Dify功能模块包括哪些？

以下介绍 Dify 中几个主要的功能模块，并结合操作手册对各模块的独特之处与优 势进行详细介绍。

1.工具：大模型连接外部世界的桥梁

在 Dify 的各类功能中，工具（Tools）功能是连接大模型与外部世界的最重要桥梁，使大 模型具备了更强的交互与行动能力，显著拓展了其应用边界。Dify 丰富的工具调用功能 帮助其在一众工作流应用中超越其他竞品提供了坚实基础。 工具的接入使得 Dify 在构建 Agent 应用时具备了更强的任务分解与执行能力。用户可为 智能助理配置不同工具，当 Agent 接收到任务指令后，便可以在模型推理基础上调用相应 工具，如搜索信息、抓取网页、生成图片或执行数据库查询等，从而完成更复杂的交互逻 辑和任务闭环。 Dify 支持的工具类型非常丰富，主要有以下几类来源：

a)、Dify 市场（Marketplace）中提供的官方接口。用户可以直接使用平台提供的官方工 具，例如 Google 搜索、维基百科抓取、MySQL 数据库连接等，也包含获取时间、代码解 释、JSON 处理等便捷功能。此外，钉钉、企业微信等软件也在 Dify 上提供官方接口，方 便用户在软件中添加大模型应用服务。 大多数工具在初次配置时需要进行授权，譬如 SQL 数据库查询工具等，成功后无需重复配 置。

b)、Dify 也允许用户使用自定义的工具，但需要编写 Schema 文档对接口的参数、调用方 法、返回数据格式等进行描述，才能实现接入外部自定义接口。譬如我们想将 RAGFlow 等 更专业化的知识库接入 Dify 流程，就需要通过这类方法实现。理论上，任何能通过 API 实现的功能都可以编为自定义工具。

c)、Dify 工具的高自由度还体现在，甚至是用户自己创建的工作流也能当作工具使用。 这可以大幅减少重复构建相同功能所花费的精力，增强基础模块的可复用性。 以下案例中，我们搭建一个“个股研判 bot”工作流专门处理个股分析工作，并打包成工 具。如流程图所示，该工作流需要输入个股名称、检索时间范围与分析任务三个参数，经 过一系列程序后返回分析结果。该工具可以进一步应用于其他工作流、或是智能体应用中， 方便大模型自动判断用户的需求是否涉及个股分析，并自主决定是否调用。

高自由度与模块化的工具设计是 Dify 的特色，后续的案例中我们将进一步展示工具模块 的能力。

2.知识库：支撑智能问答的事实底座

在大模型驱动的智能问答系统中，传统 LLM 通常依赖静态预训练数据进行响应，然而这类 模型的知识更新周期长、内容难以覆盖企业专属信息，难以胜任对准确性与时效性要求较 高的业务场景。Dify 提供的知识库（Knowledge）功能，正是为了解决这一问题而设计。 它通过将 RAG（Retrieval-Augmented Generation）流程可视化，并封装成一套易用的图 形界面，帮助用户构建、管理并接入可实时更新的知识源，为大模型提供结构化的“事实 依据”。 在实际问答过程中，大模型并非直接依赖记忆中的训练语料，而是优先从知识 库中召回相关度较高的内容块，并以此作为上下文提示，从而生成更贴近事实、更具参考 性的回答。这一过程不仅显著降低了模型“幻觉”现象的概率，也提升了复杂知识问答的 稳定性与准确性。 在 Dify 中创建并配置一个知识库，是构建可检索型智能问答系统的重要前提。整个过程 由内容上传、结构处理、索引设定到模型集成等多个步骤组成，均可在平台的可视化界面 中完成。Dify 知识库支持上传多种格式的文档（如 TXT、DOCX、PDF、Markdown、HTML、 CSV 等），同时也支持连接外部知识源（如 Notion、网页爬虫结果、数据库等），使已有内 容库能够与智能应用无缝对接，无需重复上传或维护，大幅降低数据接入与更新的门槛。

知识库模块也支持灵活的分段（Chunk）、索引与检索算法设置，确保 LLM 能够基于关键词 进行高效检索。完成数据源导入后，系统将引导用户进入分段配置流程，这是将长文本切 分为更小的“内容块”的关键步骤，以便后续模型在检索时获得更精准的上下文。具体而 言，分段有“通用”与“父子分段”两种模式，父子分段更适用于前后文高度连贯性的文 本，可能更适用于金融文本知识库构造。用户可在此阶段预览分段效果，并根据需要调整 策略，确保信息结构的合理性和一致性。 接下来是设定索引方法与检索参数，这一步决定了知识库如何在接收到查询指令后对已上 传内容进行内容匹配与相关性排序。检索算法上 Dify 支持单纯的向量检索、全文检索与 混合检索三种方式。用户可以自定义召回策略、相似度阈值等参数，以提升答案的准确性 与相关性。

配置完成后，系统将自动进行分段文本的向量化嵌入，并构建索引结构。该过程可能需要 数秒到数分钟，视文件体积与内容结构而定。

后续如需维护或更新文档内容，用户可在知识库管理界面对文档进行替换、分段重新处理 或索引更新，保持知识库内容的实时性与可控性。 待所有内容成功嵌入后，用户即可在应用构建过程中将该知识库与具体 Agen t 或 Chatflow 应用进行绑定，赋予模型对企业专属内容的实时访问能力。知识库将作为模型 生成答案时的上下文来源，在用户提问后自动完成相关内容召回并注入至模型提示中，生 成更具针对性、真实性的响应。在后续应用构建时，开发者可以快速将知识库集成至对话 型或 API 型应用中，用于打造如“AI 客服助手”、“法规问答引擎”、“金融文档解析机器 人”等系统。在 Dify 内仅需上传文档并配置知识库接入，三分钟内即可部署完成并投入 使用。 当然，Dify 自带的知识库无法识别 pdf 中的表格等结构化数据，若在此方面有较高需求， 还是应当外接 RAGFlow 等其他专业化的知识库工具。

3. Agent 模式：让模型具备执行力

在传统的大语言模型应用中，模型的回答完全依赖于用户提供的上下文和模型本身的知识 储备，它“只是一个会想的大脑”，不能真正获取外部信息或采取行动。而 Dify 中的 Agent 模块改变了这一点。我们可以为 Agent 配置各种工具，让它在理解问题的同时还能 采取行动来解决问题。当用户提出问题时，Agent 会根据解决问题的需要主动选择每一步 调用的工具，包括数据库检索、网页查询等功能，获取相关信息后再由语言模型将这些信 息加工为自然语言输出。 这样的机制让模型从只能对话的生成器升级为一个能动手的智能助理。比如当用户问“这 个月哪个产品销量最低？”时，普通模型可能只能根据输入内容猜测，而 Agent 会识别这 是一个需要数据查询的任务，自动调用我们配置的工具查询销量数据，然后给出准确回答。 Agent 的作用就是赋予模型执行力，使它不再局限于文本生成，而是可以像一个具备动手 能力的员工，真正完成任务。

Dify 将构建智能助手（Agent）的配置流程进行模块化，操作较为简便。用户可以从官方 提供的模板出发，也可以选择“创建空白应用”从零开始搭建。

Agent 的配置核心包括提示词、变量、知识库与工具。用户首先需要在“提示词”部分设 定智能助手的行为逻辑，明确其任务目标、操作流程、语气风格、资源限制与角色定位。 提示词的质量直接影响 Agent 对用户指令的理解能力与执行一致性，但用户也不必担心自 己无法写出高质量的提示词。Dify 也提供了自动生成专业化提示词的功能，只需用户简 单描述指令，即可生成格式规范且带有 few-shot 的提示词。

知识库模块与工具模块则如前问所述，均可在 Agent 中进行配置，为实际应用带来丰富的 想象空间。 此外，用户还可以配置模型的推理方式（如 GPT 系列支持的 Function Calling 或兼容 ReAct 的逻辑调用方式），控制助手的迭代次数，并设置对话的开场白与引导问题，提升用 户的首次交互体验。对于支持文件上传的多模态模型（如 Claude 3.5 Sonnet 或 Gemini 1.5 Pro），系统也提供“文档”功能开关，以启用文件识别能力。整个 Agent 配置完成后，用户可在“调试与预览”界面进行测试，检验其任务完成效果并进一步调整，确保模 型行为符合预期。

4. Workflow：构建可执行任务的智能流程引擎

在大语言模型面向实际业务场景落地的过程中，任务链条的复杂性往往对模型的提示词设 计和推理路径提出更高要求。Dify 所提供的工作流（Workflow）功能，正是为了解决这一 问题而设计。通过将复杂任务拆解为可编排的节点序列，工作流在提升系统可控性的同时， 也显著降低了对单轮提示词和模型性能的依赖，从而增强了整体应用的稳定性、可解释性 与容错性。在 Workflow 模式下，系统则更像是一个结构化任务执行平台，可广泛应用于 高质量翻译、内容生成、数据分析与邮件自动处理等场景，不仅是“串接 LLM 输出”的流 程工具，更是企业构建智能任务引擎的核心模块之一。 用户在创建空白工作流应用之后，首先会以“开始节点”作为流程入口。此处用户可以添 加输入变量，确定整个工作流的初始输入部分。之后，用户可通过添加和连接多个节点， 逐步构建任务逻辑。节点是工作流的基本执行单元，每个节点代表一个功能步骤，例如调 用大语言模型（LLM）、连接知识库检索、调用 Agent 等前文中提及的关键功能；此外也包 括条件分支、迭代与循环等逻辑过程，强化大模型处理复杂逻辑任务的能力；也能加入问 题分类、代码执行、模板转换与迭代处理等节点，为复杂业务提供了灵活的配置能力；或 是直接调用配置好的各类工具，进行数据提取或处理任务。

在构建过程中，变量机制用于在节点之间传递数据。变量思想源自于编程，这方便用户将 内部每个节点以及整个工作流都当作一个函数，变量在其中起到传递信息流的关键作用。 在初始节点设定的初始变量可在各节点中被引用，支持记录用户、文件、应用运行状态等 信息；环境变量则用于存储如 API 密钥等敏感信息，支持跨节点调用但不可修改；此外用 户还可通过“变量赋值”节点自定义变量，实现流程中的数据加工、暂存与逻辑控制。 通过连接多个节点，可以实现从输入到输出的完整自动化流程。流程最终以“End 节点” 结束，用于标记任务的完成。完成节点编排和变量配置后，用户可对流程进行调试和预览， 逐步验证各步骤的输入输出是否符合预期。整个构建过程无需编写代码，适用于构建结构 清晰、可复用、自动化程度高的数据处理和任务执行应用。 Dify 中还有一类与工作流类似的应用种类“Chatflow”。在 Chatflow 中用户可以构建具 备意图识别与逻辑判断能力的多轮对话系统，常见应用包括客户服务系统与语义搜索。例 如，在客服场景中，模型通过用户问题自动识别其需求，再结合预设节点调用相关工具生 成准确答复，极大缓解了人工负担。此处我们不做赘述。

5.扩展系统：Dify 连接自定义服务

在 Dify 中，Extension（扩展）功能为大模型提供了灵活的外部能力接入机制，使开发者能够将自定义服务或系统功能无缝集成进智能体的推理与任务流程中。通过配置标准化的 API 接口，用户可以将自身已有的业务逻辑或数据能力包装成模块，供大模型调用，从而 扩展模型的执行范围和上下文理解能力。目前平台支持的扩展点包括外部数据工具和敏感 内容审查两大类，分别用于为 LLM 提供额外的信息来源以及增强模型的合规性和安全控 制。 通过 Extension 接入的 API 服务可以作为 Agent 或工作流中的工具节点被调用，例如通 过外部接口实时获取天气数据、调用内部知识系统回答专业问题，或对输入输出内容进行 实时审查与替换。开发者只需提供符合规范的 API 接口，并为其配置访问凭据，便可在 Dify 平台完成集成与调试。这一机制使得智能体能力能够根据业务需求动态扩展，实现 更深度、更定制化的任务执行逻辑。 在 Dify 中使用 Extension 功能，开发者需首先准备好可被调用的 API 接口，并配置对应 的鉴权方式（如 API Key ）。 平 台 支 持 两 类 扩 展 点 ： 用 于 获 取 外 部 信 息 的 external_data_tool，以及用于内容过滤的 moderation。在平台中添加扩展时，开发者需 填写 API Endpoint，并接受系统以 point=ping 发起的校验请求，确保接口连通性。接口 调用与返回需遵循标准格式，例如外部数据工具应返回结构化字符串字段 result。如服 务部署在本地环境，也可借助 Ngrok 或 Cloudflare Workers 实现公网访问。在成功配置 后，该扩展即可作为工具接入到具体应用中，由模型在执行过程中自动调用，从而增强数 据访问与控制能力。