课程背景

大模型技术已经从概念验证进入落地阶段，企业不再满足于“能聊天”的演示，而是要求AI真正嵌入业务流程，解决具体的效率问题。但实际推进中普遍遇到三个障碍：一是模型能力与业务场景之间存在断层，直接调用大模型API做出来的东西往往达不到可用标准；二是缺少统一的开发与协作平台，提示词、知识库、工作流散落在不同人手里，无法沉淀复用；三是团队能力结构不匹配，懂业务的人不会写代码，会写代码的人不理解业务逻辑。Dify作为开源可私有化的LLM应用开发平台，恰好在这三者之间提供了一个平衡点——可视化编排降低门槛，知识库和Agent机制打通业务数据，Workflow承载确定性的业务流程。本课程围绕Dify平台，从提示词工程、RAG知识库、Agent技能开发到自动化工作流，完整走通企业级AI应用从搭建到上线的路径，所有内容均以实操为主，两天内产出可运行的应用成果。

课程收益

1. 平台操作能力：独立完成Dify平台的部署配置、模型接入、应用创建与发布全流程

2. 掌握知识库的文档处理、分段策略、检索调优方法，能解决检索效果差的问题

3.  能根据业务需求选择合适的应用形态：聊天助手、Agent、Workflow或组合方案

4.  具备结构化提示词编写能力，能产出稳定、可控、可复用的提示词模板

5. 掌握Workflow节点编排方法，能搭建带条件分支、异常兜底的自动化流程

培训时长

2天

课程大纲

第一天 主题：Dify平台基础与提示工程实操

第一部分 Dify平台应用与案例实操

1.1 平台核心概念

1.1.1 应用类型划分：聊天助手、文本生成、Agent、工作流四种模式的区别与选型标准

1.1.2 模型接入配置：DeepSeek、通义千问等国内模型的API接入与参数设置

1.1.3 知识库构建：文档上传、分段策略、索引方式对检索效果的影响

1.2 案例实操

1.2.1 搭建一个客服对话机器人：从创建应用到发布上线的完整流程

1.2.2 调试与日志分析：通过日志定位回答不准确的原因并修正

1.2.3 发布与嵌入：网页嵌入、API调用两种方式的实际操作

第二部分 结构化提示工程实操

2.1 提示词基础框架

2.1.1 角色设定：用一句话定义AI的身份、能力边界和语气风格

2.1.2 任务描述：明确输入输出格式，避免模糊指令

2.1.3 约束条件：设定禁止事项、字数限制、输出结构等硬性规则

2.2 结构化提示模板

2.2.1 CRISPE框架：角色、背景、指令、步骤、期望五个要素的拆解

2.2.2 少样本示例：给出2-3个标准问答对让模型模仿格式与逻辑

2.2.3 思维链引导：用“请逐步分析”替代直接要答案，降低推理错误率

2.3 实操练习

2.3.1 改写一段混乱的提示词：对比优化前后输出质量的差异

2.3.2 针对业务场景编写提示词：现场完成一个合同摘要提取的Prompt

2.3.3 提示词版本管理：如何保存、复用和迭代提示词模板

第三部分 企业级AI助手搭建（Agent + Skills）

3.1 Agent核心机制

3.1.1 工具调用原理：模型如何判断何时调用工具、传什么参数

3.1.2 技能（Skills）定义：将一个完整业务动作封装为可复用技能包

3.1.3 记忆与上下文：会话变量、长期记忆在Agent中的作用

3.2 技能开发实操

3.2.1 用Python写一个查天气技能：从函数编写到Dify技能注册

3.2.2 技能参数设计：入参校验、出参格式化、异常处理

3.2.3 多技能协同：让Agent自动选择查库存还是查物流的技能

3.3 企业场景练习

3.3.1 搭建财务报销咨询助手：连接内部制度知识库和表单查询技能

3.3.2 测试与迭代：模拟10个常见员工提问，逐条修正Agent行为

第四部分 自动化流程搭建（Workflow + Skills）

4.1 Workflow节点类型

4.1.1 开始与结束节点：定义输入变量、输出格式和触发条件

4.1.2 条件分支节点：按关键词、变量值或模型判断结果分流

4.1.3 代码节点与HTTP节点：处理复杂逻辑和调用外部API

4.2 流程编排实操

4.2.1 搭建一个工单自动分类流程：输入工单内容，输出分类标签和优先级

4.2.2 循环与批处理：对列表数据逐条处理并汇总结果

4.2.3 异常兜底设计：在流程中添加失败重试、默认回复分支

4.3 与Agent的区别与联动

4.3.1 确定性流程与自主决策的边界：什么时候用Workflow，什么时候用Agent

4.3.2 在Agent中嵌入Workflow：将复杂固定流程作为技能供Agent调用

第五部分 数据安全与模拟数据规范

5.1 数据安全原则

5.1.1 敏感信息脱敏：姓名、电话、身份证号在进入模型前的处理方式

5.1.2 权限控制：Dify中成员角色、应用访问权限、知识库可见范围

5.1.3 数据存储与日志：对话记录保存策略、日志中敏感字段过滤

5.2 模拟数据规范

5.2.1 构造模拟数据的三个要求：结构一致、规模可控、不包含真实信息

5.2.2 用脚本批量生成测试数据：Python快速生成100条模拟工单

5.2.3 模拟数据与真实数据的切换策略：上线前用模拟数据验证，上线后灰度切真实数据

第六部分 Agent综合案例实操实操

6.1 Agent综合案例实操

6.1.1 从零搭建一个“请假审批助手”：包含知识库、结构化提示词、企业业务处理技能

6.1.2 用Workflow实现请假申请的自动分流：按请假天数走不同审批分支

6.1.3 对助手的输出做安全审查：检查是否泄露模拟数据中的个人信息

第二天 主题：企业级应用实战与优化

第一部分 多Agent协作架构

1.1 多Agent模式

1.1.1 主从式：一个主Agent负责意图识别，分发到不同子Agent处理

1.1.2 流水线式：前一个Agent的输出作为后一个的输入，串联处理

1.1.3 竞争式：多个Agent独立回答，由裁判Agent选择最优结果

1.2 Dify中实现多Agent

1.2.1 用Workflow节点串联多个Agent应用

1.2.2 通过HTTP节点调用外部Agent服务的接口规范

1.2.3 多Agent会话状态传递：如何让下游Agent知道上游的上下文

第二部分 知识库优化与RAG调优

2.1 文档处理策略

2.1.1 分段粒度选择：按标题、固定长度、语义分段三种方式对比

2.1.2 元数据标注：为文档块添加来源、更新时间、适用范围等标签

2.1.3 混合检索配置：向量检索与关键词检索的权重调优

2.2 RAG效果优化

2.2.1 召回率不足的排查：测试10条业务问题，定位是分段问题还是检索问题

2.2.2 重排序策略：使用重排模型对召回结果二次排序

2.2.3 引用溯源配置：让回答附带来源文档和段落编号，便于人工核查

第三部分 应用性能监控与成本控制

3.1 监控指标

3.1.1 响应耗时分布：首字延迟、完整回复时长、工具调用耗时

3.1.2 Token消耗统计：按应用、按用户、按天的消耗报表

3.1.3 错误率与重试率：模型调用失败、工具超时、流程中断的频率

3.2 成本优化

3.2.1 模型分级策略：简单任务用轻量模型，复杂推理才用大模型

3.2.2 提示词压缩技巧：减少冗余描述、合并重复指令

3.2.3 缓存机制：对高频相似问题启用语义缓存，降低重复调用成本

第四部分 权限体系与团队协作

4.1 Dify工作区管理

4.1.1 成员角色配置：管理员、编辑、只读三种角色的权限边界

4.1.2 应用分组与标签：按部门、项目给应用打标签，便于统一管理

4.1.3 环境隔离：开发环境、测试环境、生产环境的配置分离

4.2 版本管理与发布流程

4.2.1 应用版本快照：保存每个上线版本的提示词、模型参数和知识库版本

4.2.2 灰度发布：先切10%流量到新版本，对比效果后全量

4.2.3 回滚操作：发现线上问题后一键恢复上一个稳定版本

第五部分 场景实战：从需求到上线

5.1 需求拆解

5.1.1 将业务需求翻译为AI能力清单：意图识别、信息抽取、决策判断、内容生成

5.1.2 确定技术路线：纯提示词、RAG、Agent、Workflow的组合选型

5.1.3 评估可行性与风险点：数据质量、模型能力边界、用户预期管理

5.2 实战案例一：智能合同审查

5.2.1 用知识库加载合同模板和条款库

5.2.2 用Workflow实现：条款提取、风险条款匹配、审查意见生成三级流程

5.2.3 输出格式标准化：生成结构化的审查报告而非自由文本

5.3 实战案例二：员工IT服务台

5.3.1 知识库覆盖：常见IT问题、软件申请流程、设备领用规范

5.3.2 Agent技能设计：查工单进度、重置密码、提交报修申请三个技能

5.3.3 兜底策略：无法处理时转人工的触发条件和交接信息格式

第六部分 Agent+Workflow综合案例实操

6.1 案例讨论

6.1.1 核心概念梳理：应用类型、提示词框架、Agent、Workflow、知识库的关联关系

6.1.2 常见误区：过度依赖Agent、提示词过于简单、知识库不做分段优化

6.1.3 能力自测清单：覆盖两天所有实操点的20项检查项