#4. 创建工作流

#功能介绍

工作流是 Dify 中面向自动化处理场景的应用类型。与 Chatflow 不同，工作流通常不涉及多轮对话交互，而是接受一组输入参数后自动执行预定义的处理流程，最终输出处理结果。工作流特别适合批量文本处理、数据清洗、报告生成、定时任务等自动化场景。

工作流的开始节点支持两种模式：「用户输入」模式（通过 Web 界面或 API 触发）和「触发器」模式（定时任务、Webhook 等自动触发）。配合条件分支、迭代、循环等控制节点，工作流可以实现非常复杂的自动化逻辑。

#使用方法

选择「工作流」类型，输入应用名称和描述，点击创建。

选择开始节点类型。

• 选择「用户输入」如果需要手动触发或通过 API 调用。
• 选择「触发器」如果需要定时执行或 Webhook 触发。

点击开始节点「用户输入」，在编辑界面中定义变量。

配置变量后保存。

点击左侧添加一个「LLM」节点。

连接开始节点与LLM节点。

选择LLM节点使用的模型，并且将变量设置为开始节点的用户输入变量。

填写提示词，并将变量名用{}引用到提示词中。

再次添加一个「LLM 2」节点，与第一个「LLM」节点连接。

选择「LLM 2」节点填写提示词，并且将变量设置为第一个「LLM」节点的输出变量。

最后添加一个「输出」节点，与「LLM 2」节点连接。

将输出节点的变量设置为「LLM 2」节点的输出变量。

点击右上角「测试运行」测试工作流是否能正常工作。

测试通过后点击右上角「发布」上线。

发布后的应用可以在「探索」界面的左侧边栏使用。

#使用技巧

• 工作流的每个节点都可以单独运行和调试。点击节点右上角的运行按钮可以单步执行该节点。
• 善用「迭代」节点处理批量数据。例如将一个长列表传入迭代节点，对列表中的每一项分别调用 LLM 进行处理。
• 「代码执行」节点支持 Python 和 JavaScript，可以用来做数据格式转换、条件判断、字符串处理等编程任务。
• 工作流支持通过 API 调用触发，返回格式为 JSON，方便集成到外部系统中。
• 对于复杂的工作流，建议先用简单的测试数据验证每个分支路径，再逐步接入真实数据。

#示例

示例一：批量文章摘要生成工作流

流程：
开始（输入：文章列表 JSON）
    → 代码执行（解析 JSON 提取文章内容列表）
    → 迭代（对每篇文章）
        → LLM（生成 200 字摘要）
    → 变量聚合器（收集所有摘要）
    → 模板转换（格式化为 Markdown 报告）
    → 输出

示例二：竞品监控工作流

流程：
触发器（每天早上 9:00 定时执行）
    → HTTP 请求（抓取竞品网站的最新产品页面）
    → LLM（分析竞品最新动态，与上次对比找出变化）
    → 条件分支（是否有重大变化）
        → 有变化：HTTP 请求（发送通知到企业微信/Slack）
        → 无变化：输出（记录"无变化"日志）

示例三：客户反馈分析工作流

流程：
开始（输入：客户反馈文本列表）
    → 迭代（对每条反馈）
        → LLM（情感分析：正面/中性/负面 + 关键词提取）
    → 代码执行（统计各类情感的数量和比例）
    → LLM（生成分析报告，包含趋势洞察和改进建议）
    → 输出

示例四：多语言内容翻译工作流

流程：
开始（输入：原文文本、目标语言列表）
    → 迭代（对每种目标语言）
        → LLM（将原文翻译为该目标语言）
    → 变量聚合器（收集所有翻译结果）
    → 模板转换（整理为对照格式）
    → 输出

示例五：简历筛选工作流

流程：
开始（输入：岗位 JD、简历文本列表）
    → 迭代（对每份简历）
        → LLM（根据 JD 评估匹配度，输出评分 1-10 和理由）
    → 代码执行（按评分排序，筛选出 Top 5）
    → LLM（生成筛选报告）
    → 输出