Dify 工作流设计

SKILL de Diseño de Flujos de Trabajo en Dify

Domina los conocimientos esenciales y las mejores prácticas para el diseño de flujos de trabajo en Dify

Navegación Rápida

• Descripción General del Flujo de Trabajo
• Tipos de Nodos Principales
• Patrones de Diseño
• Plantillas de Flujo de Trabajo
• Sistema de Variables
• Mejores Prácticas

---

Descripción General del Flujo de Trabajo

Dify Workflow es un sistema de orquestación visual de aplicaciones de IA que, mediante la combinación de nodos y aristas, implementa lógica de negocio compleja.

Conceptos Principales

• Nodo (Node): Unidad básica de ejecución del flujo de trabajo, cada nodo realiza una función específica.
• Arista (Edge): Conecta nodos, define el flujo de datos y el orden de ejecución.
• Variable (Variable): Transmite datos entre nodos.
• DSL (Domain Specific Language): Lenguaje de definición de flujo de trabajo en formato YAML.

Tipos de Flujo de Trabajo

1. Workflow: Flujo de trabajo estándar, adecuado para procesos complejos de múltiples pasos.
2. Advanced Chat: Aplicación de conversación avanzada, compatible con orquestación de flujo de trabajo.
3. Agent: Agente inteligente, toma de decisiones autónoma y llamada a herramientas.

Modelo de Ejecución

• Impulsado por cola: Programación de nodos basada en Ready Queue.
• Impulsado por eventos: La ejecución de nodos genera un flujo de eventos.
• Ejecución paralela: Soporta de 2 a 8 hilos de trabajo en paralelo.
• Respuesta en streaming: Soporta salida en tiempo real mediante streaming.

---

Tipos de Nodos Principales

1. Nodo Start

Función: Punto de entrada del flujo de trabajo, define las variables de entrada.

Ejemplo de configuración:

- data:
    desc: ''
    selected: false
    title: Inicio
    type: start
    variables:
    - label: Entrada del usuario
      max_length: 1000
      required: true
      type: text-input
      variable: user_input
  id: start
  type: custom

Documentación detallada: nodes/start.md

---

2. Nodo LLM

Función: Invoca un modelo de lenguaje grande para razonamiento y generación.

Ejemplo de configuración:

- data:
    type: llm
    model:
      provider: openai
      name: gpt-4
      completion_params:
        temperature: 0.7
        max_tokens: 2000
    prompt_template:
    - id: system
      role: system
      text: "Eres un asistente profesional"
    - id: user
      role: user
      text: "{{#sys.query#}}"
    context:
      enabled: true
      variable_selector: ["knowledge", "result"]
  id: llm

Parámetros clave:

• model: Configuración del modelo (proveedor, nombre, parámetros).
• prompt_template: Plantilla de prompt (admite mensajes del sistema y del usuario).
• context: Configuración de contexto (habilita resultados de búsqueda en la base de conocimiento).
• memory: Configuración de memoria de conversación.
• vision: Configuración de capacidad visual (admite entrada de imágenes).

Documentación detallada: nodes/llm.md

---

3. Nodo Agent

Función: Agente inteligente que invoca herramientas de forma autónoma según las necesidades del usuario.

Ejemplo de configuración:

- data:
    type: agent
    agent_parameters:
      instruction:
        type: constant
        value: "Según las necesidades del usuario, invoca la herramienta adecuada para completar la tarea"
      model:
        type: constant
        value:
          provider: openai
          model: gpt-4
          completion_params:
            temperature: 0.7
      query:
        type: constant
        value: "{{#sys.query#}}"
      tools:
        type: constant
        value:
        - enabled: true
          provider_name: time
          tool_name: current_time
          type: builtin
        - enabled: true
          provider_name: duckduckgo
          tool_name: ddgo_search
          type: builtin
    agent_strategy_name: function_calling
  id: agent

Estrategias compatibles:

• function_calling: Llamada a función (recomendada).
• react: Modo de razonamiento ReAct.

Documentación detallada: nodes/agent.md

---

4. Nodo Knowledge Retrieval

Función: Recupera información relevante de la base de conocimiento (RAG).

Ejemplo de configuración:

- data:
    type: knowledge-retrieval
    dataset_ids:
    - "dataset-uuid-1"
    - "dataset-uuid-2"
    query_variable_selector: ["start", "sys.query"]
    retrieval_mode: single
    single_retrieval_config:
      model:
        provider: openai
        name: text-embedding-3-small
      top_k: 3
      score_threshold: 0.7
      reranking_model:
        provider: cohere
        model: rerank-english-v2.0
  id: knowledge

Modos de recuperación:

• single: Recuperación única.
• multiple: Recuperación múltiple.

Documentación detallada: nodes/knowledge-retrieval.md

---

5. Nodo Code

Función: Ejecuta código Python o JavaScript.

Ejemplo de configuración:

- data:
    type: code
    code_language: python3
    code: |
      def main(input_text: str) -> dict:
          # Lógica de procesamiento
          result = input_text.upper()
          return {
              "output": result,
              "length": len(result)
          }
    variables:
    - variable: input_text
      value_selector: ["start", "user_input"]
    outputs:
      output:
        type: string
      length:
        type: number
  id: code

Lenguajes compatibles:

• Python 3
• JavaScript (Node.js)

Documentación detallada: nodes/code.md

---

6. Nodo HTTP Request

Función: Invoca una API HTTP externa.

Ejemplo de configuración:

- data:
    type: http-request
    method: POST
    url: "https://api.example.com/endpoint"
    headers:
      Content-Type: application/json
      Authorization: "Bearer {{#env.API_KEY#}}"
    body:
      type: json
      data:
        query: "{{#sys.query#}}"
        options:
          temperature: 0.7
    timeout: 30
  id: http

Métodos compatibles:

• GET, POST, PUT, DELETE, PATCH

Documentación detallada: nodes/http-request.md

---

7. Nodo Tool

Función: Invoca herramientas integradas o personalizadas.

Ejemplo de configuración:

- data:
    type: tool
    provider_id: google_translate
    provider_type: builtin
    provider_name: google_translate
    tool_name: translate
    tool_parameters:
      content:
        type: mixed
        value: "{{#sys.query#}}"
      dest:
        type: mixed
        value: "es"
  id: tool

Tipos de herramientas:

• builtin: Herramientas integradas.
• api: Herramientas de API.
• workflow: Herramientas de flujo de trabajo.

Documentación detallada: nodes/tool.md

---

8. Nodo If-Else

Función: Control de ramificación condicional.

Ejemplo de configuración:

- data:
    type: if-else
    conditions:
    - variable_selector: ["llm", "text"]
      comparison_operator: contains
      value: "palabra clave"
    logical_operator: and
  id: condition

Operadores compatibles:

• contains, not contains
• is, is not
• empty, not empty
• >, <, >=, <=, =, !=

Documentación detallada: nodes/if-else.md

---

9. Nodo Iteration

Función: Procesa iterativamente datos de tipo array.

Ejemplo de configuración:

- data:
    type: iteration
    iterator_selector: ["start", "items"]
    output_selector: ["iteration_inner", "output"]
    parallel_nums: 3
    error_handle_mode: continue
  id: iteration

Modos de manejo de errores:

• continue: Continuar la ejecución.
• stop: Detener la iteración.

Documentación detallada: nodes/iteration.md

---

10. Nodo Answer

Función: Muestra el resultado del flujo de trabajo.

Ejemplo de configuración:

- data:
    type: answer
    answer: "{{#llm.text#}}"
  id: answer

Documentación detallada: nodes/answer.md

---

Patrones de Diseño

1. Patrón de Pipeline Secuencial

Escenario de uso: Procesos lineales simples.

Estructura:

Start → LLM → Answer

Ejemplo: patterns/sequential.md

---

2. Patrón de Ramificación Condicional

Escenario de uso: Ejecutar diferente lógica de procesamiento según condiciones.

Estructura:

Start → LLM → If-Else → [Rama A / Rama B] → Answer

Ejemplo: patterns/conditional.md

---

3. Patrón de Procesamiento Iterativo

Escenario de uso: Procesamiento por lotes de datos en array.

Estructura:

Start → Code → Iteration → LLM → Answer

Ejemplo: patterns/iterative.md

---

4. Patrón de Recuperación de Conocimiento (RAG)

Escenario de uso: Preguntas y respuestas basadas en la base de conocimiento.

Estructura:

Start → Knowledge Retrieval → LLM (con contexto) → Answer

Ejemplo: patterns/rag.md

---

5. Patrón de Agregación Multi-Fuente

Escenario de uso: Integrar información de múltiples fuentes de datos.

Estructura:

Start → [Tool1, Tool2, HTTP] → Variable Aggregator → LLM → Answer

Ejemplo: patterns/aggregation.md

---

Plantillas de Flujo de Trabajo

Pregunta-Respuesta Simple

Archivo: templates/simple-qa.yml

Descripción: El flujo de trabajo de preguntas y respuestas más básico.

Nodos: Start → LLM → Answer

---

Asistente RAG

Archivo: templates/rag-assistant.yml

Descripción: Asistente inteligente basado en la base de conocimiento.

Nodos: Start → Knowledge Retrieval → LLM → Answer

---

Llamada a Herramientas con Agente

Archivo: templates/agent-tools.yml

Descripción: Agente inteligente que invoca herramientas de forma autónoma.

Nodos: Start → Agent → Answer

---

Procesamiento Multi-Paso

Archivo: templates/multi-step.yml

Descripción: Proceso de procesamiento complejo de múltiples pasos.

Nodos: Start → Code → HTTP → LLM → If-Else → Answer

---

Sistema de Variables

Variables del Sistema

{{#sys.query#}}              # Consulta del usuario
{{#sys.files#}}              # Archivos subidos
{{#sys.conversation_id#}}    # ID de la conversación
{{#sys.user_id#}}            # ID del usuario

Variables de Nodo

{{#ID_del_nodo.campo_de_salida#}}    # Referencia a la salida de un nodo
{{#llm.text#}}                       # Salida de texto del LLM
{{#knowledge.result#}}               # Resultado de la recuperación de conocimiento
{{#code.output#}}                    # Salida del nodo de código

Variables de Conversación

{{#conversation.nombre_variable#}}   # Variable a nivel de conversación

Variables de Entorno

{{#env.API_KEY#}}                    # Variable de entorno
{{#env.DATABASE_URL#}}               # Conexión a base de datos

Variables de Iteración

{{#item#}}                           # Elemento actual de la iteración
{{#index#}}                          # Índice actual

---

Mejores Prácticas

1. Diseño Modular

• Divide procesos complejos en múltiples nodos independientes.
• Usa variables para transmitir datos, evita codificar valores fijos.
• Utiliza adecuadamente nodos de ramificación condicional e iteración.

2. Normas de Nomenclatura de Variables

• Usa nombres de variables significativos.
• Sigue una convención de nomenclatura uniforme.
• Añade descripciones informativas cuando sea necesario.

3. Manejo de Errores

• Añade lógica de manejo de errores en nodos críticos.
• Usa ramificaciones condicionales para manejar excepciones.
• Proporciona mensajes de error amigables.

4. Optimización de Rendimiento

• Evita invocaciones innecesarias de nodos.
• Utiliza mecanismos de caché de manera adecuada.
• Controla el número de iteraciones en bucles.
• Usa ramas paralelas para mejorar el rendimiento.

5. Mantenibilidad

• Añade descripciones y comentarios a los nodos.
• Usa nombres de nodos claros.
• Mantén la estructura del flujo de trabajo simple.
• Revisa y optimiza periódicamente.

Contenido detallado: best-practices.md

---

Próximos Pasos

• Aprende en profundidad Tipos de Nodos
• Explora Patrones de Diseño
• Comienza rápidamente con Plantillas de Flujo de Trabajo
• Lee las Mejores Prácticas para mejorar tus habilidades

---

SKILLs Relacionadas

• 02-plugin SKILL - Desarrolla herramientas y complementos personalizados
• 03-performance SKILL - Optimiza el rendimiento del flujo de trabajo
• 06-reference SKILL - Referencia de sintaxis DSL

---

Versión: v1.0.0 Última actualización: 2026-03-04 Volver: SKILL General