Dify实战：构建联邦式AI大脑

引言：从单体应用到AI微服务

核心策略：两步走，构建一个可组合的AI系统

1. 第一步：构建专家小队。我们将创建多个功能专一、可独立通过API调用的Dify应用。这些就是我们联邦系统中的"能力单元"或"AI微服务"。

2. 第二步：任命总指挥。我们将创建一个更高层次的Dify工作流（Agent），它的核心任务是理解复杂问题、制定计划，并调用我们第一步创建的专家应用（作为工具）来解决问题。

第一步：构建专家小队（创建多个查询工作流）

蓝图回顾：我们的专家团队规划

• 非结构化数据专家: 专注于海量的用户反馈和对话，使用语义切片来洞察核心问题和情绪。

• 半结构化数据专家: 专注于技术规格文档，使用结构化切片（如Markdown）来提供精确的技术细节。

• 结构化数据专家: 专注于CSV、数据库等表格数据，通过精确查询来获取库存、价格等信息。

专家A: "用户情绪分析师" (处理非结构化数据)

• 应用类型: 在Dify中创建一个聊天机器人。

• 名称: 用户反馈分析应用。

• 知识库: 只关联包含用户评论和客服记录的用户反馈库。

• 数据处理详解:
• 处理策略 (How): 我们为这个知识库选择语义切片模式。因为用户反馈是自由流动的非结构化文本，传统的固定长度切分会无情地切断一个完整的观点。语义切片则能理解文本的含义，将一个完整的、关于"电池续航"的抱怨，哪怕它横跨三句话，都智能地归入一个知识块。这为后续的检索提供了最连贯、最优质的上下文。
• 处理结果示例 (What):
• 原始数据 (一段客服记录): [14:31:02] User (Bob): 你们宣传的续航有10个小时，我昨天充满电，今天早上带来公司开会，就正常用用文档和浏览器，两个小时就报警了。这和宣传差的也太远了吧？
• 处理后的知识块 (A Chunk Object): Dify会将原始文本封装成一个包含内容和元数据的JSON对象，然后对其进行向量化。这个对象看起来像这样：核心价值: 检索时，AI不仅知道"内容"，还知道它的"身份"（元数据），这为未来进行更复杂的过滤（如"只看过去一周的反馈"）打下基础。

{
  "content": "[14:31:02] User (Bob): 你们宣传的续航有10个小时，我昨天充满电，今天早上带来公司开会，就正常用用文档和浏览器，两个小时就报警了。这和宣传差的也太远了吧？",
  "metadata": {
    "source": "RAG/knowledge_base_files/unstructured_data/customer_service_logs/chat_log_session_001.txt",
    "type": "unstructured_text",
    "timestamp": "1716383462"
  }
}

• Prompt:

你是一个专门分析用户反馈的AI专家。请根据上下文，精准地回答关于用户意见和情绪的问题，直接给出核心结论。
【用户反馈上下文】: {{#context#}}
【分析任务】: {{#query#}}

• 设置为工具: 创建完毕后，保存好它的API密钥和API端点URL。

专家B: "技术文档查询员" (处理半结构化数据)

• 应用类型: 同样，创建一个聊天机器人。

• 名称: 技术文档查询应用。

• 知识库: 只关联包含所有.md规格书的产品规格库。

• 数据处理详解:
• 处理策略 (How): 对于我们精心编写的Markdown规格书，我们选择基于Markdown标题的结构化切片。Dify会智能地将每个#或##标题下的所有内容作为一个独立的知识块。这样做的好处是，所有关于"连接端口"的规格（HDMI, USB-C, DP等）都会被完整地保留在一个块内，绝不会被拆散，保证了技术参数的完整性和准确性。
• 处理结果示例 (What):
• 原始数据 (sirius_notebook_specs.md的一部分):

## 2. 连接端口
- **视频输出**: 2 x Thunderbolt 4 (支持DP 1.4a), 1 x HDMI 2.1
- **USB**: 2 x USB-A 3.2 Gen 2, 1 x USB-C 3.2 Gen 2
- **音频**: 3.5mm 耳机/麦克风二合一接口

• 处理后的知识块 (A Chunk Object): 系统会创建一个代表该Markdown章节的JSON对象，如下所示：核心价值: 通过title_hierarchy这样的元数据，AI能理解这个块在整个文档结构中的位置。未来可以实现更高级的查询，比如"总结第二章'连接端口'和第三章'显示屏'的核心参数"。

{
  "content": "- **视频输出**: 2 x Thunderbolt 4 (支持DP 1.4a), 1 x HDMI 2.1\\n- **USB**: 2 x USB-A 3.2 Gen 2, 1 x USB-C 3.2 Gen 2\\n- **音频**: 3.5mm 耳机/麦克风二合一接口",
  "metadata": {
    "source": "RAG/knowledge_base_files/semi_structured_data/sirius_notebook_specs.md",
    "title_hierarchy": ["", "2. 连接端口"],
    "type": "markdown_section"
  }
}

• Prompt:

你是一个严谨的技术文档查询机器人。请根据提供的技术文档上下文，精确地回答关于产品规格的问题。
【技术文档上下文】: {{#context#}}
【查询问题】: {{#query#}}

• 设置为工具: 同样，保存好它的API密钥和API端点URL。

专家C: "库存与价格查询员" (处理结构化数据)

• 应用类型: 在Dify中，这必须通过 "自定义工具" 实现。其后端可以是一个能用Pandas等库查询CSV文件的Python API。

• 数据处理详解:
• 处理策略 (How): 对于CSV这类结构化数据，我们不直接将其放入Dify知识库进行向量化（虽然Dify也支持，但这并非最佳实践）。最佳实践是将其加载到数据库或通过代码（如Python Pandas）进行读取，然后通过一个能理解自然语言查询并生成精确数据操作的API来暴露其能力。这个API就是我们的"自定义工具"。它不会进行模糊的语义检索，而是进行精确的数据匹配和查询。
• 处理结果示例 (What):
• 原始数据 (product_inventory.csv的一行): SR-NB-V2-U7-4060-32G-1T,"Sirius Notebook V2","Ultra 7/4060/32G/1T",11999,150
• 数据、元数据与工具交互: 在这个场景中，"元数据"就是CSV的列标题 (ProductID, ProductName, Model, Price, Stock)。它们定义了每一列数据的意义。工具的作用是： 核心价值: 这种方式保证了数据的绝对精确性，避免了向量检索可能带来的"幻觉"，是处理结构化数据的黄金标准。
1. 输入: 接收Agent的查询，如 "查询 Model='Ultra 7/4060/32G/1T' 的 Stock 和 Price"。
2. 处理: 在内存或数据库中执行对这个表格数据的精确查找。
3. 输出: 返回一个结构化的JSON对象，其中键（元数据）和值（数据）被清晰地配对：

{
  "ProductID": "SR-NB-V2-U7-4060-32G-1T",
  "Stock": 150,
  "Price": 11999
}

• 工具名称: structured_data_querier

• 工具描述: 用于查询产品库存（Stock）和价格（Price）。输入产品名或型号，返回精确的库存和价格数据。

• 模拟功能: 我们假设它背后有一个API，可以接收一个查询语句，然后在product_inventory.csv中执行并返回结果。

第二步：任命总指挥（整合为通用入口Agent）

1. 创建主应用: 创建一个名为首席分析师Agent的Dify**工作流（Workflow）**应用。

2. 定义"工具箱": 在工作流的"工具"节点中，我们将上述三位专家注册为可用工具。
• 注册专家A: user_feedback_analyzer (用于分析用户反馈)
• 注册专家B: tech_doc_retriever (用于查询技术文档)
• 注册专家C: structured_data_querier (用于查询库存和价格)

3. 赋予Agent思考能力: 在工作流的"LLM"或"Agent"节点，我们为它设计一个强大的思考逻辑Prompt。

你是一个顶级的首席分析师，你拥有一个由三位专家组成的团队（体现为可用工具）。你的任务是理解用户的超复杂问题，制定一个分步计划，并依次调用你的专家工具来收集信息，最终整合成一个全面、深入的答案。

可用工具:
{{#tools#}}

请严格按照分步思考的方式，在必要时使用工具。
User input: {{$query}}

端到端流程演示：见证"能力联邦"的协同工作

"根据用户反馈，天狼星笔记本最受诟病的是哪个硬件？它的官方规格是什么？另外，帮我查一下库存中最高配置的天狼星笔记本的ProductID、当前库存量和价格。"

1. Thought: "问题的第一部分是找出用户抱怨最多的硬件。我应该使用user_feedback_analyzer。"

2. Action: 调用user_feedback_analyzer，输入："天狼星笔记本哪个硬件问题最被诟病？"

3. (工具返回): "电池续航"

4. Thought: "好的，问题是电池续航。现在我需要查询官方规格。我应该使用tech_doc_retriever。"

5. Action: 调用tech_doc_retriever，输入："天狼星笔记本的电池规格和宣传续航是多少？"

6. (工具返回): "电池: 75Wh, 续航10小时。"

7. Thought: "我已经知道了问题和规格。最后一步，我要查询最高配置型号的库存和价格。这需要查询结构化数据，我应该使用structured_data_querier。"

8. Action: 调用structured_data_querier，输入："查询产品名为'Sirius Notebook V2'且型号为'Ultra 7/4060/32G/1T'的ProductID, Stock, Price"

9. (工具返回): "ProductID: SR-NB-V2-U7-4060-32G-1T, Stock: 150, Price: 11999"

10. Thought: "所有信息都已集齐。现在我可以整合它们，形成最终答案。"

11. (最终输出): "根据用户反馈，天狼星笔记本最被诟病的问题是电池续航，其官方规格为75Wh，宣称续航10小时。经查询库存，最高配置（Ultra 7/4060/32G/1T）的型号信息如下：ProductID为SR-NB-V2-U7-4060-32G-1T，当前库存150件，售价11999元。"

终极架构图：可组合的AI大脑

%%{init: {'theme':'base', 'themeVariables': {'primaryColor': '#ffffff', 'primaryTextColor': '#000000', 'primaryBorderColor': '#000000', 'lineColor': '#000000', 'sectionBkgColor': '#f5f5f5', 'altSectionBkgColor': '#e8e8e8', 'gridColor': '#cccccc', 'secondaryColor': '#ffffff', 'tertiaryColor': '#f0f0f0'}}}%%
graph TD
    UserQuery["fa:fa-user-tie 超复杂查询"] --> MasterAgent{"fa:fa-brain 首席分析师 Agent<br>(总调度中心 / Master Workflow)"};

    subgraph "能力联邦 (Composable AI Services / Tools)"
        direction LR
        subgraph "Tool A: 非结构化数据专家"
            App_A["fa:fa-comments Dify应用A<br>(用户反馈分析)"] -- RAG --> KB_A["fa:fa-archive 用户反馈库"]
        end
        subgraph "Tool B: 半结构化数据专家"
            App_B["fa:fa-file-code Dify应用B<br>(技术文档查询)"] -- RAG --> KB_B["fa:fa-book 产品规格库"]
        end
        subgraph "Tool C: 结构化数据专家"
            App_C["fa:fa-table 自定义工具C<br>(库存价格查询)"] -- API --> DB["fa:fa-database CSV/数据库"]
        end
    end

    MasterAgent -- "1. 调用工具A" --> App_A;
    App_A -- "返回分析结果" --> MasterAgent;
    MasterAgent -- "2. 调用工具B" --> App_B;
    App_B -- "返回文档信息" --> MasterAgent;
    MasterAgent -- "3. 调用工具C" --> App_C;
    App_C -- "返回查询数据" --> MasterAgent;

    MasterAgent -- "4. 整合所有信息" --> FinalAnswer["fa:fa-check-circle 深度洞察答案"];

    classDef agent fill:#FADBD8,stroke:#E74C3C,stroke-width:2px;
    classDef tool fill:#d4edda,stroke:#c3e6cb,stroke-width:2px;
    classDef answer fill:#D5F5E3,stroke:#2ECC71,stroke-width:2px;

    class MasterAgent agent
    class App_A tool
    class App_B tool
    class App_C tool
    class FinalAnswer answer

结论：旅程的结束，智慧的开始