#3. 创建 Chatflow 实战

#功能介绍

Chatflow 是 Dify 中功能最强大的对话式应用类型。与基础聊天助手不同，Chatflow 采用工作流画布的方式来编排对话逻辑，你可以通过拖拽节点和连线来定义 AI 的对话处理流程。这意味着你可以实现条件分支（根据用户意图走不同的处理路径）、多步骤推理（先检索知识库、再调用 LLM 生成回答）、以及复杂的数据处理逻辑。

Chatflow 的默认结构是"开始节点 → LLM 节点 → 直接回复"，但你可以在其中插入知识检索、条件分支、代码执行等任意节点，构建出高度定制化的对话体验。Chatflow 特别适合需要精细控制对话流程的业务场景，比如多步骤的客服系统、问诊导诊流程、或者复杂的信息收集对话。

#使用方法

进入「工作室」，输入名称和描述，点击「创建」。

创建完成后自动进入工作流画布。系统会自动创建默认的三节点结构：「用户输入」→「LLM」→「直接回复」。

点击画布上的开始节点「用户输入」，在右侧面板中点击「+」添加两个输入字段。

在弹出的「添加变量」对话框中配置：

• 字段类型：文本（string）
• 变量名称：job_title
• 显示名称：输入面试的工作
• 最大长度：256
• 必填：勾选

再次点击「+」添加第二个变量：

• 字段类型：下拉选项（string）
• 变量名称：difficulty
• 显示名称：面试难度
• 选项：添加三个选项——「初级」「中级」「高级」
• 默认值：无默认值
• 必填：勾选

点击画布左侧工具栏的「+」按钮，在节点列表中找到「条件分支」节点并添加到画布。将开始节点的输出连接到条件分支节点的输入。

再从节点面板中添加一个「LLM」节点（系统自动命名为「LLM 2」）。

将「条件分支」节点的 IF 输出端连接到「LLM」节点，ELSE 输出端连接到「LLM 2」节点。

点击「LLM」节点，在右侧面板中配置：

1. 选择模型：选择 gpt-5.4。
2. 编写 SYSTEM 提示词：

你是一位专业的 {{用户输入.job_title}} 面试官。请根据 {{用户输入.difficulty}}（难度），先向候选人打个招呼，并提出第一个专业技术问题。
注意：只提一个问题，等待候选人回答。

注意：不要复制示例中的变量，输入"/"符号时会弹出变量选择菜单，选择用户输入的 job_title 和difficulty变量即可将其引用到提示词中。

3. 配置 USER 消息：引用 用户输入.query（用户的对话输入）和 用户输入.files（用户上传的文件）。
4. 开启记忆：打开「记忆」开关，设置记忆窗口为内置模式，确保对话上下文能传递。

点击「LLM 2」节点，在右侧面板中配置：

1. 选择模型：选择 gpt-5.4。
2. 编写 SYSTEM 提示词：

你正在面试一位 {{用户输入.job_title}} 。根据之前的对话历史和候选人最新回答：{{用户输入.query}}
简要评价候选人上一个回答的准确性（1-10分）。
根据回答内容，进行深度追问，或者切换到下一个技能点的考核。

注意：不要复制示例中的变量，输入"/"符号时会弹出变量选择菜单，选择用户输入的 job_title 和query变量即可将其引用到提示词中。

3. 配置 USER 消息：同样引用 {{用户输入.query}} 和 {{用户输入.files}}。
4. 开启记忆：打开「记忆」开关并设置记忆窗口大小为 100 轮，确保面试过程中的所有对话历史都能被引用。

点击「条件分支」节点，在右侧面板中配置条件：

• 条件：sys.dialogue_count 等于 1
• IF 分支：当对话轮次等于 1 时（即首轮对话），流程走「LLM」节点，提出第一个面试问题。
• ELSE 分支：后续所有对话轮次走「LLM 2」节点，对用户的回答进行评价并继续追问。

sys.dialogue_count 是 Chatflow 的内置系统变量，记录当前对话的轮次数。利用它可以区分首次交互和后续交互，实现不同的处理逻辑。

将「LLM」节点和「LLM 2」节点的输出端口都连接到「直接回复」节点。

点击「直接回复」节点，在「回复」输入框中输入"/"，选择「LLM」节点的text 和「LLM 2」节点的 text变量。

点击画布右上角的「预览」按钮，在弹出的对话窗口中进行测试。

测试无误后，点击右上角「发布」按钮上线。

发布后的应用可以在「探索」界面的左侧边栏使用。

#与聊天助手的区别

#使用技巧

• 设计 Chatflow 前先画好流程图，明确用户的可能路径和分支条件。
• 善用「问题分类器」节点对用户输入进行意图识别，将不同类型的问题路由到不同的处理分支。
• LLM 节点支持开启「记忆」功能，可以保留对话历史上下文。记忆窗口默认为 10 轮，可以根据需要调整。
• 在 LLM 节点的提示词中，可以引用「知识检索」节点的输出作为上下文，实现 RAG 增强。
• 复杂的 Chatflow 建议使用注释节点标注每个分支的用途，方便团队协作和后续维护。

#示例

示例一：电商售后客服 Chatflow

流程设计：
开始（用户输入）
    → 问题分类器（分类为：退换货、物流查询、产品咨询、投诉）
        → 退换货分支：知识检索（退换货政策文档）→ LLM（生成退换货指引）→ 直接回复
        → 物流查询分支：HTTP 请求（查询物流 API）→ LLM（整理物流信息）→ 直接回复
        → 产品咨询分支：知识检索（产品文档）→ LLM（回答产品问题）→ 直接回复
        → 投诉分支：LLM（安抚用户情绪）→ 人工介入 → 直接回复

示例二：智能问诊助手 Chatflow

流程设计：
开始（用户输入症状描述）
    → LLM（提取症状关键词并分类严重程度）
    → 条件分支（判断是否紧急）
        → 紧急：直接回复（建议立即就医 + 120 电话）
        → 非紧急：知识检索（常见症状与科室对照表）
            → LLM（推荐就诊科室和注意事项）
            → 直接回复

示例三：多语言客服路由 Chatflow

流程设计：
开始（用户输入）
    → LLM（检测输入语言：中文、英文、日文、其他）
    → 条件分支（按语言路由）
        → 中文：LLM（中文客服提示词）→ 直接回复
        → 英文：LLM（英文客服提示词）→ 直接回复
        → 日文：LLM（日文客服提示词）→ 直接回复
        → 其他：LLM（默认英文回复 + 提示切换语言）→ 直接回复

示例四：文档 QA 增强型 Chatflow

流程设计：
开始（用户输入）
    → 知识检索（从产品文档知识库中检索相关片段）
    → 条件分支（判断检索结果是否为空）
        → 有检索结果：LLM（基于检索内容回答用户问题，提示词中引用 @知识检索.result）→ 直接回复
        → 无检索结果：LLM（告知用户该问题不在已有资料范围内，提供通用性建议）→ 直接回复

示例五：面试模拟 Chatflow

流程设计：
开始（用户输入目标岗位和简历信息）
    → LLM（根据岗位生成面试问题，每次只问一个问题）
    → 直接回复（输出面试问题）
    ↺ 用户回答后，LLM（评价用户回答，给出改进建议，然后抛出下一个问题）
    → 循环直到完成 5 个问题
    → LLM（生成面试总结报告：评分、优势、改进建议）
    → 直接回复