【大模型应用开发-实战】（二十一）Dify使用-使用工作流简单示例（五）

最新推荐文章于 2025-08-12 17:34:03 发布
最新推荐文章于 2025-08-12 17:34:03 发布
阅读量108 收藏 3
点赞数 3
CC 4.0 BY-SA版权
分类专栏： 大模型应用开发 文章标签： langchain 人工智能 Deepseek deepseek api llm dify
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/forest_long/article/details/150110699

目录

一、准备工作

 1、部署dify

二、配置工作流

1、新建工作流任务

2、编排工作流

三、测试运行

1、点击运行

2、发布工作流

一、准备工作

 1、部署dify

参考

【大模型应用开发-实战】（十七）Dify使用-安装部署（一）-CSDN博客

二、配置工作流

1、新建工作流任务

新建“工作流”，输入 应用名称

2、编排工作流

拖入 开始 -- 代码运行 -- 结束，三个任务

1）开始

赋值 变量1 和 变量2，都是数值型

2）代码执行

设置简单的python3代码，实现 val1 + val2

3）结束

结束时，打印result变量

三、测试运行

1、点击运行

输入变量1 和变量2，点击运行

获取输出结果

2、发布工作流

点击发布后，运行

至此，一个简单的dify工作流任务 编排成功！

多示例演绎基于DeepSeek和Dify工作流实现大模型应用的快速搭建
羊城迷鹿的博客
02-26 1514
从实际业务需求出发，详细展示如何利用DeepSeek模型与工作流的强大组合，快速构建四个实用有趣的AI应用工具：对话主题提取、多轮文件问答、PPT助手和图表自动生成。
从零构建大语言模型全栈开发指南：第四部分：工程实践与部署-4.3.1LangChain与Dify平台实战：从RAG到Agent工作流
kngines
04-02 509
从零构建大语言模型全栈开发指南：第四部分：工程实践与部署-4.3.1LangChain与Dify平台实战：从RAG到Agent工作流
dify案例分享-基于文本模型实现Fine-tune 语料构造工作流
2401_85373691的博客
02-17 2476
微调（Fine-tuning）是指在已经预训练好的大规模模型基础上，通过进一步训练来适应特定任务或数据集的过程。这一过程体现了迁移学习的思想，即利用预训练模型在通用数据上学习到的知识，通过微调使其更好地服务于特定的应用场景.今天我们就带大家dify新功能dify案例分享-微调（Fine-tuning）语料构工作流，来感受一下dify的强大。
大模型Dify案例分享-基于文本模型实现Fine-tune 语料构造工作流
2401_85325726的博客
05-31 1132
AI模型的微调和训练是人工智能领域中非常重要的技术手段，尤其是在大模型时代，这些技术的应用范围和重要性日益增加.
大模型工具Dify应用-工作流(Workflow)（附大模型教程）
pythonhy的博客
04-08 5415
工作流（Workflow） 是 Dify 的核心功能之一，通过将复杂任务分解为更小的步骤（节点），降低系统复杂度，减少对提示词技术和模型推理能力的依赖，从而提高 LLM 应用在复杂任务中的性能，提升系统的可解释性、稳定性和容错性。
Dify+DeepSeek-R1: 超强 AI 工作流部署与使用全攻略
真心喜欢你吖研发工程师，记录学习笔记、问题解决方案、知识总结、知识分享；冲鸭！
02-27 1664
通过本文的详细指南，相信大家已经对 Dify 和 DeepSeek-R1 的部署和使用有了深入的了解。Dify 和 DeepSeek-R1 的结合使用，为我们打开了 AI 应用开发的新大门，让我们能够更轻松地构建出各种实用的 AI 应用。无论是智能文档管理、工作流自动化，还是其他各种创新应用，都可以通过这对超强组合来实现。玩 Dify 的工作流本身就像搭积木一样，用它来搭建各种有趣的 AI 应用，比如做一个智能客服，帮你自动回答客户的问题；或者做个私人助理，帮你整理文档、写邮件、做会议记录；
如何使用Dify搭建自己的工作流？
2401_84204413的博客
05-22 1560
本文详细介绍了如何基于Dify智能体开发框架进行应用开发，特别适合零基础用户。Dify是一个开源的大语言模型应用开发平台，集成了后端即服务和LLMOps理念，支持快速搭建生成式AI应用。文章首先介绍了Dify的功能和优势，包括对多种模型的支持、直观的Prompt编排界面、高质量的RAG引擎等。接着，文章详细讲解了Dify的私有化Docker部署步骤，包括克隆代码、配置文件设置和启动Dify。最后，文章指导用户如何通过Dify搭建聊天机器人，包括接入Ollama、创建应用、调整模型参数和发布机器人。通过本文，
dify案例分享-MCP-Server让工作流秒变第三方可调用服务
2401_85343303的博客
04-21 2034
上面配置完成并重启好dify工作流后。我们进入dify工作台-插件-MCP-server 配置界面默认这里是空的，我这里是之前配置好的，所以显示了2个。上期文章中我们使用了dify 实现了一个PPT chatflow的制作，我们就拿上期文章的案例来做成一个mcp-server对外提供服务。关于上期文章大家可以看这个《dify案例分享-借助插件 3 步打造惊艳 PPT 生成工作流！点击右上角+号，弹出配置。在 mcp-server 插件的配置页面，填写以下内容：• **端点名称：**端点 名称。
大模型应用开发之Dify进阶版使用教程—react前端+django后端+dify-API制作聊天界面
ZZZ_Tong的博客
05-22 2150
本文介绍了如何通过Dify API在自有系统中开发一个“知识回答机器人”，并实现与React + Django系统的联动。首先，搭建Dify的Docker环境并启动前后端服务。接着，通过Dify控制台创建API密钥，并配置工作流以实现知识库的隔离和分类。最后，编写后端代码将Dify API与Django系统对接，并通过React前端实现流式响应的处理。通过这一系列步骤，开发者可以在自有系统中生成一个基于知识库的智能客服机器人。
一文彻底搞懂大模型 - Dify（Agent + RAG）
2401_84208172的博客
02-12 3409
Dify 是一个用于构建 AI 应用程序的开源平台。Dify融合了后端即服务（Backend as Service）和LLMOps理念。它支持多种大型语言模型，如Claude3、OpenAI等，并与多个模型供应商合作，确保开发者能根据需求选择最适合的模型。Dify通过提供强大的数据集管理功能、可视化的Prompt编排以及应用运营工具，大大降低了AI应用开发的复杂度。
Xinference实战指南：全面解析LLM大模型部署流程，携手Dify打造高效AI应用实践案例，加速AI项目落地进程
丨汀、的博客
08-16 7977
Xinference实战指南：全面解析LLM大模型部署流程，携手Dify打造高效AI应用实践案例，加速AI项目落地进程
Dify 零代码 AI 应用开发：快速入门与实战
热门推荐
FrenzyTechAI的博客
07-27 1万+
Dify 支持 OpenAI 的 GPT 系列和 Anthropic 的 Claude 系列等主要模型提供商。每个模型的功能和参数各不相同，请选择适合您应用程序需求的模型提供商。您需要在使用模型提供商的 API 密钥之前，从模型提供商的官方网站获取。以下以 OpenAI 的 API 密钥为例进行说明。使用 API 密钥可以使用更多模型。如果您需要集成开源模型，Dify 也支持。例如，您可以通过 Hugging Face 或 Ollama 集成开源模型。
【大模型从入门到精通19】开源库框架LangChain LangChain文档加载器1
kaggle expert，全球排名前1000，清华计算机研究生，兴趣算法工程
08-13 1820
在数据驱动的应用领域，特别是涉及对话界面和大型语言模型（LLM）的应用中，从各种来源高效加载、处理并与数据进行交互的能力至关重要。这些加载器擅长处理来自公共源的数据，如 YouTube、Twitter 和 Hacker News，同时也适用于来自专有源的数据，如 Figma 和 Notion。保存清洗后的文本：可选地，脚本可以将清洗和分词后的文档文本保存到文件中。这个扩展的代码提供了一个更全面的示例，展示如何从加载和清洗文本到基本分析和处理特殊情况，对 PDF 文档进行程序化的处理。
【AI论文】高效智能体：在降低成本的同时构建高效能智能体
m0_66899341的博客
08-08 784
本研究系统探究了大型语言模型(LLM)智能体的效率与效能平衡问题，针对当前智能体系统运营成本高昂的痛点，通过GAIA基准测试集实证分析了LLM主干模型选择、框架设计和扩展策略的影响。研究发现：1)任务复杂度存在最优阈值；2)额外模块的边际效益递减；3)框架优化可显著提升效率。基于此开发的EfficientAgents框架，在保持96.7%性能的同时降低28.4%成本，实现"通过成本"指标优化。研究为构建经济高效的智能体系统提供了实证依据和方法指导，推动AI解决方案的可持续发展。
强化学习-MATLAB
weixin_45302337的博客
08-09 487
black box -> machine learning不需要标签，根据内在特征进行聚类等相似操作；这就是ML所擅长的，从数据中找出特征进而得到label；序列行为实现最优的回报；可以将policy使用深度神经网络这也是DRL的由来；RL算法的作用就是基于观测，奖励等去优化策略，以采取最优动作进而获得最大回报；所以，RL就是一个优化问题：与其他优化问题区分开来：关键点：评估状态价值，将能够使得智能体获得更高回报，而不是只是关注即时奖励；如果不能够评估状态价值，很有可能导致Agent陷入利用（贪婪）的状态，
CVPR 2025 | 即插即用，极简数据蒸馏，速度up20倍，GPU占用仅2G
AImokuai的博客
08-11 858
本文提出了一种创新的神经特征函数匹配（NCFM）方法用于高效数据集蒸馏。该方法通过构建minmax对抗优化框架，引入神经特征函数差异（NCFD）作为新的分布度量指标，在复数空间实现数据特征的对齐。NCFM具有三大创新点：1）基于复数相位和振幅解耦的神经特征函数度量；2）动态采样网络实现高效计算；3）层级式特征对齐机制。实验表明，在CIFAR-100等数据集上，NCFM相比现有方法内存消耗降低300倍，处理速度提升20倍，同时保持无损压缩效果，为低资源环境下的模型训练提供了新范式。该方法在边缘计算、隐私保护数
快速了解svm算法
wzdzgdf的博客
08-08 1661
如果你刚接触机器学习，一定听过各种算法的名字：决策树、神经网络、SVM… 其中 SVM（支持向量机，Support Vector Machine）作为经典的监督学习算法，在分类任务中曾长期占据 “顶流” 地位，至今仍在很多场景中发挥重要作用。今天这篇文章，带你快速搞懂 SVM 的核心逻辑、关键概念和实际价值。
【Python】文本相似度计算方法全解析：从理论到实践
最新发布
采菊东篱下，Python满乾坤！
08-12 233
在自然语言处理、信息检索和数据清洗等领域，计算文本相似度是一个基础而重要的任务。无论是检测重复文档、拼写纠错，还是推荐系统，都需要准确地衡量两个文本之间的相似程度。本文将深入解析多种文本相似度计算方法，帮助您选择最适合的算法。文本相似度是指两个文本在内容、结构或语义上的相近程度。通常用0到1之间的数值表示，0表示完全不同，1表示完全相同。文本长度: 短文本适合 Dice 系数，长文本适合余弦相似度计算性能: 汉明距离最快，Levenshtein 较慢但精确应用场景。
成本低至1.5元/天，小智AI服务端，完整解决方案，高可用+可扩展
u010522887的专栏
08-09 707
本文分享了，`小智AI服务端`的一种`低成本、高可用`的完整解决方案。
dify 工作流 使用
06-10
Dify 的工作流设计旨在降低技术门槛，使用户能够通过简单的拖拽操作完成复杂逻辑的构建[^3]。以下是两种主要工作流类型的简要说明： - **Chatflow（对话流）**：用于多轮交互场景，例如客服系统、智能问答等。它支持...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

forest_long

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值