如果你正在开发一个AI应用特别是那种需要处理复杂任务、调用多种工具、并且能记住上下文的应用你很可能已经体验过“缝合怪”的痛苦用LangChain搭个骨架用向量数据库存点知识再写一堆胶水代码去调用API和工具。每个环节都要自己操心调试起来像在迷宫里找路。更头疼的是当你想让多个AI“智能体”Agent协作时——比如一个负责查询资料一个负责生成文案一个负责检查逻辑——你会发现现有的框架要么太重要么太散团队协作和流程编排几乎要从零开始。这就是为什么Dify和Coze这类“AI应用开发平台”正在快速崛起。它们不是在替代LangChain或LlamaIndex这类底层框架而是在解决一个更上层的问题如何像搭积木一样可视化、低代码地构建和编排复杂的多Agent AI应用并直接管理其生命周期。本文将通过一个实战项目带你深入Dify的核心。我们将不止步于创建一个简单的问答机器人而是构建一个多Agent协作的“三角洲专属游戏助手”。这个助手能理解复杂的游戏攻略查询自动调用RAG知识库检索协调多个AI智能体分工处理并最终生成结构化的回答。你将看到Dify如何用“工作流”可视化编排取代了繁琐的链式代码让多Agent协作变得直观。如何将Coze上灵活的智能体设计思路迁移并深化到Dify更工程化的环境中。RAG检索增强生成在Dify中如何从简单的文档问答升级为支撑多Agent决策的核心知识引擎。从环境搭建到应用部署的完整路径以及你一定会遇到的坑和解决方案。我们的目标是让你看完就能动手搭建出一个属于你自己的、具备复杂逻辑处理能力的AI应用原型真正理解“平台级”AI开发工具带来的效率变革。1. 重新理解 Dify它不只是另一个 LangChain GUI很多人初次接触Dify会把它看作一个带界面的LangChain。这个理解只对了一半而且错过了它最核心的价值。LangChain的核心是“链”Chain它提供了丰富的组件LLM、记忆、工具、检索器和拼接它们的编程范式。它的强大在于灵活性但代价是你需要编写大量代码来定义流程、处理异常、管理状态。当逻辑变得复杂特别是涉及多路分支、循环或并行任务时代码的复杂度会急剧上升。Dify的核心是“工作流”Workflow和“应用”Application。它采用了一种更接近“低代码”或“流程图”的思维。你把LLM、知识库检索、代码执行、条件判断等模块拖拽到画布上用连线定义数据流。Dify在背后帮你生成并管理执行引擎。这带来的根本性变化是关注点分离开发者更专注于“业务逻辑是什么”画流程图而非“代码怎么实现这个逻辑”写链式调用。可视化调试每个节点的输入、输出、状态都清晰可见调试从“看日志猜位置”变成了“看图找堵点”。团队协作产品经理或业务专家也能看懂工作流便于沟通和迭代。应用管理一键发布、版本管理、监控统计、API暴露这些都是开箱即用的产品功能而非需要自研的基础设施。所以Dify不是一个GUI壳子而是一个AI应用的操作系统。它用工作流抽象了复杂逻辑用应用封装了可交付物。而我们今天要做的“多Agent协作”正是其工作流能力最能大放异彩的场景。2. 项目定义我们要构建一个什么样的“游戏助手”为了充分展示Dify的多Agent和RAG能力我们设计一个超越简单问答的复杂场景三角洲行动专属游戏助手。假设我们拥有这个游戏的维基百科、武器数据表、地图攻略、版本更新日志等文档并已存入知识库。用户可能会提出各种复杂问题简单查询“M4A1的伤害是多少”单轮问答RAG直接检索复合分析“对比一下‘军港’地图进攻方和防守方的优势点位并给出一套适合新手的进攻策略。”需要拆解问题、多步检索、综合分析规划任务“根据我现有的配件列表为‘侦察兵’职业推荐三套不同的武器配装方案并说明适用场景。”需要理解上下文、调用规则引擎、生成结构化方案传统单Agent的Chatbot很难优雅地处理后两种请求。而我们的目标是构建一个能自主协调的“小团队”调度Agent主控解析用户意图判断问题复杂度决定调用哪个或哪些子Agent。检索Agent研究员专门负责与RAG知识库交互根据主控的指令进行精准或模糊检索返回相关文档片段。分析Agent分析师接收检索结果和用户问题进行信息整合、对比、推理生成初步分析报告。格式化Agent编辑将分析报告转换成用户易读的格式如Markdown表格、分点列表、带emoji的总结并确保语气友好。这个“团队”将通过Dify的一个工作流来协同工作。下面我们从零开始实现它。3. 环境准备与Dify部署在开始画工作流之前我们需要一个运行中的Dify。你有两种主要选择云服务和本地部署。对于深度开发和定制本地部署是更好的选择。3.1 部署方式选择Dify Cloud最简单注册即用。适合快速体验和原型验证。但可能受网络影响且高级定制受限。本地部署推荐完全掌控数据、模型和网络。可以使用自己的大模型API如OpenAI、通义千问、DeepSeek等或本地模型。我们以此为例。3.2 使用 Docker Compose 快速部署这是官方推荐且最稳定的方式。确保你的机器已安装Docker和Docker Compose。步骤 1获取部署文件# 创建一个项目目录 mkdir dify-game-assistant cd dify-game-assistant # 下载官方 docker-compose 配置文件 curl -o docker-compose.yaml https://raw.githubusercontent.com/langgenius/dify/main/docker/docker-compose.yaml # 下载环境变量配置文件 curl -o .env https://raw.githubusercontent.com/langgenius/dify/main/docker/.env.example步骤 2配置环境变量编辑.env文件这是最关键的一步。你需要配置大模型连接。# 编辑 .env 文件这里以 vim 为例 vim .env找到并修改以下关键配置以使用 OpenAI 兼容 API 为例如 OpenAI、OneAPI、LocalAI 等# 启用 OpenAI 兼容接口 OPENAI_API_TYPEopenai # 你的 API 密钥 OPENAI_API_KEYsk-your-api-key-here # API 基础地址如果使用 OpenAI 官方则留空如果使用代理或本地服务则填写 OPENAI_API_BASEhttps://api.openai.com/v1 # 默认使用的文本生成模型 OPENAI_MODELSgpt-4o-mini,gpt-4o如果你使用其他模型如通义千问、DeepSeek需要根据 Dify 文档调整OPENAI_API_TYPE和OPENAI_API_BASE。步骤 3启动 Dify# 在项目目录下执行 docker-compose up -d这个命令会拉取镜像并启动所有服务Web前端、后端API、数据库、Redis等。首次启动可能需要几分钟。步骤 4访问并初始化打开浏览器访问http://localhost:3000默认端口。按照引导完成初始化设置创建管理员账户。进入控制台后在“设置” - “模型供应商”中检查你配置的模型如gpt-4o-mini是否已可用。3.3 常见部署问题排查问题现象可能原因排查方式解决方案访问localhost:3000失败端口被占用或服务未启动docker-compose ps查看服务状态docker-compose logs web查看前端日志检查端口冲突或等待服务完全启动约2-3分钟。可尝试docker-compose restart。模型配置后仍不可用API密钥错误、网络不通、地址不对在“设置” - “模型供应商” - “测试”点击测试连接查看后端日志docker-compose logs api确认.env配置正确如果使用代理确保OPENAI_API_BASE无误检查防火墙。数据库连接失败PostgreSQL 容器启动异常docker-compose logs db查看数据库日志检查宿主机磁盘空间尝试删除./storage/data目录先备份后重新docker-compose up -d。环境就绪后我们进入核心环节构建知识库。4. 构建游戏知识库RAG 的基石没有高质量的知识库多Agent协作就是“巧妇难为无米之炊”。Dify 的知识库功能集成了文本处理、向量化、检索的全流程。4.1 知识库创建与配置创建知识库在 Dify 控制台点击“知识库” - “创建知识库”。名称三角洲行动游戏百科描述包含武器、地图、攻略、版本更新的游戏资料库。索引方式选择“高精度”。它通常结合了关键词检索和向量语义检索效果更好。理解处理流程上传文档后Dify 会执行以下流水线解析支持 PDF、Word、TXT、Markdown、HTML 等格式。分块将长文档按语义切割成片段Chunk。这是 RAG 效果的关键。向量化使用你配置的嵌入模型Embedding Model如text-embedding-3-small将文本块转换为向量。存储向量存入向量数据库Dify 内置或外接原文存入数据库。4.2 上传与处理游戏资料准备你的游戏资料文档。这里我们模拟一下创建一个delta_force_wiki.md文件。# 三角洲行动游戏百科 ## 武器数据 ### 突击步枪 - **M4A1** - 伤害42 - 射速750 RPM - 有效射程400m - 特点均衡后坐力易于控制适合新手。 - **AK-47** - 伤害48 - 射速600 RPM - 有效射程350m - 特点单发伤害高后坐力大适合近战爆发。 ### 狙击步枪 - **AWP** - 伤害115躯干一击必杀 - 射速40 RPM - 有效射程无限 - 特点经典栓狙移动缓慢但威力巨大。 ## 地图攻略 ### 军港 (Military Port) - **模式**攻防战 - **进攻方优势点位** 1. 集装箱区视野开阔可压制敌方出生点。 2. 起重机顶部制高点但易被狙击。 - **防守方优势点位** 1. 指挥所二楼窗口多易守难攻。 2. 地下通道入口可伏击绕后的进攻方。 - **新手建议**进攻方建议抱团从左侧仓库推进防守方建议守住指挥所。 ### 沙漠废墟 (Desert Ruins) - **模式**团队死斗 - **特点**地图空旷掩体少狙击手天堂。 - **战术**利用残垣断壁移动避免在开阔地停留。 ## 版本更新 v2.1.0 - **新武器**添加了冲锋枪“Vector”。 - **平衡性调整**略微降低了“AK-47”的后坐力。 - **地图优化**修复了“军港”地图部分穿墙漏洞。在 Dify 知识库页面点击“上传文件”选择这个 Markdown 文件。上传后Dify 会自动开始处理。你可以在“索引状态”中查看进度。4.3 检索测试与优化上传完成后不要急于开发工作流。先在知识库页面进行检索测试。点击知识库卡片上的“测试”按钮。输入问题“M4A1 的伤害是多少”观察右侧返回的“分段内容”。它应该能精准定位到 M4A1 的伤害数据。如果检索效果不佳你需要调整分段规则在知识库设置的“处理方式”中可以调整分段方法按字符/句子、分段大小和重叠区间。对于游戏数据表较小的分段如300字符可能更精准。检索方式在创建工作流时可以选择“向量检索”或“全文检索”。通常混合使用即“高精度”模式效果最好。至此我们的“弹药库”准备好了。接下来开始设计指挥这些弹药的“多Agent协作系统”。5. 核心实战设计多Agent协作工作流这是本文最核心的部分。我们将把之前设想的“调度、检索、分析、格式化”四个Agent映射到Dify工作流的各个节点上。5.1 工作流设计思路在Dify中每个“Agent”并非一个独立的常驻进程而是工作流中一个或多个具有特定功能的节点。我们的协作逻辑如下开始用户输入问题。意图识别调度Agent用一个LLM节点判断问题的复杂度和类型简单查询/复合分析/规划任务。条件分支根据意图路由到不同的处理分支。分支处理简单查询直接调用“知识库检索”节点然后由“回答生成”节点回复。复合分析/规划任务进入多Agent协作链 a.检索Agent根据细化后的查询指令从知识库获取相关资料。 b.分析Agent另一个LLM节点接收问题和检索结果进行深度分析和规划。 c.格式化Agent最后一个LLM节点负责润色和结构化输出。结束返回最终结果给用户。5.2 逐步构建工作流在Dify控制台点击“工作流” - “创建空白工作流”命名为三角洲游戏助手高级版。节点 1开始用户问题类型开始配置添加一个question字符串变量代表用户输入。节点 2意图识别调度Agent类型LLM模型选择一个快速且便宜的模型如gpt-4o-mini。系统提示词关键你是一个游戏助手调度中心。请分析用户关于《三角洲行动》游戏的问题并判断其类型。 问题类型定义 1. 简单查询问题明确只需查找单一事实即可回答。例如“M4A1的伤害是多少”“军港地图是什么模式” 2. 复合分析问题涉及对比、总结、分析多个信息点。例如“对比M4A1和AK-47”“分析军港地图攻防双方优势”。 3. 规划任务问题要求基于条件或偏好生成方案、计划或建议。例如“为我推荐一套配装”“制定一个进攻策略”。 只输出一个数字1、2或3。不要输出任何其他文字。连接从开始节点的question变量连接到本节点的上下文。输出变量命名为intent_type。节点 3条件分支类型条件判断配置根据intent_type的值进行路由。如果intent_type等于1则路由到“简单查询分支”。否则即等于2或3则路由到“复杂处理分支”。节点 4简单分支知识库检索类型知识库检索配置选择我们之前创建的三角洲行动游戏百科知识库。查询变量直接使用question。输出变量命名为simple_context。节点 5简单分支回答生成类型LLM模型gpt-4o系统提示词你是一个专业的《三角洲行动》游戏助手。请根据提供的知识库资料准确、简洁地回答用户的问题。如果资料中没有相关信息请如实告知。上下文连接question和simple_context。输出变量命名为final_answer。将此节点连接到“结束”节点。节点 6复杂分支查询优化检索Agent前哨类型LLM模型gpt-4o-mini系统提示词你的任务是将用户复杂的问题拆解或重构成更适合知识库检索的查询语句。目标是提高检索命中率。 例如 用户“对比一下M4A1和AK-47两把枪。” 输出“M4A1的伤害、射速、特点。AK-47的伤害、射速、特点。” 只输出优化后的查询语句不要加引号不要解释。上下文连接question。输出变量命名为optimized_query。节点 7复杂分支知识库检索检索Agent类型知识库检索配置选择三角洲行动游戏百科知识库。查询变量使用optimized_query。输出变量命名为retrieved_docs。节点 8复杂分支深度分析分析Agent类型LLM模型gpt-4o使用能力更强的模型系统提示词你是一名资深的《三角洲行动》战术分析师。现在你手头有一些游戏资料和用户的问题。 你的任务是 1. **综合理解**基于资料全面理解用户问题的背景和需求。 2. **深度分析**进行对比、推理、总结形成核心观点和论据。 3. **初步草拟**将你的分析结果组织成一段逻辑清晰、内容详实的分析报告。 注意你的输出将是给“编辑”的初稿所以请专注于内容的深度和准确性暂时不需要考虑格式的美观和语言的最终润色。上下文连接question和retrieved_docs。输出变量命名为analysis_draft。节点 9复杂分支格式化输出格式化Agent类型LLM模型gpt-4o系统提示词你是一名专业的游戏媒体编辑。你将收到一份战术分析师提供的分析报告草稿和原始用户问题。 你的任务是 1. **结构化**使用恰当的标题、分点列表、表格如需要、加粗等Markdown语法让内容一目了然。 2. **口语化**将专业分析转化为玩家容易理解、语气亲切友好的游戏攻略语言。 3. **完整性**确保最终回答直接回应用户问题并以“希望这些信息对你有帮助”等语句结尾。 输出最终的回答。上下文连接question和analysis_draft。输出变量命名为final_answer。将此节点也连接到“结束”节点。节点 10结束类型结束配置输出final_answer变量。最后确保工作流的连线正确无误从“开始”到“条件判断”再到两个分支最终汇合到“结束”。保存工作流。5.3 工作流测试与迭代点击右上角“测试”按钮进入预览模式。测试简单查询输入“AWP的伤害是多少”。观察流程是否走“简单分支”并快速返回准确答案。测试复杂分析输入“对比一下M4A1和AK-47并说明各自适合什么场景”。观察流程是否走“复杂分支”并依次经过查询优化、检索、分析、格式化四个步骤。最终应返回一个结构清晰、带有对比表格或分点说明的详细回答。调试技巧点击工作流画布上的任何一个节点可以在右侧查看该节点的输入和输出。这是排查问题最强大的工具。如果某个LLM节点输出不符合预期首先检查它的系统提示词和上下文变量是否正确传入。如果检索结果不相关回到“查询优化”节点调整其提示词或直接测试知识库的检索效果。6. 发布为应用并集成工作流测试通过后就可以发布为真正的AI应用了。发布应用在工作流编辑页面点击“发布”。Dify会提示你创建一个新的应用或关联到现有应用。配置应用名称三角洲行动智能助手图标/描述按需填写。对话开场白可以设置一个友好的欢迎语。提示词这里可以填写一个顶层的系统提示词但大部分逻辑已由工作流定义此处可简单说明助手能力。访问方式Web界面Dify会生成一个专属的聊天网页你可以直接分享链接。API接口在应用设置中找到API密钥和端点。你可以用任何编程语言调用。# 一个简单的Python调用示例 import requests import json api_key your-app-api-key endpoint https://your-dify-domain/v1/chat-messages headers { Authorization: fBearer {api_key}, Content-Type: application/json } data { inputs: {}, query: 帮我为侦察兵推荐一套中远距离配装方案, response_mode: blocking, # 或 streaming conversation_id: , # 为空则创建新会话 user: user-123 } response requests.post(endpoint, headersheaders, jsondata) result response.json() print(result[answer])嵌入到网站Dify提供了可嵌入的Web组件代码片段。7. 从 Coze 到 Dify思路迁移与平台对比你可能也用过字节跳动的Coze。Coze的“智能体”和“工作流”概念与Dify非常相似且以其丰富的插件生态和与豆包模型的深度集成而闻名。我们的多Agent设计思路在Coze上同样可以实现。那么为什么选择Dify进行深度实战特性维度CozeDify对本项目的影响核心定位面向更广泛创作者的AI Bot开发平台强于C端交互和快速集成。面向开发者的AI应用开发平台强于企业级流程、复杂逻辑和数据管控。Dify对复杂工作流的编排、调试、变量管理更专业。部署方式主要为云端托管。支持云端、本地化、私有化部署。数据、模型完全自主。游戏资料可能涉及版权或内部数据本地部署更安全可控。知识库能力支持但相对基础。功能强大支持多格式、自定义分段规则、混合检索模式更接近专业RAG系统。对于构建严肃的游戏知识库Dify的精细控制更有优势。工作流编排直观易用插件丰富。同样强大且更偏向底层逻辑控制节点类型丰富条件循环、变量处理、代码执行等。实现本文的“多Agent”复杂路由和数据处理Dify的工作流表现更稳定。API与集成提供API易于集成到飞书、微信等。提供完整的API和管理后台更便于与企业内部系统CRM、OA集成。如果未来想将助手集成到游戏社区或客服系统Dify的API更规范。模型支持深度集成豆包也支持OpenAI等。模型支持极度开放任何兼容OpenAI API的模型均可接入对私有模型友好。可以自由选择成本更低或性能特定的模型来驱动不同Agent。迁移建议你可以用Coze快速验证智能体创意和交互设计。当你的创意需要处理更复杂的业务逻辑、更敏感的数据或需要集成到私有环境时Dify是更工程化的选择。本文的多Agent协作设计模式在两个平台上是可以互相借鉴的。8. 最佳实践与进阶思考构建一个可用的多Agent应用只是第一步。要让其健壮、可靠、可维护还需要注意以下几点8.1 提示词工程角色定义清晰为每个LLM节点Agent赋予明确、单一的角色和职责就像我们为“调度”、“分析”、“编辑”所做的那样。输出格式约束使用“只输出...”、“不要输出...”等指令严格约束输出确保节点间数据传递的纯净性这是工作流稳定的关键。迭代优化根据测试结果不断调整提示词。例如如果“分析Agent”总是遗漏某些点就在提示词中明确列出分析维度。8.2 工作流设计模块化将可复用的逻辑如“查询优化”构建成子工作流。Dify支持工作流嵌套这能极大提升复杂项目的可维护性。错误处理在工作流中添加“错误处理”节点捕获LLM调用失败、知识库检索为空等异常并给出友好的用户反馈。日志与监控利用Dify应用控制台提供的对话日志、耗时统计、Token用量监控持续分析助手的表现和成本。8.3 RAG知识库优化数据质量垃圾进垃圾出。确保上传的文档结构清晰、信息准确。对非结构化文本如网页抓取内容进行预处理。分段策略对于游戏数据表按条目分段如一把枪一段可能比按固定字符数分段效果更好。需要根据内容类型实验。检索测试定期用典型问题测试知识库评估检索结果的相关性。根据结果调整检索方式如增加关键词权重。8.4 成本与性能权衡模型分级使用在我们的设计中意图识别和查询优化使用了更便宜的gpt-4o-mini而深度分析和最终生成使用了更强的gpt-4o。这种分级策略能有效控制成本。缓存机制对于常见问题如“M4A1伤害”可以考虑在应用层增加缓存避免重复调用LLM和检索知识库。异步处理对于极耗时的复杂分析任务可以考虑使用工作流的异步调用模式先给用户一个“正在处理”的反馈。通过这个从零到一的“三角洲专属游戏助手”项目我们实践了基于Dify平台构建多Agent协作AI应用的完整流程。你收获的不仅仅是一个工具的使用教程更是一种用可视化、模块化、工程化的思维来设计和实现复杂AI逻辑的能力。这种能力让你能更快地将一个AI创意转化为可运行、可迭代、可交付的应用。无论是游戏助手、智能客服、数据分析工具还是内部知识引擎其内核都是相通的用工作流编排智能用RAG注入知识用清晰的架构管理复杂度。下一步你可以尝试引入工具调用让Agent不仅能查知识还能执行动作。例如连接一个模拟的“装备搭配系统”API让助手能真正返回配装后的属性计算结果。实现长期记忆利用Dify的“对话记忆”功能让助手记住用户之前的偏好比如“我喜欢用狙击枪”提供个性化建议。构建更复杂的决策树在条件判断节点中加入更多分支处理更丰富的用户意图甚至实现多轮对话引导。AI应用开发的范式正在从“写代码调用模型”向“画蓝图组装智能”转变。掌握像Dify这样的平台就是握住了进入这个新范式的钥匙。 基于Dify构建多Agent协作AI应用：从RAG知识库到可视化工作流实战
如果你正在开发一个AI应用特别是那种需要处理复杂任务、调用多种工具、并且能记住上下文的应用你很可能已经体验过“缝合怪”的痛苦用LangChain搭个骨架用向量数据库存点知识再写一堆胶水代码去调用API和工具。每个环节都要自己操心调试起来像在迷宫里找路。更头疼的是当你想让多个AI“智能体”Agent协作时——比如一个负责查询资料一个负责生成文案一个负责检查逻辑——你会发现现有的框架要么太重要么太散团队协作和流程编排几乎要从零开始。这就是为什么Dify和Coze这类“AI应用开发平台”正在快速崛起。它们不是在替代LangChain或LlamaIndex这类底层框架而是在解决一个更上层的问题如何像搭积木一样可视化、低代码地构建和编排复杂的多Agent AI应用并直接管理其生命周期。本文将通过一个实战项目带你深入Dify的核心。我们将不止步于创建一个简单的问答机器人而是构建一个多Agent协作的“三角洲专属游戏助手”。这个助手能理解复杂的游戏攻略查询自动调用RAG知识库检索协调多个AI智能体分工处理并最终生成结构化的回答。你将看到Dify如何用“工作流”可视化编排取代了繁琐的链式代码让多Agent协作变得直观。如何将Coze上灵活的智能体设计思路迁移并深化到Dify更工程化的环境中。RAG检索增强生成在Dify中如何从简单的文档问答升级为支撑多Agent决策的核心知识引擎。从环境搭建到应用部署的完整路径以及你一定会遇到的坑和解决方案。我们的目标是让你看完就能动手搭建出一个属于你自己的、具备复杂逻辑处理能力的AI应用原型真正理解“平台级”AI开发工具带来的效率变革。1. 重新理解 Dify它不只是另一个 LangChain GUI很多人初次接触Dify会把它看作一个带界面的LangChain。这个理解只对了一半而且错过了它最核心的价值。LangChain的核心是“链”Chain它提供了丰富的组件LLM、记忆、工具、检索器和拼接它们的编程范式。它的强大在于灵活性但代价是你需要编写大量代码来定义流程、处理异常、管理状态。当逻辑变得复杂特别是涉及多路分支、循环或并行任务时代码的复杂度会急剧上升。Dify的核心是“工作流”Workflow和“应用”Application。它采用了一种更接近“低代码”或“流程图”的思维。你把LLM、知识库检索、代码执行、条件判断等模块拖拽到画布上用连线定义数据流。Dify在背后帮你生成并管理执行引擎。这带来的根本性变化是关注点分离开发者更专注于“业务逻辑是什么”画流程图而非“代码怎么实现这个逻辑”写链式调用。可视化调试每个节点的输入、输出、状态都清晰可见调试从“看日志猜位置”变成了“看图找堵点”。团队协作产品经理或业务专家也能看懂工作流便于沟通和迭代。应用管理一键发布、版本管理、监控统计、API暴露这些都是开箱即用的产品功能而非需要自研的基础设施。所以Dify不是一个GUI壳子而是一个AI应用的操作系统。它用工作流抽象了复杂逻辑用应用封装了可交付物。而我们今天要做的“多Agent协作”正是其工作流能力最能大放异彩的场景。2. 项目定义我们要构建一个什么样的“游戏助手”为了充分展示Dify的多Agent和RAG能力我们设计一个超越简单问答的复杂场景三角洲行动专属游戏助手。假设我们拥有这个游戏的维基百科、武器数据表、地图攻略、版本更新日志等文档并已存入知识库。用户可能会提出各种复杂问题简单查询“M4A1的伤害是多少”单轮问答RAG直接检索复合分析“对比一下‘军港’地图进攻方和防守方的优势点位并给出一套适合新手的进攻策略。”需要拆解问题、多步检索、综合分析规划任务“根据我现有的配件列表为‘侦察兵’职业推荐三套不同的武器配装方案并说明适用场景。”需要理解上下文、调用规则引擎、生成结构化方案传统单Agent的Chatbot很难优雅地处理后两种请求。而我们的目标是构建一个能自主协调的“小团队”调度Agent主控解析用户意图判断问题复杂度决定调用哪个或哪些子Agent。检索Agent研究员专门负责与RAG知识库交互根据主控的指令进行精准或模糊检索返回相关文档片段。分析Agent分析师接收检索结果和用户问题进行信息整合、对比、推理生成初步分析报告。格式化Agent编辑将分析报告转换成用户易读的格式如Markdown表格、分点列表、带emoji的总结并确保语气友好。这个“团队”将通过Dify的一个工作流来协同工作。下面我们从零开始实现它。3. 环境准备与Dify部署在开始画工作流之前我们需要一个运行中的Dify。你有两种主要选择云服务和本地部署。对于深度开发和定制本地部署是更好的选择。3.1 部署方式选择Dify Cloud最简单注册即用。适合快速体验和原型验证。但可能受网络影响且高级定制受限。本地部署推荐完全掌控数据、模型和网络。可以使用自己的大模型API如OpenAI、通义千问、DeepSeek等或本地模型。我们以此为例。3.2 使用 Docker Compose 快速部署这是官方推荐且最稳定的方式。确保你的机器已安装Docker和Docker Compose。步骤 1获取部署文件# 创建一个项目目录 mkdir dify-game-assistant cd dify-game-assistant # 下载官方 docker-compose 配置文件 curl -o docker-compose.yaml https://raw.githubusercontent.com/langgenius/dify/main/docker/docker-compose.yaml # 下载环境变量配置文件 curl -o .env https://raw.githubusercontent.com/langgenius/dify/main/docker/.env.example步骤 2配置环境变量编辑.env文件这是最关键的一步。你需要配置大模型连接。# 编辑 .env 文件这里以 vim 为例 vim .env找到并修改以下关键配置以使用 OpenAI 兼容 API 为例如 OpenAI、OneAPI、LocalAI 等# 启用 OpenAI 兼容接口 OPENAI_API_TYPEopenai # 你的 API 密钥 OPENAI_API_KEYsk-your-api-key-here # API 基础地址如果使用 OpenAI 官方则留空如果使用代理或本地服务则填写 OPENAI_API_BASEhttps://api.openai.com/v1 # 默认使用的文本生成模型 OPENAI_MODELSgpt-4o-mini,gpt-4o如果你使用其他模型如通义千问、DeepSeek需要根据 Dify 文档调整OPENAI_API_TYPE和OPENAI_API_BASE。步骤 3启动 Dify# 在项目目录下执行 docker-compose up -d这个命令会拉取镜像并启动所有服务Web前端、后端API、数据库、Redis等。首次启动可能需要几分钟。步骤 4访问并初始化打开浏览器访问http://localhost:3000默认端口。按照引导完成初始化设置创建管理员账户。进入控制台后在“设置” - “模型供应商”中检查你配置的模型如gpt-4o-mini是否已可用。3.3 常见部署问题排查问题现象可能原因排查方式解决方案访问localhost:3000失败端口被占用或服务未启动docker-compose ps查看服务状态docker-compose logs web查看前端日志检查端口冲突或等待服务完全启动约2-3分钟。可尝试docker-compose restart。模型配置后仍不可用API密钥错误、网络不通、地址不对在“设置” - “模型供应商” - “测试”点击测试连接查看后端日志docker-compose logs api确认.env配置正确如果使用代理确保OPENAI_API_BASE无误检查防火墙。数据库连接失败PostgreSQL 容器启动异常docker-compose logs db查看数据库日志检查宿主机磁盘空间尝试删除./storage/data目录先备份后重新docker-compose up -d。环境就绪后我们进入核心环节构建知识库。4. 构建游戏知识库RAG 的基石没有高质量的知识库多Agent协作就是“巧妇难为无米之炊”。Dify 的知识库功能集成了文本处理、向量化、检索的全流程。4.1 知识库创建与配置创建知识库在 Dify 控制台点击“知识库” - “创建知识库”。名称三角洲行动游戏百科描述包含武器、地图、攻略、版本更新的游戏资料库。索引方式选择“高精度”。它通常结合了关键词检索和向量语义检索效果更好。理解处理流程上传文档后Dify 会执行以下流水线解析支持 PDF、Word、TXT、Markdown、HTML 等格式。分块将长文档按语义切割成片段Chunk。这是 RAG 效果的关键。向量化使用你配置的嵌入模型Embedding Model如text-embedding-3-small将文本块转换为向量。存储向量存入向量数据库Dify 内置或外接原文存入数据库。4.2 上传与处理游戏资料准备你的游戏资料文档。这里我们模拟一下创建一个delta_force_wiki.md文件。# 三角洲行动游戏百科 ## 武器数据 ### 突击步枪 - **M4A1** - 伤害42 - 射速750 RPM - 有效射程400m - 特点均衡后坐力易于控制适合新手。 - **AK-47** - 伤害48 - 射速600 RPM - 有效射程350m - 特点单发伤害高后坐力大适合近战爆发。 ### 狙击步枪 - **AWP** - 伤害115躯干一击必杀 - 射速40 RPM - 有效射程无限 - 特点经典栓狙移动缓慢但威力巨大。 ## 地图攻略 ### 军港 (Military Port) - **模式**攻防战 - **进攻方优势点位** 1. 集装箱区视野开阔可压制敌方出生点。 2. 起重机顶部制高点但易被狙击。 - **防守方优势点位** 1. 指挥所二楼窗口多易守难攻。 2. 地下通道入口可伏击绕后的进攻方。 - **新手建议**进攻方建议抱团从左侧仓库推进防守方建议守住指挥所。 ### 沙漠废墟 (Desert Ruins) - **模式**团队死斗 - **特点**地图空旷掩体少狙击手天堂。 - **战术**利用残垣断壁移动避免在开阔地停留。 ## 版本更新 v2.1.0 - **新武器**添加了冲锋枪“Vector”。 - **平衡性调整**略微降低了“AK-47”的后坐力。 - **地图优化**修复了“军港”地图部分穿墙漏洞。在 Dify 知识库页面点击“上传文件”选择这个 Markdown 文件。上传后Dify 会自动开始处理。你可以在“索引状态”中查看进度。4.3 检索测试与优化上传完成后不要急于开发工作流。先在知识库页面进行检索测试。点击知识库卡片上的“测试”按钮。输入问题“M4A1 的伤害是多少”观察右侧返回的“分段内容”。它应该能精准定位到 M4A1 的伤害数据。如果检索效果不佳你需要调整分段规则在知识库设置的“处理方式”中可以调整分段方法按字符/句子、分段大小和重叠区间。对于游戏数据表较小的分段如300字符可能更精准。检索方式在创建工作流时可以选择“向量检索”或“全文检索”。通常混合使用即“高精度”模式效果最好。至此我们的“弹药库”准备好了。接下来开始设计指挥这些弹药的“多Agent协作系统”。5. 核心实战设计多Agent协作工作流这是本文最核心的部分。我们将把之前设想的“调度、检索、分析、格式化”四个Agent映射到Dify工作流的各个节点上。5.1 工作流设计思路在Dify中每个“Agent”并非一个独立的常驻进程而是工作流中一个或多个具有特定功能的节点。我们的协作逻辑如下开始用户输入问题。意图识别调度Agent用一个LLM节点判断问题的复杂度和类型简单查询/复合分析/规划任务。条件分支根据意图路由到不同的处理分支。分支处理简单查询直接调用“知识库检索”节点然后由“回答生成”节点回复。复合分析/规划任务进入多Agent协作链 a.检索Agent根据细化后的查询指令从知识库获取相关资料。 b.分析Agent另一个LLM节点接收问题和检索结果进行深度分析和规划。 c.格式化Agent最后一个LLM节点负责润色和结构化输出。结束返回最终结果给用户。5.2 逐步构建工作流在Dify控制台点击“工作流” - “创建空白工作流”命名为三角洲游戏助手高级版。节点 1开始用户问题类型开始配置添加一个question字符串变量代表用户输入。节点 2意图识别调度Agent类型LLM模型选择一个快速且便宜的模型如gpt-4o-mini。系统提示词关键你是一个游戏助手调度中心。请分析用户关于《三角洲行动》游戏的问题并判断其类型。 问题类型定义 1. 简单查询问题明确只需查找单一事实即可回答。例如“M4A1的伤害是多少”“军港地图是什么模式” 2. 复合分析问题涉及对比、总结、分析多个信息点。例如“对比M4A1和AK-47”“分析军港地图攻防双方优势”。 3. 规划任务问题要求基于条件或偏好生成方案、计划或建议。例如“为我推荐一套配装”“制定一个进攻策略”。 只输出一个数字1、2或3。不要输出任何其他文字。连接从开始节点的question变量连接到本节点的上下文。输出变量命名为intent_type。节点 3条件分支类型条件判断配置根据intent_type的值进行路由。如果intent_type等于1则路由到“简单查询分支”。否则即等于2或3则路由到“复杂处理分支”。节点 4简单分支知识库检索类型知识库检索配置选择我们之前创建的三角洲行动游戏百科知识库。查询变量直接使用question。输出变量命名为simple_context。节点 5简单分支回答生成类型LLM模型gpt-4o系统提示词你是一个专业的《三角洲行动》游戏助手。请根据提供的知识库资料准确、简洁地回答用户的问题。如果资料中没有相关信息请如实告知。上下文连接question和simple_context。输出变量命名为final_answer。将此节点连接到“结束”节点。节点 6复杂分支查询优化检索Agent前哨类型LLM模型gpt-4o-mini系统提示词你的任务是将用户复杂的问题拆解或重构成更适合知识库检索的查询语句。目标是提高检索命中率。 例如 用户“对比一下M4A1和AK-47两把枪。” 输出“M4A1的伤害、射速、特点。AK-47的伤害、射速、特点。” 只输出优化后的查询语句不要加引号不要解释。上下文连接question。输出变量命名为optimized_query。节点 7复杂分支知识库检索检索Agent类型知识库检索配置选择三角洲行动游戏百科知识库。查询变量使用optimized_query。输出变量命名为retrieved_docs。节点 8复杂分支深度分析分析Agent类型LLM模型gpt-4o使用能力更强的模型系统提示词你是一名资深的《三角洲行动》战术分析师。现在你手头有一些游戏资料和用户的问题。 你的任务是 1. **综合理解**基于资料全面理解用户问题的背景和需求。 2. **深度分析**进行对比、推理、总结形成核心观点和论据。 3. **初步草拟**将你的分析结果组织成一段逻辑清晰、内容详实的分析报告。 注意你的输出将是给“编辑”的初稿所以请专注于内容的深度和准确性暂时不需要考虑格式的美观和语言的最终润色。上下文连接question和retrieved_docs。输出变量命名为analysis_draft。节点 9复杂分支格式化输出格式化Agent类型LLM模型gpt-4o系统提示词你是一名专业的游戏媒体编辑。你将收到一份战术分析师提供的分析报告草稿和原始用户问题。 你的任务是 1. **结构化**使用恰当的标题、分点列表、表格如需要、加粗等Markdown语法让内容一目了然。 2. **口语化**将专业分析转化为玩家容易理解、语气亲切友好的游戏攻略语言。 3. **完整性**确保最终回答直接回应用户问题并以“希望这些信息对你有帮助”等语句结尾。 输出最终的回答。上下文连接question和analysis_draft。输出变量命名为final_answer。将此节点也连接到“结束”节点。节点 10结束类型结束配置输出final_answer变量。最后确保工作流的连线正确无误从“开始”到“条件判断”再到两个分支最终汇合到“结束”。保存工作流。5.3 工作流测试与迭代点击右上角“测试”按钮进入预览模式。测试简单查询输入“AWP的伤害是多少”。观察流程是否走“简单分支”并快速返回准确答案。测试复杂分析输入“对比一下M4A1和AK-47并说明各自适合什么场景”。观察流程是否走“复杂分支”并依次经过查询优化、检索、分析、格式化四个步骤。最终应返回一个结构清晰、带有对比表格或分点说明的详细回答。调试技巧点击工作流画布上的任何一个节点可以在右侧查看该节点的输入和输出。这是排查问题最强大的工具。如果某个LLM节点输出不符合预期首先检查它的系统提示词和上下文变量是否正确传入。如果检索结果不相关回到“查询优化”节点调整其提示词或直接测试知识库的检索效果。6. 发布为应用并集成工作流测试通过后就可以发布为真正的AI应用了。发布应用在工作流编辑页面点击“发布”。Dify会提示你创建一个新的应用或关联到现有应用。配置应用名称三角洲行动智能助手图标/描述按需填写。对话开场白可以设置一个友好的欢迎语。提示词这里可以填写一个顶层的系统提示词但大部分逻辑已由工作流定义此处可简单说明助手能力。访问方式Web界面Dify会生成一个专属的聊天网页你可以直接分享链接。API接口在应用设置中找到API密钥和端点。你可以用任何编程语言调用。# 一个简单的Python调用示例 import requests import json api_key your-app-api-key endpoint https://your-dify-domain/v1/chat-messages headers { Authorization: fBearer {api_key}, Content-Type: application/json } data { inputs: {}, query: 帮我为侦察兵推荐一套中远距离配装方案, response_mode: blocking, # 或 streaming conversation_id: , # 为空则创建新会话 user: user-123 } response requests.post(endpoint, headersheaders, jsondata) result response.json() print(result[answer])嵌入到网站Dify提供了可嵌入的Web组件代码片段。7. 从 Coze 到 Dify思路迁移与平台对比你可能也用过字节跳动的Coze。Coze的“智能体”和“工作流”概念与Dify非常相似且以其丰富的插件生态和与豆包模型的深度集成而闻名。我们的多Agent设计思路在Coze上同样可以实现。那么为什么选择Dify进行深度实战特性维度CozeDify对本项目的影响核心定位面向更广泛创作者的AI Bot开发平台强于C端交互和快速集成。面向开发者的AI应用开发平台强于企业级流程、复杂逻辑和数据管控。Dify对复杂工作流的编排、调试、变量管理更专业。部署方式主要为云端托管。支持云端、本地化、私有化部署。数据、模型完全自主。游戏资料可能涉及版权或内部数据本地部署更安全可控。知识库能力支持但相对基础。功能强大支持多格式、自定义分段规则、混合检索模式更接近专业RAG系统。对于构建严肃的游戏知识库Dify的精细控制更有优势。工作流编排直观易用插件丰富。同样强大且更偏向底层逻辑控制节点类型丰富条件循环、变量处理、代码执行等。实现本文的“多Agent”复杂路由和数据处理Dify的工作流表现更稳定。API与集成提供API易于集成到飞书、微信等。提供完整的API和管理后台更便于与企业内部系统CRM、OA集成。如果未来想将助手集成到游戏社区或客服系统Dify的API更规范。模型支持深度集成豆包也支持OpenAI等。模型支持极度开放任何兼容OpenAI API的模型均可接入对私有模型友好。可以自由选择成本更低或性能特定的模型来驱动不同Agent。迁移建议你可以用Coze快速验证智能体创意和交互设计。当你的创意需要处理更复杂的业务逻辑、更敏感的数据或需要集成到私有环境时Dify是更工程化的选择。本文的多Agent协作设计模式在两个平台上是可以互相借鉴的。8. 最佳实践与进阶思考构建一个可用的多Agent应用只是第一步。要让其健壮、可靠、可维护还需要注意以下几点8.1 提示词工程角色定义清晰为每个LLM节点Agent赋予明确、单一的角色和职责就像我们为“调度”、“分析”、“编辑”所做的那样。输出格式约束使用“只输出...”、“不要输出...”等指令严格约束输出确保节点间数据传递的纯净性这是工作流稳定的关键。迭代优化根据测试结果不断调整提示词。例如如果“分析Agent”总是遗漏某些点就在提示词中明确列出分析维度。8.2 工作流设计模块化将可复用的逻辑如“查询优化”构建成子工作流。Dify支持工作流嵌套这能极大提升复杂项目的可维护性。错误处理在工作流中添加“错误处理”节点捕获LLM调用失败、知识库检索为空等异常并给出友好的用户反馈。日志与监控利用Dify应用控制台提供的对话日志、耗时统计、Token用量监控持续分析助手的表现和成本。8.3 RAG知识库优化数据质量垃圾进垃圾出。确保上传的文档结构清晰、信息准确。对非结构化文本如网页抓取内容进行预处理。分段策略对于游戏数据表按条目分段如一把枪一段可能比按固定字符数分段效果更好。需要根据内容类型实验。检索测试定期用典型问题测试知识库评估检索结果的相关性。根据结果调整检索方式如增加关键词权重。8.4 成本与性能权衡模型分级使用在我们的设计中意图识别和查询优化使用了更便宜的gpt-4o-mini而深度分析和最终生成使用了更强的gpt-4o。这种分级策略能有效控制成本。缓存机制对于常见问题如“M4A1伤害”可以考虑在应用层增加缓存避免重复调用LLM和检索知识库。异步处理对于极耗时的复杂分析任务可以考虑使用工作流的异步调用模式先给用户一个“正在处理”的反馈。通过这个从零到一的“三角洲专属游戏助手”项目我们实践了基于Dify平台构建多Agent协作AI应用的完整流程。你收获的不仅仅是一个工具的使用教程更是一种用可视化、模块化、工程化的思维来设计和实现复杂AI逻辑的能力。这种能力让你能更快地将一个AI创意转化为可运行、可迭代、可交付的应用。无论是游戏助手、智能客服、数据分析工具还是内部知识引擎其内核都是相通的用工作流编排智能用RAG注入知识用清晰的架构管理复杂度。下一步你可以尝试引入工具调用让Agent不仅能查知识还能执行动作。例如连接一个模拟的“装备搭配系统”API让助手能真正返回配装后的属性计算结果。实现长期记忆利用Dify的“对话记忆”功能让助手记住用户之前的偏好比如“我喜欢用狙击枪”提供个性化建议。构建更复杂的决策树在条件判断节点中加入更多分支处理更丰富的用户意图甚至实现多轮对话引导。AI应用开发的范式正在从“写代码调用模型”向“画蓝图组装智能”转变。掌握像Dify这样的平台就是握住了进入这个新范式的钥匙。