这是我的第358篇原创文章。

一、引言

Dify是一个功能强大的AI工作流平台，我们能够利用此平台实现我们自己个性化工具！

a.打开官网：https://cloud.dify.ai/signin

b.使用账号登录,选gmail，github账号都可以

Dify 工作流分为两种类型：

• Chatflow：面向对话类情景，包括客户服务、语义搜索、以及其他需要在构建响应时进行多步逻辑的对话式应用程序。

• 以客户服务为例：
• 通过将 LLM 集成到您的客户服务系统中，您可以自动化回答常见问题，减轻支持团队的工作负担。LLM 可以理解客户查询的上下文和意图，并实时生成有帮助且准确的回答。

• Workflow：面向自动化和批处理情景，适合高质量翻译、数据分析、内容生成、电子邮件自动化等应用程序。

二、实现过程

工作流逻辑：根据学生输入的各科目的分数，进行评分。如果语文和数学两门成绩都在99以上，则评为‘顶级学霸’（代码执行），如果语文和数学两门成绩都在80分以上，则评为“优秀学生”（代码执行），否则评为“还需继续努力”（代码执行）。

1、选择工作室-选择空白应用

这里我选择工作流的应用类型，名称设置为：Q老师评分，描述设置为：评分小助手。

2、编排工作流

工作流就是一个流程图，包含开始节点、中间处理节点、结束节点，开始节点一般需要有输入字段，结束节点一般是一个分支的结束，是输出结果，需要有输出变量，中间节点一般是处理的逻辑。

开始节点：

中间条件分支节点：

中间代码执行节点：

结束节点：

完整的工作流编排如下：

3、调试

点击运行-输入变量值-点击开始运行：

可以看出输出了总分和评价：

可以看一下输入和输出的详情：

可以点击一下追踪，看到执行的这条分支每个节点的输入输出情况：

4、发布

点击发布：

工作流可以发布为工具，作为agent应用的工具。同时也可以直接运行（批量运行）或者通过发布API的形式提供服务。

输入分数，点击运行：

执行结果符合预期：

三、小结

工作流通过将复杂的任务分解成较小的步骤（节点）降低系统复杂度，减少了对提示词技术和模型推理能力的依赖，提高了 LLM 应用面向复杂任务的性能，提升了系统的可解释性、稳定性和容错性。

作者简介： 读研期间发表6篇SCI数据算法相关论文，目前在某研究院从事数据算法相关研究工作，结合自身科研实践经历持续分享关于Python、数据分析、特征工程、机器学习、深度学习、人工智能系列基础知识与案例。关注gzh：数据杂坛，获取数据和源码学习更多内容。

原文链接：

【Python大语言模型系列】一文教你使用dify云版本开发一个AI工作流（完整教程）