面试目标能白板画出至少 3 种工作流模式并且讲清楚每种模式适合什么场景。1. 先搞清楚Dify 的几种应用类型打开你的 Dify 后台创建应用时你会看到三种类型类型说明面试价值对话型聊天机器人一问一答低文本生成型输入→输出单次处理中工作流型多步骤编排有分支有循环高面试必问“工作流和 Agent 有什么区别”工作流是确定性的每一步固定Agent 是自主性的自己决定调用什么工具。面试时把这点讲清楚面试官就会觉得你有深度。2. 核心节点一览面试重点打开工作流编辑器左边就是节点面板。这 7 种是你必须掌握的节点作用面试话术LLM调用大模型最基本的没它不行知识检索从知识库里搜RAG 的核心代码执行跑 Python/JS 代码补足 LLM 的计算短板HTTP 请求调第三方 API打通外部系统条件分支if/else 逻辑工作流的大脑迭代循环处理列表批量处理变量聚合合并多路输出并联节点的汇合点模板转换转换数据格式数据清洗/重组面试加分“Dify 的工作流是DAG有向无环图所以天然支持并行执行——你可以让知识检索、LLM、HTTP 请求同时跑最后用变量聚合节点汇总结果。”3. 动手3 个实战工作流你现在就打开 Dify 后台自己搭我当你的架构师。️ 实战 1智能客服 RAG 问答用户输入 ↓ ┌─────────────┐ │ 知识检索 │ ← 从知识库里搜相关文档 └──────┬──────┘ ↓ ┌─────────────┐ │ LLM 生成 │ ← 结合检索结果 用户问题生成回答 └─────────────┘ ↓ 输出面试点“这个架构解决了 LLM 的幻觉和时效性问题把知识源和推理过程分离。”️ 实战 2内容审核 自动回复用户输入 ↓ ┌─────────────┐ │ LLM 审核 │ ← 判断内容是否合规 └──────┬──────┘ ↓ 条件分支 ├── 违规 → 拒绝回复 记录 └── 正常 → ┌─────────────┐ │ LLM 回复 │ └─────────────┘面试点“条件分支让工作流有了决策能力这在需要内容安全审核的场景下非常关键。工作流的优势就在这里——每一圈处理都可以被审计和优化。”️ 实战 3多工具 Agent高阶用户输入 ↓ ┌─────────────┐ │ 意图识别 │ ← 小模型判断用户想干嘛 └──────┬──────┘ ↓ 条件分支路由 ├── 查天气 → HTTP 请求天气 API ├── 写代码 → 代码执行Python └── 一般问答 → LLM 直接回复 ↓ 变量聚合 → 输出面试核弹“这个架构其实就是 Agent 的雏形。Dify Agent 的底层就是多轮工作流——每轮 Agent 调用相当于在工作流里跑一次工具选择-执行-结果回传的循环。”4. 变量的作用域高频考点工作流里最坑人也最常考的就是变量作用域变量类型作用范围示例系统变量整个会话sys.query,sys.dialogue_count节点变量只在自身节点某个 LLM 的输出环境变量整个 AppAPI Key、配置参数会话变量整个对话周期用户名、上下文面试话术“变量作用域的设计直接决定了工作流的可维护性。我在项目里设定了一个原则环境变量管配置、会话变量管状态、节点变量管数据流。三层不混用排查问题的时候直接定位到层。”5. 课后任务打开 Dify 后台搭实战 1RAG 问答创建一个工作流类型应用拖一个知识检索节点需要先建个知识库丢一个文本进去再接个LLM节点提示词里引用{{节点名.result}}运行测试下节课预告第3课RAG 知识库与检索策略— 这也是面试里问得最多的方向之一