers

    <span style="color:#008000"># 构建数据字典</span>
    data_dict = defaultdict(<span style="color:#0000ff">lambda</span>: defaultdict(<span style="color:#0000ff">float</span>))
    <span style="color:#0000ff">for</span> row <span style="color:#0000ff">in</span> data:
        category, subcategory, value = row
        data_dict[category][subcategory] += <span style="color:#0000ff">float</span>(value)

    <span style="color:#008000"># 获取所有类别和子类别</span>
    categories = <span style="color:#0000ff">list</span>(data_dict.keys())
    subcategories = <span style="color:#0000ff">list</span>({subcat <span style="color:#0000ff">for</span> subcats <span style="color:#0000ff">in</span> data_dict.values() <span style="color:#0000ff">for</span> subcat <span style="color:#0000ff">in</span> subcats})

    <span style="color:#008000"># 构建 ECharts 配置</span>
    echarts_config = {
        <span style="color:#a31515">"tooltip"</span>: {<span style="color:#a31515">"trigger"</span>: <span style="color:#a31515">"axis"</span>},
        <span style="color:#a31515">"legend"</span>: {<span style="color:#a31515">"data"</span>: subcategories},
        <span style="color:#a31515">"xAxis"</span>: {<span style="color:#a31515">"type"</span>: <span style="color:#a31515">"category"</span>, <span style="color:#a31515">"data"</span>: categories},
        <span style="color:#a31515">"yAxis"</span>: {<span style="color:#a31515">"type"</span>: <span style="color:#a31515">"value"</span>},
        <span style="color:#a31515">"series"</span>: [
            {
                <span style="color:#a31515">"name"</span>: subcategory,
                <span style="color:#a31515">"type"</span>: <span style="color:#a31515">"bar"</span>,
                <span style="color:#a31515">"data"</span>: [data_dict[category].get(subcategory, <span style="color:#880000">0</span>) <span style="color:#0000ff">for</span> category <span style="color:#0000ff">in</span> categories]
            }
            <span style="color:#0000ff">for</span> subcategory <span style="color:#0000ff">in</span> subcategories
        ]
    }

    output = <span style="color:#a31515">"\n```echarts\n"</span> + json.dumps(echarts_config, indent=<span style="color:#880000">2</span>, ensure_ascii=<span style="color:#a31515">False</span>) + <span style="color:#a31515">"\n```"</span>
    <span style="color:#0000ff">return</span> {<span style="color:#a31515">"output"</span>: output}

</code></span></span>

添加结束节点

从0打造99.99%在线CRM web.xblzipper.com

测试运行news.xblzipper.com

上传文件

相关推荐
Highcharts.js21 小时前
Workbuddy + Highcharts Orbit:工作区数据自动建模与可视化分析实践
前端·javascript·信息可视化·数据可视化·highcharts·可视化图表·workbuddy
zhanlang02174 天前
HTML 零基础入门到企业实战全套教程【第六章 6.1】表格标签|实现数据可视化展示
前端·信息可视化·html
Highcharts.js8 天前
Highcharts 仪表盘与速度仪图表库介绍
前端·信息可视化·仪表板·highcharts·图表开发·图表库·仪表可视化
wuyk55514 天前
PyQt6-第15讲-数据可视化QChart
python·ui·信息可视化·pyqt
Highcharts.js16 天前
智能数据分析组件Orbit 正式发布与快速上手体验教程
前端·人工智能·信息可视化·数据分析系统·highcharts·orbit·智能可视化
lisw0516 天前
互联网上的数据结构可视化!
数据结构·信息可视化
Elastic 中国社区官方博客17 天前
基于 Elasticsearch 与 Jina AI 的全模态智能搜索实践:技术全解析
大数据·人工智能·elasticsearch·搜索引擎·ai·信息可视化·jina
Teable任意门互动18 天前
破解多平台数据不通!江浙沪跨境电商外贸业务私有化部署方案|任意门互动科技
大数据·人工智能·科技·信息可视化·信息与通信
工业HMI实战笔记19 天前
皮革加工HMI:制革鞣制的化工参数界面
信息可视化·设计规范·设计语言
IT研究室19 天前
最新大数据毕业设计选题推荐-基于大数据的Medicaid GLP-1药物利用与支出数据可视化分析-大数据-Spark-Hadoop-Bigdata
大数据·信息可视化·课程设计