Southblock'Blog

✅使用LangGraph实现一个Agentic Workflow 我们使用LangGraph实现一个多角色协作的“研究助手”系统，当用户问一个问题（如“AI 对医疗行业有哪些影响？”），系统自动： Planner Agent：制定研究计划（分几步查什么） Researcher Agent：按计划搜索信息（模拟调用搜索引擎） Writer Agent：整合信息写报告 Reviewer Agent：检查报告质量，若不满意则要求重写（形成反思循环）  使用langgraph来实现，初始化环境：  1234567uv init agentic_workflow_testcd agentic_workflow_testuv venvsource .venv/bin/activate  编写main.py中的代码：  1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697 ...

✅Agentic Workflow前面介绍过了传统的Workflow和AI Workflow了，其实现在还有个概念挺火的，那就是Agentic Workflow（智能化工作流），这个概念挺新的，目前没有特别精确的解释，可以参考吴恩达在一次演讲中描述的Agentic Workflow有以下四种模式（范式）：  Planning（规划）： 让 Agent 分解复杂任务并按计划执行。   Tool Use（工具）： LLM 生成代码、调用 API 等工具进行操作。   Reflection（反思）： 让 Agent 审视和修正自己生成的输出。   Multiagent Collaboration（多智能体协同）： 多个 Agent 扮演不同角色合作完成任务。  也就是说，相比人工提前定义好的一个流程来说，Agentic更加看重的是AI的规划能力，流程是由LLM实时生成的，这样才能实现动态决策和自主优化的效果。  对比一下三种工作流： Automated Workflow 无LLM节点 通常用传统工作流进行编排，如activiti等。 Ai ...

✅Dify & N8N & Coze & FastGPT对比 Dify、N8N、Coze、FastGPT等都是目前比较常用的一些LLM应用开发平台。包括我们前面介绍过的百炼。  百炼不在我们对比的范围内，因为百炼毕竟是收费的，而且他只能基于百炼上已有的模型使用。灵活度和性价比都不是特别的高。而Dify、N8N这种都是开源的，我们可以完全做定制开发，以及使用私有化模型。灵活性、性价比，包括数据安全性都比较高。  核心定位对比 Column 1 Column 2 Column 3 平台 核心定位 技术基因 Dify 企业级开源 LLM 应用开发平台（LLMOps） 全栈 AI 开发 + RAG + 模型管理 n8n 开源通用工作流自动化引擎 节点驱动 + 跨系统集成 + 可编程自动化 Coze（扣子） 字节推出的零代码对话机器人平台 无代码 Bot 构建 + 多平台发布 FastGPT 开源轻量级知识库问答系统 RAG 优化 + 私有化部署 + OpenAI API 兼容 易用性 Column 1 Column 2 Colum ...

✅什么是n8n？n8n是一款企业级的****开源、可视化、高度可扩展的工作流自动化平台，相比于Dify来说，N8N算是历史悠久了，在没有AI 工作流这个概念的时候，他们就已经在做工作流自动化的事情了，在AI出来之后，就顺理成章的转变成基于AI的工作流的搭建。  所以， 在工作流本身的能力上，N8N要更强一些。尤其是一些第三方的集成上面，N8N甩Dify几条街，毕竟这都是长时间积累下来的（官方支持数百种服务集成）。所以，在N8N中，AI只是他的能力之一，但是不仅仅局限于AI，所以，他也是很多企业级工作流搭建的首选。  n8n 内置超过 300+ 官方节点，支持与主流 SaaS 工具（如 Slack、Google Sheets、Notion、Airtable、Shopify、Discord、Telegram、Zapier Webhooks 等）以及数据库（PostgreSQL、MySQL、MongoDB）、消息队列（RabbitMQ、Kafka）和自定义 HTTP 接口无缝集成。  github：https://github.com/n8n-io/n8n 官网： https://n8 ...

✅Dify进阶：API调用 Dify 不仅支持通过可视化界面。还支持通过 API 调用，Dify 提供了完善的 RESTful API 接口，方便开发者将 Dify 构建的应用集成到自己的系统中。  获取 API Key在 Dify 控制台中： 进入你的应用页面（工作流或者agent等） 点击右上角「访问API」选项卡 获取 API Key     API 调用有了api key了之后，只需要按照页面上给出的文档，替换key，发送http请求就行了。  不同的应用是不同的api key ，他就是通过这个key来路由到具体的应用做调用的。  更多的文档大家可以官方看，不展开说了，很简单： https://docs.dify.ai/api-reference/%E5%AF%B9%E8%AF%9D%E6%B6%88%E6%81%AF/%E5%8F%91%E9%80%81%E5%AF%B9%E8%AF%9D%E6%B6%88%E6%81%AF

✅Dify进阶：插件开发Dify提供了插件机制，我们可以基于dify的插件能力开发出我们自己的插件，来丰富工作流的功能。本文演示一个脱敏插件的开发全流程。  使用cursor进行插件开发，在dify官网中给出了dify插件开发的prompt：  https://docs.dify.ai/plugin-dev-zh/0211-getting-started-by-prompt  我们可以把这个当做rules设置个cursor，然后借助cursor帮我们开发一个dify的插件。  开发环境安装开发 Dify 插件需要进行以下准备。本文档是开始插件开发的第一步。 Dify 插件 CLI 工具 Python 环境，版本号 ≥ 3.12  Dify 插件 CLI 工具可以通过 Homebrew（在 Linux 和 macOS 上）或独立的二进制可执行文件（在 Windows、Linux 和 macOS 上）进行安装。（其他安装方式：https://docs.dify.ai/plugin-dev-zh/0221-initialize-development-tools ）  1 ...

✅Dify进阶：MCP的使用Dify作为一个 AI 工作流平台，他肯定是支持MCP协议的，这里的支持分为两个方面：  1、支持把一个Dify上面的工作流作为一个MCP Server发布 2、支持在Dify中调用一个MCP Server  在之前的Dify的版本中，想要使用MCP，还是比较麻烦的需要各种插件，但是从Dify 1.6开始，已经支持双向MCP了，即上面的这两种，本文就是基于官方内置的MCP的支持介绍。  发布为MCP Server 如果我们在Dify上部署了一个工作流之后，想要在其他的地方集成他，比如在Cursor中的话，有个好的办法就是把他发布为一个MCP Server，然后在Cursor中使用它。  那就从实际需求出发：我们在cursor中看代码的时候，有的时候，想让cursor帮我们生成一些UML图，比如时序图、类图之类的，这样看起来就方便很多。  这样我们可以在Dify中搭建一个工作流，实现把代码转成UML图，这里我们用一个在大模型兴起之后非常火的mermaid。  mermaid，他是一种基于JavaScript的开源工具，它允许用户使用类似Markd ...

✅Dify进阶：RAG的使用前面我们介绍过RAG，也提到过很多AI的工作流平台也支持RAG，比如Dify。Dify中有一个[知识库]，他就是个RAG，能实现从知识库中做向量检索。   知识库创建 知识库的创建一共有三个步骤，选择数据源，文本分段与清洗，处理并完成。   数据源的选择有三种，分别是导入文件、从Notion同步，以及从web站点同步。  前两个比较好理解，第三个很多人不知道是啥，从页面上看，支持两种工具，一个是Jina Reader，另一个是Firecrawl。  Jina Reader和Firecrawl都能能将网页信息转换成LLM 友好的格式，如Markdown，去除冗余HTML 标签和代码，保留核心文本内容，方便LLM 解析和理解。  关于firecrawl，他是个爬虫工具，后面我们再介绍工作流的实战的时候还会用到他。    在知识库导入中，最常用的其实还是导入文本。在这里上传一个文件之后，就会进入第二步，分段与清洗了。  知识库的文档有大小限制，默认是15M，如果想要突破这个限制，需要自己修改配置，如果是自己部署的dify，可以参考：h ...

✅基于Dify实现Ai Workflow Anthropic在 《Building Effective Agents》这篇文章中也提了一些关于workflow用来构建智能体系统的一些”范式”。我们借助这几种范式也顺带介绍下工作流的常见搭建方式。  Prompt Chaining提示链模式将任务分解为一系列步骤，每次 LLM 调用都处理前一次 LLM 的输出。你可以在任何中间步骤上添加校验（如示图中的“Gate”），以确保该过程仍运行在正轨上。  如以下方式，我们通过一个LLM链，生成一份公众号文章，三个不同的节点，分别做大纲生成，文章生成以及内容润色。  DSL内容（可直接导入Dify）：   PromptChain ing.yml(6.4 KB) - 0%  Routing路由模式根据输入类型路由到不同专用处理流程或模型。  在上面的流程中，我们引入一个问题分类器，做用户的意图识别，根据意图分别路由到不同的分支，生成公众号文章或者小红书文案。  DSL内容（可直接导入Dify）：   Rout ing.yml(9.8 KB) - 0%  Paralle ...

✅工作流平台（Dify为例）中的常用组件本文拿 Dify举例，他支持通过可视化工作流（Workflow）来编排复杂的 AI 应用逻辑。在 Dify 的工作流编辑器中，用户可以通过拖拽组件节点的方式，快速构建从用户输入到最终输出的完整流程。 以下是 Dify 工作流中常用的组件及其功能说明。 1. 开始 工作流的入口节点，接收用户输入（如文本、变量等）。他是自动创建的，必须要有的。 可以在输入节点中定义变量，如 query, user_id 等。  2. LLM 调用大模型生成文本，可配置提示词（Prompt）、模型类型（如 qwen、Claude、本地模型等）、可以设置温度、开启记忆等参数。并且支持配置失败重试、异常处理等。  3. 条件分支 类似编程中的 if-else，根据条件判断执行不同路径。 支持分别为if和else配置条件，条件支持很多，包括字符串比较、数值比较、包含判断、为空判断等。  4. 代码执行 可以在这里运行自定义 Python 代码，处理数据或调用外部服务。  输入/输出变量可配置。支持标准库及部分第三方库（如 reque ...