mirror of
https://github.com/langgenius/dify-docs.git
synced 2026-03-26 13:18:34 +07:00
Refine the zh and en docs
This commit is contained in:
RiskeyL
@@ -1,7 +1,6 @@
|
||||
---
|
||||
title: Collaborate with Workspace Members
|
||||
sidebarTitle: Collaboration
|
||||
description: Work together on building workflows in real time
|
||||
icon: "users"
|
||||
---
|
||||
|
||||
|
||||
@@ -8,7 +8,7 @@ Each application using [sandboxed runtime](/en/use-dify/build/runtime#sandboxed-
|
||||
|
||||
The file system contains two types of files:
|
||||
|
||||
- **Resources**: Persistent files you provide, such as skills.
|
||||
- **Resources**: Persistent files you upload or create, such as skills.
|
||||
|
||||
- **Artifacts**: Temporary files LLMs generate during each run.
|
||||
|
||||
@@ -24,6 +24,8 @@ Resources are files you create or import for your workflows. LLMs can read but c
|
||||
|
||||
For example, instead of repeating style guidelines and uploading brand materials every time you need an LLM to generate marketing copy, create a `marketing-copy` skill with everything included and simply reference it whenever needed.
|
||||
|
||||
Think of a skill as a detailed SOP (Standard Operating Procedure) and the LLM as a capable new hire. The new hire has general abilities but doesn't know your company's specific processes. A skill provides everything they need—step-by-step instructions, reference materials, tools to use—so they can complete tasks the way you expect.
|
||||
|
||||
#### Create or Import Skills
|
||||
|
||||
Import skills you've been using elsewhere, start with our ready-made skill templates, or create custom ones directly in the file system.
|
||||
|
||||
@@ -23,10 +23,10 @@ Dify offers two runtime environments: **Sandboxed Runtime** and **Classic Runtim
|
||||
|
||||
- **Access external resources** - Fetch files from URLs, clone repositories, or retrieve data from external sources
|
||||
|
||||
- **Work with files** - Access resources like **[skills](/en/use-dify/build/file-system#skills)** in the [file system](/en/use-dify/build/file-system), process files across formats, and generate multimodal artifacts using scripts and installed tools
|
||||
- **Work with files** - Access resources like **[skills](/en/use-dify/build/file-system#skills)** in the [file system](/en/use-dify/build/file-system), process files across formats, and generate multimodal artifacts using scripts and tools
|
||||
|
||||
<Tip>
|
||||
In sandboxed runtime, the Agent node combines the roles of both LLM and Agent.
|
||||
In sandboxed runtime, the Agent node combines the roles of both the LLM and Agent nodes in classic runtime.
|
||||
|
||||
For quick, simple tasks that don't need these advanced capabilities, you can disable them by turning off **[Agent Mode](/en/use-dify/nodes/agent#enable-command-execution)** for faster responses and lower token costs.
|
||||
</Tip>
|
||||
|
||||
@@ -1,6 +1,6 @@
|
||||
---
|
||||
title: "Agent"
|
||||
description: "Give LLMs autonomous control over tools for complex task execution"
|
||||
description: "Let LLMs autonomously complete complex tasks"
|
||||
icon: "robot"
|
||||
---
|
||||
|
||||
@@ -182,7 +182,7 @@ icon: "robot"
|
||||
|
||||
Toggle on **Agent Mode** to let the model use the built-in bash tool to execute commands in the sandboxed runtime.
|
||||
|
||||
This is the foundation for all advanced capabilities: when the model calls other Dify tools, performs file operations, runs scripts, or accesses external resources, it does so by calling the bash tool to execute the underlying commands.
|
||||
This is the foundation for all advanced capabilities: when the model calls any other tools, performs file operations, runs scripts, or accesses external resources, it does so by calling the bash tool to execute the underlying commands.
|
||||
|
||||
For quick, simple tasks that don't require these capabilities, you can disable **Agent Mode** to get faster responses and lower token costs.
|
||||
|
||||
@@ -260,7 +260,7 @@ icon: "robot"
|
||||
|
||||
## Handle Errors
|
||||
|
||||
Configure automatic retries for temporary issues (like network glitches) and a fallback error handling strategy to keep the workflow running if errors persist.
|
||||
Configure automatic retries for temporary issues (like network glitches), or a fallback error handling strategy to keep the workflow running if errors persist.
|
||||
|
||||
<Frame caption=""><img src="/images/node_handle_errors.png" alt="Handle Errors"/></Frame>
|
||||
|
||||
|
||||
@@ -1,5 +1,6 @@
|
||||
---
|
||||
title: Command
|
||||
description: Execute shell commands directly in your workflow
|
||||
icon: "rectangle-terminal"
|
||||
---
|
||||
|
||||
@@ -7,8 +8,6 @@ icon: "rectangle-terminal"
|
||||
This node is only available in applications using the sandboxed runtime.
|
||||
</Info>
|
||||
|
||||
Use Command nodes to execute shell commands directly in your workflow.
|
||||
|
||||
While Agent nodes can execute commands autonomously, Command nodes are better when you know exactly what command to run and don't need LLM reasoning. They're faster and don't consume tokens.
|
||||
|
||||
Commands run in the root directory by default. To use a different working directory, type an existing path or one that will be created by upstream nodes during execution.
|
||||
|
||||
@@ -116,7 +116,7 @@ To use the retrieval results as context in an LLM node:
|
||||
3. Optional: If the LLM is vision-capable, enable **Vision** so it can process image attachments in the retrieval results.
|
||||
|
||||
<Info>
|
||||
You don't need to specify any vision input variable. Once **Vision** is enabled, the LLM will automatically access any retrieved images.
|
||||
You don't need to specify the retrieval results as the vision input. Once **Vision** is enabled, the LLM will automatically access any retrieved images.
|
||||
</Info>
|
||||
|
||||
In chatflows, citations are shown alongside responses that reference knowledge by default. You can turn this off by disabling **Citation and Attributions** in **Features**.
|
||||
In chatflows, citations are shown alongside responses that reference knowledge by default. You can turn this off by disabling **Citation and Attributions** in **Features** at the top right corner of the canvas.
|
||||
@@ -1,6 +1,6 @@
|
||||
---
|
||||
title: "LLM"
|
||||
description: "Invoke large language models for text generation and analysis"
|
||||
description: "Invoke large language models to generate text, analyze content, and complete complex tasks with tools"
|
||||
icon: "brain"
|
||||
---
|
||||
|
||||
@@ -123,8 +123,6 @@ Please explain in simple and easy-to-understand language. Provide examples when
|
||||
{% elif user_level == "intermediate" %} You may use some technical terms, but provide appropriate explanations. Offer practical advice and best practices.
|
||||
{% else %} You may delve into technical details and use professional terminology. Focus on advanced use cases and optimization solutions.
|
||||
{% endif %}
|
||||
|
||||
User question: {{ query }}
|
||||
```
|
||||
</Accordion>
|
||||
|
||||
@@ -150,7 +148,7 @@ A user message will be automatically added to pass the current user query and an
|
||||
|
||||
**Window Size** controls how many recent exchanges to retain. For example, `5` keeps the last 5 user-query and LLM-response pairs.
|
||||
|
||||
## Add Dify Tools
|
||||
## Use Dify Tools
|
||||
|
||||
<Info>
|
||||
Only models with the Tool Call tag can use Dify tools.
|
||||
@@ -216,4 +214,4 @@ Describing an output format in instructions can produce inconsistent results. Fo
|
||||
|
||||
Configure automatic retries for temporary issues (like network glitches) and a fallback error handling strategy to keep the workflow running if errors persist.
|
||||
|
||||
<Frame caption=""><img src="/images/node_handle_errors.png" alt="Handle Errors"/></Frame>
|
||||
<Frame caption=""><img src="/images/node_handle_errors.png" alt="Handle Errors"/></Frame>
|
||||
@@ -101,7 +101,7 @@ The system creates an internal LLM node that reads the chat history of the selec
|
||||
|
||||
2. Describe what you want to extract from its chat history.
|
||||
|
||||
3. Click **View Internals** and test-run the internal LLM node. The node imports the upstream node's chat history and uses structured output to match the required format.
|
||||
3. Click **View Internals** and test-run the internal LLM node. The node automatically imports the upstream node's chat history and uses structured output to match the required format.
|
||||
|
||||
4. Check the output and refine as needed.
|
||||
|
||||
|
||||
@@ -10,7 +10,7 @@ icon: "upload"
|
||||
|
||||
When files are passed directly to an LLM, processing is limited by the model's own multimodal capabilities. While the [Doc Extractor](/en/use-dify/nodes/doc-extractor) node can convert various file types to text for LLMs to better process, its supported formats are still limited.
|
||||
|
||||
This is where the Upload File to Sandbox node helps. Once files are uploaded, downstream [Agent nodes](/en/use-dify/nodes/agent#sandboxed-runtime) (with **Agent Mode** enabled) can execute commands to install tools and run scripts as needed, converting files into formats LLMs can process.
|
||||
This is where the Upload File to Sandbox node helps. Once files are uploaded, downstream [Agent nodes](/en/use-dify/nodes/agent#sandboxed-runtime) (with **Agent Mode** enabled) can execute commands to install tools and run scripts in the sandbox, converting files into formats LLMs can process.
|
||||
|
||||
<Info>
|
||||
- Processing results depends on the model's reasoning capability.
|
||||
@@ -32,5 +32,5 @@ This is where the Upload File to Sandbox node helps. Once files are uploaded, do
|
||||
```
|
||||
|
||||
<Info>
|
||||
The `file_name` variable also includes the file extension (e.g., `data.csv`).
|
||||
The `file_name` variable includes the file extension (e.g., `data.csv`).
|
||||
</Info>
|
||||
@@ -1,11 +1,11 @@
|
||||
---
|
||||
title: "Publish to Marketplace"
|
||||
sidebarTitle: "Marketplace"
|
||||
description: "Publish your workflows to Dify Marketplace and share them with the world"
|
||||
description: "Publish your apps to Dify Marketplace and share them with the world"
|
||||
icon: "store"
|
||||
---
|
||||
|
||||
Publish your workflow and chatflow apps as templates to Dify Marketplace, where other Dify users can discover and use them. If you've joined the [Affiliate Program](https://dify.ai/affiliate-program), you can also earn revenue from your templates.
|
||||
Publish your apps as templates to Dify Marketplace, where other Dify users can discover and use them. If you've joined the [Affiliate Program](https://dify.ai/affiliate-program), you can also earn revenue from your templates.
|
||||
|
||||
## Submit Templates
|
||||
|
||||
@@ -15,7 +15,7 @@ There are two ways to submit:
|
||||
|
||||
<Tabs>
|
||||
<Tab title="From Dify Studio">
|
||||
On the canvas, click **Publish** > **Publish to Marketplace**.
|
||||
In your app, click **Publish** > **Publish to Marketplace**.
|
||||
|
||||
This takes you to the [Creators Platform]() where you can fill in the template details and submit for review.
|
||||
</Tab>
|
||||
@@ -36,7 +36,7 @@ Keep the template library consistent and searchable.
|
||||
- Overview
|
||||
- Setup steps
|
||||
|
||||
**Inside the workflow, you can use any language (e.g. Chinese) for**:
|
||||
**Inside the app, you can use any language (e.g. Chinese) for**:
|
||||
|
||||
- Node names
|
||||
- Prompts / system messages
|
||||
|
||||
@@ -1,5 +1,6 @@
|
||||
---
|
||||
title: Tools
|
||||
title: Dify Tools
|
||||
sidebarTitle: Tools
|
||||
icon: "wrench"
|
||||
---
|
||||
|
||||
|
||||
@@ -1,13 +1,12 @@
|
||||
---
|
||||
title: 与工作区成员协作
|
||||
sidebarTitle: 协作
|
||||
description: 实时协作构建工作流
|
||||
icon: "users"
|
||||
---
|
||||
|
||||
<Note> ⚠️ 本文档由 AI 自动翻译。如有任何不准确之处，请参考[英文原版](/en/use-dify/build/collaboration)。</Note>
|
||||
|
||||
拥有编辑权限及以上的工作区成员可以同时编辑同一个工作流。右键点击画布并选择**添加评论**来分享想法。
|
||||
拥有编辑权限及以上的工作区成员可实时编辑同一个工作流。右键点击画布并选择**添加评论**来分享想法。
|
||||
|
||||
要更快地添加多条评论，按 `C` 键进入评论模式。如果你在评论中 `@` 提及其他人，他们将收到邮件通知。
|
||||
|
||||
|
||||
@@ -10,7 +10,7 @@ keyword: skills, skill
|
||||
|
||||
文件系统包含两类文件：
|
||||
|
||||
- **资源**：你提供的持久文件，例如技能（Skill）。
|
||||
- **资源**：你上传或创建的持久文件，例如技能（Skill）。
|
||||
|
||||
- **产物**：LLM 在每次运行期间生成的临时文件。
|
||||
|
||||
@@ -18,13 +18,15 @@ keyword: skills, skill
|
||||
|
||||
## 资源
|
||||
|
||||
资源是你为工作流创建或导入的文件。LLM 可以读取但不能修改它们。资源在多次运行之间持久保存，并在导出应用时一起包含。
|
||||
资源是你为工作流创建或导入的文件。LLM 可以读取但不能修改它们。资源在应用中持久保存，并在导出应用时一起包含。
|
||||
|
||||
### 技能（Skill）
|
||||
### Skill
|
||||
|
||||
[技能（Skill）](https://agentskills.io/home)将指令、知识、脚本和其他参考资料打包用于特定任务——定义一次，跨工作流复用。
|
||||
[Skill](https://agentskills.io/home) 将指令、知识、脚本和其他资料打包用于特定任务——定义一次，跨工作流复用。
|
||||
|
||||
例如，你无需每次都重复风格指南并上传品牌素材来让 LLM 生成营销文案，只需创建一个 `marketing-copy` Skill 并将所有内容包含在内，在需要时直接引用即可。
|
||||
例如，你无需每次重复描述风格指南并上传品牌素材来让 LLM 生成营销文案，只需创建一个 `marketing-copy` Skill 并将所有资料包含在内，需要时直接引用即可。
|
||||
|
||||
可以将 Skill 理解为一份详细的 SOP（标准作业程序），而 LLM 就像一位能力出色的新员工。新员工具备通用能力，但不了解公司的具体流程。Skill 为他们提供所需的一切——步骤说明、参考资料、可用工具——让他们能按照你期望的方式完成任务。
|
||||
|
||||
#### 创建或导入 Skill
|
||||
|
||||
@@ -32,7 +34,7 @@ keyword: skills, skill
|
||||
|
||||
每个 Skill 都需要一个 `SKILL.md` 文件，定义任务内容、使用时机以及执行步骤。
|
||||
|
||||
在 `SKILL.md` 中，你可以引用任何可用的资源——脚本、模板、上下文材料或 [Dify 工具](/zh/use-dify/workspace/tools)——并指定使用的时机和方式。
|
||||
在 `SKILL.md` 中，你可以引用任何可用的资源（脚本、模板、上下文材料或 [Dify 工具](/zh/use-dify/workspace/tools)）并指定使用的场景和方式。
|
||||
|
||||
<Frame caption=""><img src="/images/workflow_skill.png" alt="Skill"/></Frame>
|
||||
|
||||
@@ -40,7 +42,7 @@ keyword: skills, skill
|
||||
|
||||
在提示词编辑器中输入 `/`，然后从**文件**选项卡中选择一个 Skill 文件夹。
|
||||
|
||||
LLM 会先读取 Skill 的 frontmatter（名称、描述和元数据），仅在需要时才加载完整内容。这节省了 Token 并提高了效率，尤其是在使用多个 Skill 时。
|
||||
LLM 会先读取 Skill 的头信息（名称、描述和元数据），仅在需要时才加载完整内容。这节省了 Token 并提高了效率，在使用多个 Skill 时尤其有用。
|
||||
|
||||
## 产物
|
||||
|
||||
@@ -54,7 +56,7 @@ LLM 会先读取 Skill 的 frontmatter（名称、描述和元数据），仅在
|
||||
|
||||
<Tabs>
|
||||
<Tab title="测试运行 / 预览">
|
||||
产物在多次测试运行之间持久保存。要清除它们，请点击**变量检查**面板中的**全部重置**。
|
||||
产物在多次测试运行之间持久保存。要清除它们，点击**变量检查**面板中的**全部重置**。
|
||||
</Tab>
|
||||
<Tab title="生产环境">
|
||||
产物的范围限定在每次运行中，运行完成后自动清除。
|
||||
@@ -69,13 +71,13 @@ LLM 会先读取 Skill 的 frontmatter（名称、描述和元数据），仅在
|
||||
|
||||
产物存储在沙盒环境中，无法直接暴露给终端用户。要输出产物，你需要通过另一个 Agent 节点来提取：
|
||||
|
||||
1. 在生成文件的节点下游添加一个 Agent 节点。
|
||||
1. 在生成文件的节点下游，添加一个 Agent 节点。
|
||||
|
||||
2. 关闭 **Agent 模式**并启用**结构化输出**。
|
||||
|
||||
3. 添加一个文件类型的结构化输出变量。
|
||||
|
||||
4. 通过**添加对话历史**导入上游 Agent 的对话历史。这让 LLM 可以定位文件路径。
|
||||
4. 通过**添加对话历史**导入上游 Agent 节点的对话历史。这让模型可以定位文件路径。
|
||||
|
||||
5. 在用户消息中，指示模型提取并输出文件（例如"输出生成的 PDF 文件"）。
|
||||
|
||||
@@ -83,7 +85,7 @@ LLM 会先读取 Skill 的 frontmatter（名称、描述和元数据），仅在
|
||||
|
||||
## 支持的文件类型和操作
|
||||
|
||||
文件系统中的所有文件都可以下载。部分文件还可以预览或编辑。
|
||||
文件系统中的所有文件都可下载。部分文件还可预览或编辑。
|
||||
|
||||
<Tabs>
|
||||
<Tab title="可编辑">
|
||||
|
||||
@@ -17,7 +17,7 @@ Dify 提供两种运行时环境：**沙盒运行时**和**经典运行时**，
|
||||
**适用场景：** 需要 LLM 自主解决问题的复杂任务。功能更强大，但速度更慢、Token 消耗更高。
|
||||
</Check>
|
||||
|
||||
沙盒运行时使 LLM 能够在隔离环境中**执行命令**。你能在终端中用命令完成的任何操作，它们都能做到：
|
||||
沙盒运行时使 LLM 能够在隔离环境中**执行命令行**。你能在终端中用命令行完成的任何操作，它们都能做到：
|
||||
|
||||
- **运行脚本和程序** - 执行代码来处理数据、生成输出或执行任意计算
|
||||
|
||||
@@ -25,17 +25,17 @@ Dify 提供两种运行时环境：**沙盒运行时**和**经典运行时**，
|
||||
|
||||
- **访问外部资源** - 从 URL 获取文件、克隆仓库或从外部来源检索数据
|
||||
|
||||
- **处理文件** - 访问[文件系统](/zh/use-dify/build/file-system)中的资源（如[技能（Skill）](/zh/use-dify/build/file-system#技能skill)），跨格式处理文件，并使用脚本和已安装工具生成多模态产物
|
||||
- **处理文件** - 访问[文件系统](/zh/use-dify/build/file-system)中的资源（如 [Skill](/zh/use-dify/build/file-system#skill)），处理不同格式的文件，并使用脚本和工具生成多模态产物
|
||||
|
||||
<Tip>
|
||||
在沙盒运行时中，Agent 节点同时承担了 LLM 和 Agent 的角色。
|
||||
在沙盒运行时中，Agent 节点同时承担了经典运行时中 LLM 和 Agent 节点的角色。
|
||||
|
||||
对于不需要这些高级功能的简单快速任务，可以关闭 **[Agent 模式](/zh/use-dify/nodes/agent#启用命令执行agent-模式)** 来获得更快的响应和更低的 Token 成本。
|
||||
对于不需要这些高级功能的简单快速任务，可以关闭 **[Agent 模式](/zh/use-dify/nodes/agent#启用命令执行（agent-模式）)** 来获得更快的响应和更低的 Token 消耗。
|
||||
</Tip>
|
||||
|
||||
**LLM 成为真正的 Agent**。只要模型具有强大的工具调用和推理能力，它就能自主决定运行什么命令并执行它们来完成任务。
|
||||
**LLM 成为真正的 Agent**。只要模型具有足够强大的工具调用和推理能力，它就能自主决定运行什么命令并执行它们来完成任务。
|
||||
|
||||
LLM 的能力越强，就越需要在沙盒中运行。隔离环境在赋予它们足够自由度的同时，确保了安全运行。
|
||||
正是因为 LLM 的能力变得更强，所以才需要在沙盒中运行。隔离环境赋予它们足够的自由度，也能确保安全运行。
|
||||
|
||||
<Info>
|
||||
默认沙盒提供商：
|
||||
@@ -44,19 +44,19 @@ Dify 提供两种运行时环境：**沙盒运行时**和**经典运行时**，
|
||||
|
||||
- 自托管部署使用 SSH VM。
|
||||
|
||||
在**设置** > **沙盒提供商**中选择和配置其他提供商。
|
||||
你可以在**设置** > **沙盒提供商**中选择和配置其他提供商。
|
||||
</Info>
|
||||
|
||||
</Tab>
|
||||
<Tab title="经典运行时">
|
||||
|
||||
<Check>
|
||||
**适用场景：** 简单快速的任务。功能较少，但速度更快、效率更高。
|
||||
**适用场景：** 简单快速的任务。功能有限，但速度更快、效率更高。
|
||||
</Check>
|
||||
|
||||
在经典运行时中，LLM 做它们最擅长的事：分析信息、生成文本、推理问题，并智能地使用预配置的工具来完成任务。
|
||||
在经典运行时中，LLM 做它们最擅长的事：分析信息、生成文本、推理问题，并自主使用预配置的工具来完成任务。
|
||||
|
||||
可以把它想象成给某人一套特定的工具包——他们很有能力，但**仅限于你提供的工具范围**。
|
||||
可以把它想象成给某人一套特定的工具包——他们可以完成任务，但**仅限于你提供的工具范围**。
|
||||
|
||||
</Tab>
|
||||
</Tabs>
|
||||
@@ -66,7 +66,7 @@ Dify 提供两种运行时环境：**沙盒运行时**和**经典运行时**，
|
||||
| 维度 | 沙盒运行时 | 经典运行时 |
|
||||
|:------------------------------|:-------------------------------------|:------------------------------------|
|
||||
| **适用场景** | 复杂的自主问题解决 | 简单、明确的任务 |
|
||||
| **LLM 自主性** | 运行所需的任何命令 | 使用你配置的工具 |
|
||||
| **LLM 自主程度** | 运行所需的任何命令行 | 使用你配置好的工具 |
|
||||
| **文件系统** | ✅ | ❌ |
|
||||
| **技能（Skill）** | ✅ | ❌ |
|
||||
| **应用导出格式** | `.zip`（DSL + 资源文件） | `.yml`（DSL 文件） |
|
||||
|
||||
@@ -1,6 +1,6 @@
|
||||
---
|
||||
title: "Agent"
|
||||
description: "赋予 LLM 自主控制工具的能力，以执行复杂任务"
|
||||
description: "让 LLMs 自主完成复杂任务"
|
||||
icon: "robot"
|
||||
---
|
||||
|
||||
@@ -9,9 +9,9 @@ icon: "robot"
|
||||
<Tabs>
|
||||
<Tab title="沙盒运行时">
|
||||
|
||||
在[沙盒运行时](/zh/use-dify/build/runtime#沙盒运行时)中，Agent 节点赋予 LLM 自主执行命令的能力：调用工具、运行脚本、访问外部资源、操作[文件系统](/zh/use-dify/build/file-system)以及创建多模态输出。
|
||||
在[沙盒运行时](/zh/use-dify/build/runtime#沙盒运行时)中，Agent 节点赋予 LLM 自主执行命令行的能力，使其可以调用工具、运行脚本、访问外部资源、操作[文件系统](/zh/use-dify/build/file-system)以及创建多模态输出。
|
||||
|
||||
这也带来了权衡：更长的响应时间和更高的 Token 消耗。要更快更高效地处理简单任务，可以关闭 **[Agent 模式](#启用命令执行agent-模式)** 来禁用这些功能。
|
||||
这也带来了权衡：更长的响应时间和更高的 Token 消耗。要更快更高效地处理简单任务，可以关闭 **[Agent 模式](#启用命令执行（agent-模式）)** 来禁用这些功能。
|
||||
|
||||
## 选择模型
|
||||
|
||||
@@ -36,9 +36,9 @@ icon: "robot"
|
||||
|
||||
### 指定指令和消息
|
||||
|
||||
定义系统指令并点击**添加消息**来添加用户/助手消息。它们会按顺序在单个提示词中发送给模型。
|
||||
定义系统指令并点击**添加消息**来添加用户/助手消息。它们会按顺序在提示词中发送给模型。
|
||||
|
||||
可以把它想象成直接与模型对话：
|
||||
想象你正在与模型直接对话：
|
||||
|
||||
- **系统指令**设定模型响应的规则——角色、语气和行为准则。
|
||||
|
||||
@@ -50,13 +50,12 @@ icon: "robot"
|
||||
|
||||
在系统指令中定义角色和规则，然后在用户消息中传递实际的任务输入。例如：
|
||||
|
||||
|
||||
```bash wrap
|
||||
# System instruction
|
||||
You are a children's story writer. Write a story based on the user's input. Use simple language and a warm tone.
|
||||
# 系统指令
|
||||
你是一名儿童故事作家。根据用户输入写一个故事。使用简单的语言和温暖的语气。
|
||||
|
||||
# User message
|
||||
Write a bedtime story about a rabbit who makes friends with a shy hedgehog.
|
||||
# 用户消息
|
||||
写一个关于兔子和害羞的刺猬成为朋友的睡前故事。
|
||||
```
|
||||
|
||||
虽然将所有内容放在系统指令中看起来更简单，但将角色定义与任务输入分离可以为模型提供更清晰的结构。
|
||||
@@ -69,9 +68,9 @@ icon: "robot"
|
||||
|
||||
### 从上游 LLM 导入对话历史
|
||||
|
||||
点击**添加对话历史**，从上游 Agent 节点导入对话历史。这让模型了解上游发生了什么，并从该节点中断的地方继续。
|
||||
点击**添加对话历史**，从上游 Agent 节点导入对话历史。这让模型了解上游发生了什么，并从其结束的地方继续。
|
||||
|
||||
对话历史包括**用户**消息、**助手**消息和<Tooltip tip="工具消息是模型调用工具后返回的结果。例如，bash 工具的命令执行结果。">**工具**消息</Tooltip>。你可以在 Agent 节点的 `context` 输出变量中查看。
|
||||
对话历史包括**用户**消息、**助手**消息和<Tooltip tip="工具消息是模型调用工具后返回的结果。例如，bash 工具的命令行执行结果。">**工具**消息</Tooltip>。你可以在 Agent 节点的 `context` 输出变量中查看。
|
||||
|
||||
<Info>
|
||||
系统指令不包含在内，因为它们是节点特定的。
|
||||
@@ -87,72 +86,73 @@ icon: "robot"
|
||||
|
||||
<Accordion title="示例 1：处理上游 LLM 生成的文件">
|
||||
|
||||
假设两个 Agent 节点按顺序运行：Agent A 分析数据并生成图表图片，保存到沙盒的输出文件夹。Agent B 创建包含这些图表的最终报告。
|
||||
假设两个 Agent 节点依次运行：Agent A 分析数据并生成图表图片，保存到沙盒的输出文件夹。Agent B 创建包含这些图表的最终报告。
|
||||
|
||||
如果 Agent B 只接收 Agent A 的最终文本输出，它知道分析结论但不知道生成了什么文件或文件存储在哪里。
|
||||
如果 Agent B 只接收 Agent A 的最终文本输出，它知道分析结论，但可能不知道生成了什么文件或文件存储在哪里。
|
||||
|
||||
通过导入 Agent A 的对话历史，Agent B 可以从工具消息中看到确切的文件路径，从而可以在报告中访问和嵌入这些图表。
|
||||
|
||||
以下是 Agent B 导入 Agent A 对话历史后看到的完整消息序列：
|
||||
|
||||
```bash wrap
|
||||
# Agent B's own system instruction
|
||||
1. System: "You are a report designer. Create professional reports with embedded visuals."
|
||||
# Agent B 的系统指令
|
||||
1. System: "你是一名报告设计师。创建包含可视化内容的专业报告。"
|
||||
|
||||
# from Agent A
|
||||
2. User: "Analyze the Q3 sales data and create visualizations."
|
||||
# 来自 Agent A
|
||||
2. User: "分析 Q3 销售数据并创建可视化图表。"
|
||||
|
||||
# from Agent A
|
||||
3. Tool: [bash] Created bar chart: /output/q3_sales_by_region.png
|
||||
4. Tool: [bash] Created trend line: /output/q3_monthly_trend.png
|
||||
# 来自 Agent A
|
||||
3. Tool: [bash] 已创建柱状图：/output/q3_sales_by_region.png
|
||||
4. Tool: [bash] 已创建趋势线：/output/q3_monthly_trend.png
|
||||
|
||||
# from Agent A
|
||||
5. Assistant: "I've analyzed the Q3 sales data and created two charts..."
|
||||
# 来自 Agent A
|
||||
5. Assistant: "我已分析 Q3 销售数据并创建了两个图表..."
|
||||
|
||||
# Agent B's own user message
|
||||
6. User: "Create a PDF report incorporating the generated charts."
|
||||
# Agent B 的用户消息
|
||||
6. User: "创建包含已生成图表的 PDF 报告。"
|
||||
```
|
||||
|
||||
Agent B 确切地知道哪些文件存在以及它们的位置，因此可以直接将它们嵌入报告。
|
||||
通过导入 Agent A 的对话历史，Agent B 可以确切地知道哪些文件存在以及它们的位置，因此可以直接将它们嵌入报告。
|
||||
|
||||
</Accordion>
|
||||
|
||||
<Accordion title="示例 2：向终端用户输出产物">
|
||||
|
||||
在示例 1 的基础上，假设你想将生成的 PDF 报告交付给终端用户。由于产物无法直接暴露给终端用户，你需要第三个 Agent 节点来提取文件。
|
||||
在示例 1 的基础上，假设你想将生成的 PDF 报告输出给终端用户下载。由于产物无法直接暴露给终端用户，你需要第三个 Agent 节点来提取文件。
|
||||
|
||||
Agent C 配置：
|
||||
|
||||
- **Agent 模式**：已关闭
|
||||
- **Agent 模式**：关闭
|
||||
|
||||
- **结构化输出**：已启用，包含一个文件类型的输出变量
|
||||
- **结构化输出**：启用，添加一个文件类型的输出变量
|
||||
|
||||
- **对话历史**：从 Agent B 导入
|
||||
|
||||
- **用户消息**："Output the generated PDF."
|
||||
- **用户消息**："输出生成的 PDF 文件。"
|
||||
|
||||
以下是 Agent C 导入 Agent B 对话历史后看到的完整消息序列：
|
||||
```bash wrap
|
||||
# Agent C's own system instruction (optional)
|
||||
1. System: (none)
|
||||
|
||||
# User and tool messages from Agent A (omitted for brevity)
|
||||
```bash wrap
|
||||
# Agent C 的系统指令（可选）
|
||||
1. System:（无）
|
||||
|
||||
# 来自 Agent A 的用户和工具消息（为简洁起见省略）
|
||||
2. ...
|
||||
|
||||
# from Agent B
|
||||
3. User: "Create a PDF report incorporating the generated charts."
|
||||
# 来自 Agent B
|
||||
3. User: "创建包含已生成图表的 PDF 报告。"
|
||||
|
||||
# from Agent B
|
||||
4. Tool: [bash] Created report: /output/q3_sales_report.pdf
|
||||
# 来自 Agent B
|
||||
4. Tool: [bash] 已创建报告：/output/q3_sales_report.pdf
|
||||
|
||||
# from Agent B
|
||||
5. Assistant: "I've created a PDF report with the charts embedded..."
|
||||
# 来自 Agent B
|
||||
5. Assistant: "我已创建包含图表的 PDF 报告……"
|
||||
|
||||
# Agent C's own user message
|
||||
6. User: "Output the generated PDF."
|
||||
# Agent C 的用户消息
|
||||
6. User: "输出生成的 PDF。"
|
||||
```
|
||||
|
||||
Agent C 从导入的对话历史中定位文件路径，并将其作为文件变量输出。然后你可以在回答节点或输出节点中引用该变量，将文件交付给终端用户。
|
||||
Agent C 从导入的对话历史中定位文件路径，并将其作为文件变量输出。然后，你可以在回答节点或输出节点中引用该变量，将文件交付给终端用户。
|
||||
|
||||
</Accordion>
|
||||
|
||||
@@ -162,53 +162,53 @@ icon: "robot"
|
||||
|
||||
<Accordion title="示例：根据用户级别设置条件系统指令">
|
||||
```jinja2 wrap
|
||||
You are a
|
||||
{% if user_level == "beginner" %}patient and friendly
|
||||
{% elif user_level == "intermediate" %}professional and efficient
|
||||
{% else %}senior expert-level
|
||||
{% endif %} assistant.
|
||||
你是一个
|
||||
{% if user_level == "beginner" %}耐心友好
|
||||
{% elif user_level == "intermediate" %}专业高效
|
||||
{% else %}资深专家级
|
||||
{% endif %} 的助手。
|
||||
|
||||
{% if user_level == "beginner" %}
|
||||
Please explain in simple and easy-to-understand language. Provide examples when necessary. Avoid using technical jargon.
|
||||
{% elif user_level == "intermediate" %} You may use some technical terms, but provide appropriate explanations. Offer practical advice and best practices.
|
||||
{% else %} You may delve into technical details and use professional terminology. Focus on advanced use cases and optimization solutions.
|
||||
请用简单易懂的语言解释，必要时提供示例。避免使用技术术语。
|
||||
{% elif user_level == "intermediate" %} 你可以使用一些技术术语，但需提供适当解释。提供实用建议和最佳实践。
|
||||
{% else %} 你可以深入技术细节并使用专业术语。重点关注高级用例和优化方案。
|
||||
{% endif %}
|
||||
```
|
||||
</Accordion>
|
||||
|
||||
默认情况下，你需要将所有可能的指令发送给模型，描述条件，然后让模型自行决定遵循哪些——这种方法通常不可靠。
|
||||
默认情况下，你需要将所有可能的指令发送给模型，描述条件，然后让模型自行决定遵循哪些——这种方法往往不够可靠。
|
||||
|
||||
使用 Jinja2 模板，只有符合定义条件的指令会被发送，确保行为可预测并减少 Token 使用。
|
||||
|
||||
## 启用命令执行（Agent 模式）
|
||||
|
||||
开启 **Agent 模式**，让模型使用内置的 bash 工具在沙盒运行时中执行命令。
|
||||
开启 **Agent 模式**，让模型使用内置的 bash 工具在沙盒运行时中执行命令行。
|
||||
|
||||
这是所有高级功能的基础：当模型调用其他 Dify 工具、执行文件操作、运行脚本或访问外部资源时，它都是通过调用 bash 工具来执行底层命令。
|
||||
这是所有高级功能的基础：当模型调用其他任何工具、执行文件操作、运行脚本或访问外部资源时，它都是通过调用 bash 工具来执行底层的命令行。
|
||||
|
||||
对于不需要这些功能的简单快速任务，可以关闭 **Agent 模式** 以获得更快的响应和更低的 Token 成本。
|
||||
对于不需要这些功能的简单快速任务，可以关闭 **Agent 模式** 以获得更快的响应和更低的 Token 消耗。
|
||||
|
||||
**调整最大迭代次数**
|
||||
|
||||
**高级设置**中的**最大迭代次数**限制了模型对单次请求可以重复其推理-行动循环（思考、调用工具、处理结果）的次数。
|
||||
|
||||
对于需要多次工具调用的复杂多步任务，增加此值。较高的值会增加延迟和 Token 成本。
|
||||
对于需要多次工具调用的复杂多步任务，增加此值。较高的值会增加延迟和 Token 消耗。
|
||||
|
||||
## 启用对话记忆（仅对话流）
|
||||
|
||||
<Note>
|
||||
记忆是节点特定的，不会在不同对话之间持久保存。
|
||||
记忆是节点特定的，仅在同一个对话中生效。
|
||||
</Note>
|
||||
|
||||
启用**记忆**以保留最近的对话，使 LLM 能够连贯地回答后续问题。
|
||||
|
||||
会自动添加一条用户消息来传递当前用户查询和任何上传的文件。这是因为记忆通过存储最近的用户-助手交互来工作。如果用户查询没有通过用户消息传递，用户侧将没有内容可记录。
|
||||
一条用户消息会被自动添加来传递用户输入和任何上传的文件。这是因为记忆通过存储最近的用户-助手消息交互来工作。如果用户输入不通过用户消息传递，用户侧将没有内容可记录。
|
||||
|
||||
**窗口大小**控制保留多少条最近的交互。例如，`5` 保留最近 5 轮用户查询和 LLM 响应。
|
||||
**窗口大小**控制保留多少条最近的交互。例如，`5` 保留最近 5 轮用户输入和 LLM 回复。
|
||||
|
||||
## 添加上下文
|
||||
|
||||
在**高级设置** > **上下文**中，为 LLM 提供额外的参考信息以减少幻觉并提高响应准确性。
|
||||
在**高级设置** > **上下文**中，为 LLM 提供额外的参考信息，以减少幻觉并提高响应准确性。
|
||||
|
||||
典型模式：从知识检索节点[传递检索结果](/zh/use-dify/nodes/knowledge-retrieval#与-llm-节点搭配使用)，实现检索增强生成（RAG）。
|
||||
|
||||
@@ -226,25 +226,25 @@ icon: "robot"
|
||||
|
||||
- **低**：对简单图片处理更快，消耗更少 Token
|
||||
|
||||
对于不具备相关多模态能力的模型，使用**[上传文件至沙盒](/zh/use-dify/nodes/upload-file-to-sandbox)**节点将文件上传到沙盒。Agent 节点随后可以执行命令来安装工具和运行脚本处理这些文件——即使是模型原生不支持的文件类型。
|
||||
对于不具备相关多模态能力的模型，可以使用[上传文件至沙盒](/zh/use-dify/nodes/upload-file-to-sandbox)节点将文件上传到沙盒。Agent 节点随后可以执行命令行来安装工具和运行脚本处理这些文件——即使是模型原生不支持的文件类型。
|
||||
|
||||
## 将思考过程和工具调用与响应分离
|
||||
## 将思考过程和工具调用与回复分离
|
||||
|
||||
要获得不包含模型思考过程和工具调用的干净响应，请使用 `generations.content` 输出变量。
|
||||
若要获得不包含模型思考过程和工具调用的干净回复，请引用 `generations.content` 输出变量。
|
||||
|
||||
`generations` 变量本身包含所有中间步骤和最终响应。
|
||||
`generations` 变量本身包含所有中间步骤和最终回复。
|
||||
|
||||
## 强制结构化输出
|
||||
|
||||
在指令中描述输出格式可能产生不一致的结果。要获得更可靠的格式化，启用结构化输出以强制执行定义好的 JSON schema。
|
||||
在指令中描述输出格式可能产生不一致的结果。若要实现更可靠的格式化，启用结构化输出以强制执行定义好的 JSON schema。
|
||||
|
||||
<Info>
|
||||
对于不支持原生 JSON 的模型，Dify 会将 schema 包含在提示词中，但不保证严格遵循。
|
||||
对于不支持原生 JSON 的模型，Dify 会将 schema 包含在提示词中，但模型不一定严格遵循。
|
||||
</Info>
|
||||
|
||||
<Frame caption=""><img src="/images/structured_output.png" alt="结构化输出"/></Frame>
|
||||
|
||||
1. 在**输出变量**旁，开启**结构化**开关。一个 `structured_output` 变量将出现在输出变量列表末尾。
|
||||
1. 在**输出变量**旁，启用**结构化**开关。一个 `structured_output` 变量将出现在输出变量列表末尾。
|
||||
|
||||
2. 点击**配置**，使用以下方法之一定义输出 schema。
|
||||
|
||||
@@ -257,12 +257,12 @@ icon: "robot"
|
||||
- **JSON 导入**：粘贴一个现有的 JSON 对象，自动生成对应的 schema。
|
||||
|
||||
<Tip>
|
||||
使用文件类型的结构化输出变量从沙盒中提取产物，使其可供终端用户使用。详见[向终端用户输出产物](/zh/use-dify/build/file-system#向终端用户输出产物)。
|
||||
可使用文件类型的结构化输出变量从沙盒中提取产物，供终端用户下载。详见[向终端用户输出产物](/zh/use-dify/build/file-system#向终端用户输出产物)。
|
||||
</Tip>
|
||||
|
||||
## 错误处理
|
||||
|
||||
为临时问题（如网络波动）配置自动重试，并设置备用错误处理策略以在错误持续时保持工作流运行。
|
||||
为临时问题（如网络波动）配置自动重试，或设置备用错误处理策略以在错误持续时保持工作流运行。
|
||||
|
||||
<Frame caption=""><img src="/images/node_handle_errors.png" alt="错误处理"/></Frame>
|
||||
|
||||
|
||||
@@ -1,5 +1,6 @@
|
||||
---
|
||||
title: 命令执行
|
||||
description: 在工作流中直接执行 shell 命令
|
||||
icon: "rectangle-terminal"
|
||||
---
|
||||
|
||||
@@ -9,8 +10,6 @@ icon: "rectangle-terminal"
|
||||
此节点仅在使用沙盒运行时的应用中可用。
|
||||
</Info>
|
||||
|
||||
使用命令执行节点在工作流中直接执行 Shell 命令。
|
||||
虽然 Agent 节点可以自主执行命令行，但当你明确知道要运行什么命令且不需要 LLM 推理时，命令执行节点是更好的选择。它们更快且不消耗 Token。
|
||||
|
||||
虽然 Agent 节点可以自主执行命令，但当你明确知道要运行什么命令且不需要 LLM 推理时，命令执行节点是更好的选择。它们更快且不消耗 Token。
|
||||
|
||||
命令默认在根目录运行。要使用不同的工作目录，输入一个已有路径或一个将在执行过程中由上游节点创建的路径。
|
||||
命令默认在根目录运行。若要使用不同的工作目录，输入一个已有路径或一个将在执行过程中由上游节点创建的路径。
|
||||
|
||||
@@ -115,10 +115,10 @@ icon: "database"
|
||||
|
||||
2. 在系统指令中，引用 `Context` 变量。
|
||||
|
||||
3. 可选：如果 LLM 支持视觉能力，启用 **Vision** 以便其处理检索结果中的图片附件。
|
||||
3. 可选：如果 LLM 支持视觉能力，启用 **视觉** 以便其处理检索结果中的图片附件。
|
||||
|
||||
<Info>
|
||||
你无需指定任何视觉输入变量。启用 **Vision** 后，LLM 会自动访问检索到的图片。
|
||||
你无需将检索结果变量指定为视觉输入。启用 **视觉** 后，LLM 会自动访问检索到的图片。
|
||||
</Info>
|
||||
|
||||
在对话流中，默认情况下引用知识的响应旁会显示引用来源。你可以在**功能**中关闭**引用和归属**来禁用此功能。
|
||||
在对话流中，默认情况下引用知识的响应旁会显示引用来源。你可以在画布右上角的**功能**中关闭**引用和归属**来禁用此功能。
|
||||
|
||||
@@ -1,6 +1,6 @@
|
||||
---
|
||||
title: "LLM"
|
||||
description: "调用大语言模型进行文本生成和分析"
|
||||
description: "调用大语言模型进行文本生成和分析，或使用工具完成复杂任务"
|
||||
icon: "brain"
|
||||
---
|
||||
|
||||
@@ -31,9 +31,9 @@ LLM 节点调用大语言模型，根据你的指令和上游节点的输入生
|
||||
|
||||
### 指定指令和消息
|
||||
|
||||
定义系统指令并点击**添加消息**来添加用户/助手消息。它们会按顺序在单个提示词中发送给模型。
|
||||
定义系统指令并点击**添加消息**来添加用户/助手消息。它们会按顺序在提示词中发送给模型。
|
||||
|
||||
可以把它想象成直接与模型对话：
|
||||
想象你正在与模型直接对话：
|
||||
|
||||
- **系统指令**设定模型响应的规则——角色、语气和行为准则。
|
||||
|
||||
@@ -46,11 +46,11 @@ LLM 节点调用大语言模型，根据你的指令和上游节点的输入生
|
||||
在系统指令中定义角色和规则，然后在用户消息中传递实际的任务输入。例如：
|
||||
|
||||
```bash wrap
|
||||
# System instruction
|
||||
You are a children's story writer. Write a story based on the user's input. Use simple language and a warm tone.
|
||||
# 系统指令
|
||||
你是一名儿童故事作家。根据用户输入写一个故事。使用简单的语言和温暖的语气。
|
||||
|
||||
# User message
|
||||
Write a bedtime story about a rabbit who makes friends with a shy hedgehog
|
||||
# 用户消息
|
||||
写一个关于兔子和害羞的刺猬成为朋友的睡前故事。
|
||||
```
|
||||
|
||||
虽然将所有内容放在系统指令中看起来更简单，但将角色定义与任务输入分离可以为模型提供更清晰的结构。
|
||||
@@ -63,7 +63,7 @@ Write a bedtime story about a rabbit who makes friends with a shy hedgehog
|
||||
|
||||
### 从上游 LLM 导入对话历史
|
||||
|
||||
点击**添加对话历史**，从上游 Agent 或 LLM 节点导入对话历史。这让模型了解上游发生了什么，并从该节点中断的地方继续。
|
||||
点击**添加对话历史**，从上游 Agent 或 LLM 节点导入对话历史。这让模型了解上游发生了什么，并从其结束的地方继续。
|
||||
|
||||
对话历史包括**用户**消息、**助手**消息和<Tooltip tip="工具消息是模型调用工具后返回的结果。例如，bash 工具的命令执行结果。">**工具**消息</Tooltip>。你可以在 Agent 或 LLM 节点的 `context` 输出变量中查看。
|
||||
|
||||
@@ -81,30 +81,30 @@ Write a bedtime story about a rabbit who makes friends with a shy hedgehog
|
||||
|
||||
<Accordion title="示例：串联研究和报告 LLM">
|
||||
|
||||
假设两个 LLM 节点按顺序运行：LLM A 通过调用搜索工具研究一个主题，LLM B 基于研究结果撰写报告。
|
||||
假设两个 LLM 节点依次运行：LLM A 通过调用搜索工具研究一个主题，LLM B 基于研究结果撰写报告。
|
||||
|
||||
如果 LLM B 只接收 LLM A 的最终文本输出，它可以总结结论但无法验证或引用具体来源。通过导入 LLM A 的对话历史，LLM B 可以看到每次工具调用的原始数据，并在报告中直接引用。
|
||||
如果 LLM B 只接收 LLM A 的最终文本输出，它可以总结结论，但可能无法验证或引用具体来源。通过导入 LLM A 的对话历史，LLM B 可以看到每次工具调用的原始数据，并在报告中直接引用。
|
||||
|
||||
以下是 LLM B 导入 LLM A 对话历史后看到的完整消息序列：
|
||||
|
||||
```bash wrap
|
||||
# LLM B's own system instruction
|
||||
1. System: "You are a professional report writer..."
|
||||
# LLM B 自己的系统指令
|
||||
1. System: "你是一名专业的报告撰写者..."
|
||||
|
||||
# from LLM A
|
||||
2. User: "What are the new trends in the EV market?"
|
||||
# 来自 LLM A
|
||||
2. User: "电动车（EV）市场的新趋势是什么？"
|
||||
|
||||
# from LLM A
|
||||
3. Tool: [search results with URLs and raw data]
|
||||
# 来自 LLM A
|
||||
3. Tool: [包含 URL 和原始数据的搜索结果]
|
||||
|
||||
# from LLM A
|
||||
4. Assistant: "Based on the search results, the key trends are..."
|
||||
# 来自 LLM A
|
||||
4. Assistant: "根据搜索结果，关键趋势是..."
|
||||
|
||||
# LLM B's own user message
|
||||
5. User: "Write a 500-word market analysis report."
|
||||
# LLM B 自己的用户消息
|
||||
5. User: "撰写一份 500 字的市场分析报告。"
|
||||
```
|
||||
|
||||
LLM B 理解：它已经看到了研究过程（问题、搜索、总结），现在需要基于这些信息撰写报告——包括仅通过文本输出无法获取的原始数据。
|
||||
导入对话历史后，LLM B 就能理解：它已经看到了研究过程（问题、搜索、总结），现在需要基于这些信息撰写报告——包括仅通过文本输出无法获取的原始数据。
|
||||
|
||||
</Accordion>
|
||||
|
||||
@@ -114,55 +114,53 @@ Write a bedtime story about a rabbit who makes friends with a shy hedgehog
|
||||
|
||||
<Accordion title="Jinja2 示例：根据用户级别设置条件提示词">
|
||||
```jinja2 wrap
|
||||
You are a
|
||||
{% if user_level == "beginner" %}patient and friendly
|
||||
{% elif user_level == "intermediate" %}professional and efficient
|
||||
{% else %}senior expert-level
|
||||
{% endif %} assistant.
|
||||
你是一个
|
||||
{% if user_level == "beginner" %}耐心友好
|
||||
{% elif user_level == "intermediate" %}专业高效
|
||||
{% else %}资深专家级
|
||||
{% endif %} 的助手。
|
||||
|
||||
{% if user_level == "beginner" %}
|
||||
Please explain in simple and easy-to-understand language. Provide examples when necessary. Avoid using technical jargon.
|
||||
{% elif user_level == "intermediate" %} You may use some technical terms, but provide appropriate explanations. Offer practical advice and best practices.
|
||||
{% else %} You may delve into technical details and use professional terminology. Focus on advanced use cases and optimization solutions.
|
||||
请用简单易懂的语言解释，必要时提供示例。避免使用技术术语。
|
||||
{% elif user_level == "intermediate" %} 你可以使用一些技术术语，但需提供适当解释。提供实用建议和最佳实践。
|
||||
{% else %} 你可以深入技术细节并使用专业术语。重点关注高级用例和优化方案。
|
||||
{% endif %}
|
||||
|
||||
User question: {{ query }}
|
||||
```
|
||||
</Accordion>
|
||||
|
||||
默认情况下，你需要将所有可能的指令发送给模型，描述条件，然后让模型自行决定遵循哪些——这种方法通常不可靠。
|
||||
默认情况下，你需要将所有可能的指令发送给模型，描述条件，然后让模型自行决定遵循哪些——这种方法往往不够可靠。
|
||||
|
||||
使用 Jinja2 模板，只有符合定义条件的指令会被发送，确保行为可预测并减少 Token 使用。
|
||||
|
||||
## 添加上下文
|
||||
|
||||
在**高级设置** > **上下文**中，为 LLM 提供额外的参考信息以减少幻觉并提高响应准确性。
|
||||
在**高级设置** > **上下文**中，为 LLM 提供额外的参考信息，以减少幻觉并提高响应准确性。
|
||||
|
||||
典型模式：从知识检索节点[传递检索结果](/zh/use-dify/nodes/knowledge-retrieval#与-llm-节点搭配使用)，实现检索增强生成（RAG）。
|
||||
|
||||
## 启用对话记忆（仅对话流）
|
||||
|
||||
<Note>
|
||||
记忆是节点特定的，不会在不同对话之间持久保存。
|
||||
记忆是节点特定的，仅在同一个对话中生效。
|
||||
</Note>
|
||||
|
||||
启用**记忆**以保留最近的对话，使 LLM 能够连贯地回答后续问题。
|
||||
|
||||
会自动添加一条用户消息来传递当前用户查询和任何上传的文件。这是因为记忆通过存储最近的用户-助手交互来工作。如果当前查询没有通过用户消息传递，用户侧将没有内容可记录。
|
||||
一条用户消息会被自动添加来传递用户输入和任何上传的文件。这是因为记忆通过存储最近的用户-助手消息交互来工作。如果用户输入不通过用户消息传递，用户侧将没有内容可记录。
|
||||
|
||||
**窗口大小**控制保留多少条最近的交互。例如，`5` 保留最近 5 轮用户查询和 LLM 响应。
|
||||
**窗口大小**控制保留多少条最近的交互。例如，`5` 保留最近 5 轮用户输入和 LLM 回复。
|
||||
|
||||
## 添加 Dify 工具
|
||||
## 调用 Dify 工具
|
||||
|
||||
<Info>
|
||||
只有带有 Tool Call 标签的模型才能使用 Dify 工具。
|
||||
只有带有 Tool Call 标签的模型才能调用 Dify 工具。
|
||||
|
||||
<Frame caption="">
|
||||
<img src="/images/tool_call_tag.png" alt="Tool Call 标签"/>
|
||||
</Frame>
|
||||
</Info>
|
||||
|
||||
添加 [Dify 工具](/zh/use-dify/workspace/tools)让模型与外部服务和 API 交互。当任务需要实时数据或超出文本生成范围的操作（如网页搜索或数据库查询）时非常有用。
|
||||
添加 [Dify 工具](/zh/use-dify/workspace/tools)让模型与外部服务和 API 交互，以完成需要查询实时数据或超出文本生成范围的任务（如网页搜索或数据库查询）。
|
||||
|
||||
你可以禁用或删除已添加的工具，并修改其配置。更清晰的工具描述有助于模型判断何时使用它。
|
||||
|
||||
@@ -188,21 +186,21 @@ User question: {{ query }}
|
||||
|
||||
## 将思考过程和工具调用与响应分离
|
||||
|
||||
要获得不包含模型思考过程和工具调用（如果有）的干净响应，请引用 `text` 输出变量（开启**启用推理标签分离**）或 `generation.content`。
|
||||
若要获得不包含模型思考过程和工具调用（如果有）的干净响应，请引用 `text` 输出变量（开启**启用推理标签分离**）或 `generation.content`。
|
||||
|
||||
`generations` 变量本身包含所有中间步骤和最终响应。
|
||||
|
||||
## 强制结构化输出
|
||||
|
||||
在指令中描述输出格式可能产生不一致的结果。要获得更可靠的格式化，启用结构化输出以强制执行定义好的 JSON schema。
|
||||
在指令中描述输出格式可能产生不一致的结果。若要实现更可靠的格式化，启用结构化输出以强制执行定义好的 JSON schema。
|
||||
|
||||
<Info>
|
||||
对于不支持原生 JSON 的模型，Dify 会将 schema 包含在提示词中，但不保证严格遵循。
|
||||
对于不支持原生 JSON 的模型，Dify 会将 schema 包含在提示词中，但模型不一定严格遵循。
|
||||
</Info>
|
||||
|
||||
<Frame caption=""><img src="/images/structured_output.png" alt="结构化输出"/></Frame>
|
||||
|
||||
1. 在**输出变量**旁，开启**结构化**开关。一个 `structured_output` 变量将出现在输出变量列表末尾。
|
||||
1. 在**输出变量**旁，启用**结构化**开关。一个 `structured_output` 变量将出现在输出变量列表末尾。
|
||||
|
||||
2. 点击**配置**，使用以下方法之一定义输出 schema。
|
||||
|
||||
@@ -216,6 +214,6 @@ User question: {{ query }}
|
||||
|
||||
## 错误处理
|
||||
|
||||
为临时问题（如网络波动）配置自动重试，并设置备用错误处理策略以在错误持续时保持工作流运行。
|
||||
为临时问题（如网络波动）配置自动重试，或设置备用错误处理策略以在错误持续时保持工作流运行。
|
||||
|
||||
<Frame caption=""><img src="/images/node_handle_errors.png" alt="错误处理"/></Frame>
|
||||
<Frame caption=""><img src="/images/node_handle_errors.png" alt="错误处理"/></Frame>
|
||||
|
||||
@@ -32,8 +32,8 @@ icon: "wrench"
|
||||
|
||||
| 方式 | 适用场景 | 工作原理 |
|
||||
|:---------|:---------|:-------------------|
|
||||
| **组装变量** | 数据在上游输出中直接可用且结构清晰，但需要重新格式化、提取或组合 |<ol><li>你描述需求。</li><li>系统自动创建一个内部**代码**节点来处理转换。</li></ol>|
|
||||
| **从 LLM 的对话历史中提取** | 数据嵌入在 LLM 的对话历史中，需要 LLM 来解读和提取 | <ol><li>你描述需求。</li><li>系统自动创建一个内部 **LLM** 节点来读取所选 Agent 或 LLM 节点的对话历史并提取所需数据。</li></ol>|
|
||||
| **组装变量** | 数据在上游输出中直接可用且结构清晰，但需要格式转换、提取或组合 |<ol><li>你描述需求。</li><li>系统自动创建一个内部**代码**节点来处理转换。</li></ol>|
|
||||
| **从 LLM 的对话历史中提取** | 数据隐藏在 LLM 的对话历史中，需要 LLM 来解读和提取 | <ol><li>你描述需求。</li><li>系统自动创建一个内部 **LLM** 节点来读取所选 Agent 或 LLM 节点的对话历史并提取所需数据。</li></ol>|
|
||||
|
||||
### 组装变量
|
||||
|
||||
@@ -45,7 +45,7 @@ icon: "wrench"
|
||||
|
||||
三个上游 LLM 节点各自生成了一段产品描述。下游工具需要一个包含所有描述的单一数组。
|
||||
|
||||
选择**组装变量**并描述："Combine the text outputs from LLM1, LLM2, and LLM3."
|
||||
选择**组装变量**并描述："组合 LLM1、LLM2 和 LLM3 的文本输出。"
|
||||
|
||||
系统生成的代码会将输出合并为工具期望的数组格式。
|
||||
|
||||
@@ -72,7 +72,7 @@ icon: "wrench"
|
||||
</Frame>
|
||||
|
||||
<Info>
|
||||
要稍后重新打开**组装变量**界面：
|
||||
之后如需重新打开**组装变量**界面：
|
||||
|
||||
1. 点击已组装变量旁的**查看内部**。
|
||||
2. 选择内部代码节点。
|
||||
@@ -83,15 +83,15 @@ icon: "wrench"
|
||||
|
||||
<Frame caption=""><img src="/images/extract_from_llm_chat_history.png" alt="从 LLM 的对话历史中提取"/></Frame>
|
||||
|
||||
当你需要的信息嵌入在 LLM 的对话历史中时使用——即执行过程中产生的用户、助手和工具消息。你可以通过 LLM 的 `context` 输出变量查看其对话历史。
|
||||
当你需要的信息隐藏在 LLM 的对话历史（即执行过程中产生的用户、助手和工具消息）中时使用。你可以通过 LLM 的 `context` 输出变量查看其对话历史。
|
||||
|
||||
<Accordion title="示例：从混合输出中提取代码">
|
||||
|
||||
上游 LLM 节点生成了代码，但其输出包含自然语言的解释和注释。下游的代码解释器工具需要纯净的、可执行的代码。
|
||||
|
||||
无需修改上游 LLM 让它只输出代码，在代码解释器的输入字段中 `@` 该 LLM 节点并描述："Extract the executable code only."
|
||||
无需修改上游 LLM 让它只输出代码，而是在代码解释器的输入字段中 `@` 该 LLM 节点并描述："仅输出可执行的代码。"
|
||||
|
||||
系统创建一个内部 LLM 节点，读取所选 LLM 节点的对话历史，并以代码解释器期望的格式提取代码部分。
|
||||
系统将创建一个内部 LLM 节点，自动添加所选 LLM 节点的对话历史，并以代码解释器期望的格式提取代码。
|
||||
|
||||
</Accordion>
|
||||
|
||||
@@ -101,9 +101,9 @@ icon: "wrench"
|
||||
|
||||
1. 在任何接受变量的输入字段中，输入 `@` 并选择一个上游 Agent 或 LLM 节点。
|
||||
|
||||
2. 描述你想从其对话历史中提取什么。
|
||||
2. 描述你想从其对话历史中提取的内容。
|
||||
|
||||
3. 点击**查看内部**并测试运行内部 LLM 节点。该节点导入上游节点的对话历史，并使用结构化输出来匹配所需格式。
|
||||
3. 点击**查看内部**并测试运行内部 LLM 节点。该节点自动导入上游节点的对话历史，并使用结构化输出来匹配所需格式。
|
||||
|
||||
4. 检查输出并根据需要优化。
|
||||
|
||||
|
||||
@@ -1,6 +1,6 @@
|
||||
---
|
||||
title: "上传文件至沙盒"
|
||||
description: "将多模态文件上传至沙盒，让 LLM 可以使用工具和脚本处理它们——即使是模型原生不支持的文件类型"
|
||||
description: "将多模态文件上传至沙盒，让 LLM 可以使用工具和脚本自主处理——即使是模型原生不支持的文件类型"
|
||||
icon: "upload"
|
||||
---
|
||||
|
||||
@@ -10,29 +10,29 @@ icon: "upload"
|
||||
此节点仅在使用沙盒运行时的应用中可用。
|
||||
</Info>
|
||||
|
||||
当文件直接传递给 LLM 时，处理能力受限于模型自身的多模态能力。虽然[文档提取](/zh/use-dify/nodes/doc-extractor)节点可以将各种文件类型转换为文本供 LLM 处理，但其支持的格式仍然有限。
|
||||
当文件直接传递给 LLM 时，处理效果受限于模型自身的多模态能力。虽然[文档提取](/zh/use-dify/nodes/doc-extractor)节点可以将许多文件类型转换为文本供 LLM 处理，但其支持的格式仍然有限。
|
||||
|
||||
这就是"上传文件至沙盒"节点的用武之地。文件上传后，下游的 [Agent 节点](/zh/use-dify/nodes/agent#沙盒运行时)（启用了 **Agent 模式**）可以执行命令来安装工具和运行脚本，将文件转换为 LLM 可处理的格式。
|
||||
这就是上传文件至沙盒节点的用武之地。文件上传至沙盒后，下游的 [Agent 节点](/zh/use-dify/nodes/agent#沙盒运行时)（启用 **Agent 模式**）可以通过命令行在沙盒中安装工具和运行脚本，将文件转换为 LLM 可处理的格式。
|
||||
|
||||
<Info>
|
||||
- 处理结果取决于模型的推理能力。
|
||||
- 在生产环境中，这些上传的文件范围限定在每次运行中，不会在沙盒中持久保存。
|
||||
- 处理效果取决于模型的推理能力。
|
||||
- 在生产环境中，这些上传的文件仅在单次运行中可用，不会在沙盒中持久保存。
|
||||
</Info>
|
||||
|
||||
**使用方法：**
|
||||
|
||||
1. 在"上传文件至沙盒"节点中，选择一个文件变量（例如来自用户输入的变量）。支持 `file` 和 `array[file]` 数据类型。
|
||||
1. 在上传文件至沙盒节点中，选择一个文件变量（例如来自用户输入的变量）。支持 `file` 和 `array[file]` 数据类型。
|
||||
|
||||
2. 在下游 Agent 节点的提示词中，引用 `sandbox_path` 和 `file_name` 变量，以便模型定位和处理文件。例如：
|
||||
|
||||
```bash wrap
|
||||
# System instruction
|
||||
You are a data analyst. Analyze uploaded data files and provide insights.
|
||||
# 系统指令
|
||||
你是一名数据分析师。分析上传的数据文件并提供见解。
|
||||
|
||||
# User message
|
||||
Analyze the data in "{{Upload File to Sandbox.file_name}}" at {{Upload File to Sandbox.sandbox_path}}.
|
||||
# 用户消息
|
||||
分析 {{Upload File to Sandbox.file_name}} 中的数据，文件位于 {{Upload File to Sandbox.sandbox_path}}。
|
||||
```
|
||||
|
||||
<Info>
|
||||
`file_name` 变量还包含文件扩展名（例如 `data.csv`）。
|
||||
`file_name` 变量包含文件扩展名（例如 `data.csv`）。
|
||||
</Info>
|
||||
|
||||
@@ -1,32 +1,32 @@
|
||||
---
|
||||
title: "发布到市场"
|
||||
sidebarTitle: "市场"
|
||||
description: "将你的工作流发布到 Dify 市场，与全世界分享"
|
||||
description: "将你的应用发布到 Dify 市场，与全世界分享"
|
||||
icon: "store"
|
||||
---
|
||||
|
||||
<Note> ⚠️ 本文档由 AI 自动翻译。如有任何不准确之处，请参考[英文原版](/en/use-dify/publish/publish-to-marketplace)。</Note>
|
||||
|
||||
将你的工作流和对话流应用作为模板发布到 Dify 市场，让其他 Dify 用户可以发现和使用。如果你已加入 [Affiliate Program](https://dify.ai/affiliate-program)，还可以从模板中获得收益。
|
||||
将你的应用作为模板发布到 Dify 市场，让其他 Dify 用户可以发现和使用。如果你加入[联盟计划](https://dify.ai/affiliate-program)，还可以从模板中获得收益。
|
||||
|
||||
## 提交模板
|
||||
|
||||
要发布模板，需要先提交审核。审核通过后，模板将在市场上架。
|
||||
若要发布模板，需先提交审核。通过后，模板将在市场上架。
|
||||
|
||||
有两种提交方式：
|
||||
|
||||
<Tabs>
|
||||
<Tab title="从 Dify Studio">
|
||||
在画布上，点击**发布** > **发布到市场**。
|
||||
在应用内部，点击**发布** > **发布到市场**。
|
||||
|
||||
这将跳转到 [Creators Platform]()，你可以在此填写模板详情并提交审核。
|
||||
这将跳转到 [创作者中心](https://creators.dify.dev/)，你可以在此填写模板详情并提交审核。
|
||||
</Tab>
|
||||
<Tab title="在 Creators Platform">
|
||||
导出你的应用，然后前往 [Creators Platform]() 上传导出文件。填写模板详情并提交审核。
|
||||
<Tab title="从创作者中心">
|
||||
导出你的应用，然后前往 [创作者中心](https://creators.dify.dev/) 上传导出文件。填写模板详情并提交审核。
|
||||
</Tab>
|
||||
</Tabs>
|
||||
|
||||
## 模板撰写指南
|
||||
## 模板填写指南
|
||||
|
||||
### 语言要求
|
||||
|
||||
@@ -34,46 +34,45 @@ icon: "store"
|
||||
|
||||
**以下字段必须使用英文撰写**：
|
||||
|
||||
- Template name（模板名称）
|
||||
- Overview（概述）
|
||||
- Setup steps（设置步骤）
|
||||
- 模板名称
|
||||
- 概述
|
||||
- 设置步骤
|
||||
|
||||
**在工作流内部，你可以使用任何语言（如中文）来编写**：
|
||||
**在应用内部，你可以使用任何语言（如中文）来编写**：
|
||||
|
||||
- 节点名称
|
||||
- 提示词 / 系统消息
|
||||
- 展示给终端用户的消息
|
||||
|
||||
如果你的模板主要面向非英语用户，可以在标题中添加标签。例如：
|
||||
Stock Investment Analysis Copilot [ZH]。
|
||||
如果你的模板主要面向非英语用户，可以在标题中添加标签。例如：Stock Investment Analysis Copilot [ZH]。
|
||||
|
||||
### Template Name & Icon
|
||||
### 模板名称和图标
|
||||
|
||||
仅从名称，用户就应该知道它在哪里运行以及做什么。
|
||||
|
||||
- Use a short English phrase, typically 3-7 words.
|
||||
- Recommended pattern: [Channel / target] + [core task], for example:
|
||||
- 使用简短的英文短语，通常为 3-7 个单词。
|
||||
- 推荐模式：[渠道 / 目标] + [核心任务]，例如：
|
||||
- WeChat Customer Support Bot
|
||||
- CSV Data Analyzer with Natural Language
|
||||
- Internal Docs Q&A Assistant
|
||||
- GitHub Issue Triage Agent
|
||||
- Include keywords users might search for: channel names (Slack, WeChat, Email, Notion) and task names (Summarizer, Assistant, Generator, Bot).
|
||||
- 包含用户可能搜索的关键词：渠道名称 (Slack, WeChat, Email, Notion) 和任务名称 (Summarizer, Assistant, Generator, Bot)。
|
||||
|
||||
### Categories
|
||||
### 分类
|
||||
|
||||
帮助用户在浏览或按分类筛选时发现你的模板。
|
||||
|
||||
- 仅选择 1-3 个最能描述你模板的分类。
|
||||
- 不要为了增加曝光而勾选所有分类。
|
||||
|
||||
### Language
|
||||
### 语言
|
||||
|
||||
帮助用户通过语言筛选发现你的模板。
|
||||
|
||||
- 选择你的模板在实际使用中所面向的语言。
|
||||
- 这里指的是模板用例、输入或输出的语言——**而非**标题或概述的语言（这些必须使用英文）。
|
||||
- 这里指的是模板用例、输入或输出的语言，**而非**标题或概述的语言（这些必须使用英文）。
|
||||
|
||||
### Overview
|
||||
### 概述
|
||||
|
||||
用 2-4 句英文说明它做什么以及面向谁。
|
||||
|
||||
@@ -86,7 +85,7 @@ Stock Investment Analysis Copilot [ZH]。
|
||||
2. 第 2-3 句：面向谁、什么场景
|
||||
典型用户角色或场景（客服团队、营销人员、创始人、个人知识工作者等）。
|
||||
|
||||
<Accordion title="Example: Description for Stock Investment Analysis Copilot">
|
||||
<Accordion title="示例：Stock Investment Analysis Copilot 的概述">
|
||||
|
||||
This template creates a stock investment analysis copilot that uses Yahoo Finance tools to fetch news, analytics, and ticker data for any listed company.
|
||||
|
||||
@@ -94,28 +93,29 @@ It helps investors and analysts quickly generate structured research summaries,
|
||||
|
||||
</Accordion>
|
||||
|
||||
### Setup Steps
|
||||
### 设置步骤
|
||||
|
||||
将 Setup steps 写成 Markdown 编号列表（1., 2., 3.），每一步用简短的一句话，以动词开头。
|
||||
将设置步骤写成 Markdown 编号列表（1., 2., 3.），每一步用简短的一句话，以动词开头。
|
||||
|
||||
新用户只需按照这些步骤操作，即可在几分钟内让模板运行起来。
|
||||
|
||||
**撰写原则**
|
||||
|
||||
1. 按照实际设置顺序，通常为：
|
||||
1. Use/import the template
|
||||
2. Connect accounts / add API keys
|
||||
3. Connect data sources (docs, databases, sheets, etc.)
|
||||
4. Optional customization (assistant name, tone, filters)
|
||||
5. Activate the workflow and run a test
|
||||
1. 使用/导入模板
|
||||
2. 连接账户 / 添加 API 密钥
|
||||
3. 连接数据源 (文档、数据库、表格等)
|
||||
4. 可选自定义 (助手名称、语气、过滤器)
|
||||
5. 激活工作流并运行测试
|
||||
|
||||
2. 每一步应回答：
|
||||
- 在 UI 中点击哪里
|
||||
- 在界面中点击哪里
|
||||
- 需要配置或填写什么
|
||||
|
||||
3. 目标 3-8 步。太少显得不完整，太多显得令人生畏。
|
||||
3. 目标 3-8 步。太少显得不完整，太多则会令人生畏。
|
||||
|
||||
<Accordion title="示例：Stock Investment Analysis Copilot (Yahoo Finance) 的设置步骤">
|
||||
|
||||
<Accordion title="Example: Setup Steps for Stock Investment Analysis Copilot (Yahoo Finance tools) ">
|
||||
1. Click **Use template** to copy the "Investment Analysis Copilot (Yahoo Finance)" agent into your workspace.
|
||||
|
||||
2. Go to **Settings → Model provider** and add your LLM API key. For example, OpenAI, Anthropic, or another supported provider.
|
||||
@@ -137,9 +137,9 @@ It helps investors and analysts quickly generate structured research summaries,
|
||||
### 提交前快速检查清单
|
||||
|
||||
- 标题是一个简短的英文短语，能清楚地说明它在哪里运行、做什么。
|
||||
- Overview 用 2-4 句英文解释价值和典型用例。
|
||||
- 概述用 2-4 句英文解释价值和典型用例。
|
||||
- 仅选择了 1-3 个相关分类。
|
||||
- Setup steps 是清晰的编号列表。
|
||||
- 设置步骤是清晰的、用英文撰写的编号列表。
|
||||
- 工作流内部的文本和提示词使用了面向目标用户的适当语言。
|
||||
|
||||
|
||||
|
||||
@@ -1,5 +1,6 @@
|
||||
---
|
||||
title: 工具
|
||||
title: Dify 工具
|
||||
sidebarTitle: 工具
|
||||
icon: "wrench"
|
||||
---
|
||||
|
||||
@@ -9,7 +10,7 @@ Dify 工具使 LLM 能够与外部服务和 API 交互，从而访问实时数
|
||||
|
||||
每个工具都有清晰的接口：它接受什么输入、执行什么操作以及返回什么输出。这有助于 LLM 根据用户请求判断何时以及如何调用工具。
|
||||
|
||||
工具可在以下场景中使用：
|
||||
工具可在以下应用类型中使用：
|
||||
|
||||
- 工作流 / 对话流应用（作为独立的工具节点，或在 LLM / Agent 节点内使用）
|
||||
|
||||
|
||||
Reference in New Issue
Block a user