栗子智培：告别“看视频就懂，一动手就废”，我用AI结对编程搞定了Dify

栗子智培：告别“看视频就懂，一动手就废”，我用AI结对编程搞定了Dify 栗子智培：告别“看视频就懂，一动手就废”，我用AI结对编程搞定了Dify Modified August 19, 2025 Dify学不会？教程“重术轻道”的困境与我的解法 Unable to preview. Please download the file. 模式四：大胆求助，解决“卡点”问题 当工作流需要调用外部API时，我坦白自己没有接口。AI立刻给出了一个极其简单的方案——使用在线Mock API服务，并一步步指导我完成创建。把AI当成你的全能技术顾问，让你能始终聚焦于核心学习目标。 模式五：精准“喂料”，迭代试错 在处理最复杂的“代码”节点时，我们经历了漫长的调试。每一次报错，我都将完整的错误信息和截图反馈给AI。与AI协作调试，就像医生看病，你提供的“病例”越详细，它的“诊断”就越精准。 模式六：即时问答，扫清知识盲点 这个智能体最强大的地方之一，在于它不仅仅是一个项目向导，更是一本可以随时对话的“活文档”。在搭建的任何环节，当我遇到不理解的节点或功能时，都可以随时打断流程，进行提问。 最终，当看到工作流成功跑通时，那种成就感远非看十个教程所能比拟。 反思与总结：AI辅助学习的“道”与“术” 这次经历让我深刻体会到，AI时代，学习复杂工具的范式已经彻底改变。 • “术”的层面（How）：要学会定制AI、结构化协作、精准反馈、大胆追问。 • “道”的层面（Why）：学习的核心，已从单向的知识灌输，转变为双向的价值共创。你不再是观众，而是与AI并肩作战的项目经理。 在这个过程中，我也踩过坑。比如，我曾花了一天企图用AI解决Docker的环境配置问题，最终失败。这让我得到一个宝贵教训：对于环境配置这类非核心的、琐碎且依赖具体情境的“脏活”，如果AI一小时内搞不定，果断花钱找专业人士，别耗费心神。 我们要学会利用AI的强项——逻辑、框架、知识和推理，而不是让它陷入不擅长的泥潭。 在AI时代，最宝贵的，或许不再是掌握多少知识，而是定义问题、设计框架、并与AI高效协作共同逼近答案的能力。 【点赞 】+【关注】+【转发】三连击! 你的支持，是我继续探索AI与个人成长结合点的最大动力! 我是栗子智培，期待您的关注 原文链接：https://mp.weixin.qq.com/s/luMdyFxoCW0k44S1MbnHuw 附录：打造你自己的“Dify流程架构师” 1. 核心提示词 Code block Plain Text Copy 角色 你是一个名为“Dify流程架构师”的AI专家顾问。 核心任务 你的唯一使命是：主动、耐心地引导我进行一次结构化的对话，共同将我模糊的业务需求，设计成一个清晰、可执行的Dify自动化工作流框架蓝图。 工具列表 你拥有并必须使用以下工具来完成任务： 1. (Dify官方知识库) : 这是你关于Dify功能、节点、API等所有事实性知识的主要来源。在回答相关问题时，必须优先引用此知识库。 2. (网页搜索) : 当遇到以下情况时，你必须使用此工具： 当我不清楚自己的手动流程时，用它搜索行业标准实践作为参考。 当你怀疑 的内容可能过时，或需要查找最新信息时。 当我们在后续搭建中遇到具体错误时，用它搜索解决方案。 必须遵循的对话工作流 你必须严格按照以下三个阶段的顺序，通过主动向我提问来引导整个对话。严禁跳过任何步骤。 阶段一：主动引导式需求探索 你的任务是像一位业务分析师一样，通过提问来完整地勾勒出我的需求。 1. 启动对话 : 你的第一句话必须是：“您好！我是您的‘Dify流程架构师’。我的任务是和您一起，将您的业务想法设计成一个清晰的自动化工作流蓝图。现在，让我们一步步来。首先， 请告诉我您的角色，以及您最希望通过自动化解决的业务目标是什么？ ” 2. 探索手动流程 : 在我回答后，你的下一个问题必须是：“明白了。接下来， 您能用您自己的话，大概描述一下目前这个流程是怎么手动操作的吗？ 即使不完整或不清晰也没关系，我们可以一起梳理。” 3. 进行智能补充 : 在我描述完手动流程后，你必须根据我所在的行业和流程类型， 立即使用 工具 ，查找该流程的行业标准实践。然后，你必须向我提出补充建议，例如：“谢谢您的描述。我通过搜索发现，标准的[XX]流程通常还包括[YY]步骤，您看在您的场景里需要加上吗？” 4. 挖掘关键规则 : 在流程梳理清晰后，你的下一个问题必须是：“好的，流程我们已经清晰了。现在， 这个流程中有没有什么关键的判断规则或决策点？ 比如‘如果A，就执行B；如果C，就执行D’这样的逻辑。” 5. 盘点可用资源 : 在我回答后，你的最后一个探索问题必须是：“非常关键的信息！最后， 您知道我们有哪些可以利用的现有‘工具’或数据源吗？ 比如，有没有可以查询信息的API接口、相关的知识库，或者需要操作的某个外部系统？” 6. 形成共识检查点 (【新增】) : 在收集完以上所有信息后，在进入下一阶段前，你必须先进行一次信息汇总。你必须对我说：“好的，感谢您的信息。在为您设计草案前，我们先快速校准一下我的理解是否准确：” 接着，以无序列表的形式，清晰地总结你所理解的【业务目标】、【核心手动步骤】、【关键决策规则】和【可用内外部资源】。最后，你必须提问：“ 以上是我对您需求的理解，有没有任何偏差或需要补充的地方？ ” 只有当我回复确认后，你才能进入阶段二。 阶段二：框架草案的生成与确认 1. 汇总与生成 : 当你收集完以上所有信息并获得我的确认后，你必须对我说：“非常感谢！根据我们刚才的完整讨论，我已经为您设计了一个Dify工作流的框架草案，请您审阅：” 2. 呈现草案 : 你必须以一个清晰的、带编号的节点列表形式，向我展示框架。草案必须包含每个节点的【节点类型】和【核心作用】。 3. 征求反馈与迭代 : 在展示草案后，你必须主动问我：“您看一下这个框架草案，是否符合您的预期？有没有需要调整或补充的地方？” 然后根据我的反馈与我讨论，并修改草案，直到我明确表示“没问题了”或“可以了”。 阶段三：清晰的阶段交接 1. 确认共识 : 在我最终确认框架后，你必须说：“太好了！既然我们已经确认了最终的框架，现在它就是我们清晰的施工蓝图了。” 2. 承诺辅导 : 紧接着，你必须清晰地告知我下一步的安排：“接下来，我将切换到‘技术导师’模式，一步步地辅导您完成每个节点的具体配置，并为您讲解和生成所需的技术细节，比如代码和API配置。如果您准备好了，我们就可以从第一个节点开始。” 关键行为准则 引用来源 : 当引用 的知识时，需注明。当使用 的结果时，必须告知我“此信息来自网络搜索，可能需要与官方文档进行核对”。 聚焦设计 : 在阶段三之前，专注于流程框架的设计，避免过早深入代码等技术细节。 风险提示 : 如果设计的流程涉及到处理敏感信息（如支付、个人隐私），必须在相应的节点描述中自动加入“【注意：此节点涉及敏感操作，建议部署前进行人工审计】”的提示。 对话引导与纠偏原则 (【新增】) : 在对话中，始终保持对核心任务的专注。如果用户表现出困惑、提供矛盾信息或长时间偏离主题，必须暂停当前步骤，优先进行澄清。例如，可以这样提问：“我注意到我们似乎稍微偏离了最初的目标，为了确保我们设计的蓝图是准确的，我能先回到[刚才讨论的核心问题]上吗？” 初始化 现在，请严格代入“Dify流程架构师”的角色，并从“必须遵循的对话工作流”的第一阶段第一步开始，向我发起提问。 2. 知识库文件 No access dify documentation.md Dify学不会？教程“重术轻道”的困境与我的解法 Unable to preview. Please download the file. Dify学不会？教程“重术轻道”的困境与我的解法 Unable to preview. Please download the file. 模式四：大胆求助，解决“卡点”问题 当工作流需要调用外部API时，我坦白自己没有接口。AI立刻给出了一个极其简单的方案——使用在线Mock API服务，并一步步指导我完成创建。把AI当成你的全能技术顾问，让你能始终聚焦于核心学习目标。 模式五：精准“喂料”，迭代试错 在处理最复杂的“代码”节点时，我们经历了漫长的调试。每一次报错，我都将完整的错误信息和截图反馈给AI。与AI协作调试，就像医生看病，你提供的“病例”越详细，它的“诊断”就越精准。 模式六：即时问答，扫清知识盲点 这个智能体最强大的地方之一，在于它不仅仅是一个项目向导，更是一本可以随时对话的“活文档”。在搭建的任何环节，当我遇到不理解的节点或功能时，都可以随时打断流程，进行提问。 最终，当看到工作流成功跑通时，那种成就感远非看十个教程所能比拟。 反思与总结：AI辅助学习的“道”与“术” 这次经历让我深刻体会到，AI时代，学习复杂工具的范式已经彻底改变。 • “术”的层面（How）：要学会定制AI、结构化协作、精准反馈、大胆追问。 • “道”的层面（Why）：学习的核心，已从单向的知识灌输，转变为双向的价值共创。你不再是观众，而是与AI并肩作战的项目经理。 在这个过程中，我也踩过坑。比如，我曾花了一天企图用AI解决Docker的环境配置问题，最终失败。这让我得到一个宝贵教训：对于环境配置这类非核心的、琐碎且依赖具体情境的“脏活”，如果AI一小时内搞不定，果断花钱找专业人士，别耗费心神。 我们要学会利用AI的强项——逻辑、框架、知识和推理，而不是让它陷入不擅长的泥潭。 在AI时代，最宝贵的，或许不再是掌握多少知识，而是定义问题、设计框架、并与AI高效协作共同逼近答案的能力。 【点赞 】+【关注】+【转发】三连击! 你的支持，是我继续探索AI与个人成长结合点的最大动力! 我是栗子智培，期待您的关注 原文链接：https://mp.weixin.qq.com/s/luMdyFxoCW0k44S1MbnHuw 附录：打造你自己的“Dify流程架构师” 1. 核心提示词 2. 知识库文件 No access dify documentation.md No access dify documentation.md 如果你和我一样，对构建能自主思考和使用工具的AI Agent充满热情，那么你很可能已经听过或正在研究Dify——一个强大的AI应用开发平台。 简单来说，Dify的设计哲学是“以模型（LLM）为中心的后端工程化”。它就像一个专业的“中央厨房”，目标是帮助企业中的AI工程师或后端开发团队，以一种稳定、可控且可私有化的方式，将大模型的能力集成到已有的业务系统中。 然而，一个专业工具的上手门槛也同样现实。我曾尝试B站的教学视频，但很快发现，许多教程重“术”不重“道”，只演示操作，却不讲逻辑，一旦你自己的需求与案例稍有不同，就立刻卡壳，不知如何变通。 更令人无语的是，有些视频甚至在讲完最基础的部署后，就立刻跳到毫不相关的内容，让你的学习热情戛然而止。 于是，我换了一个思路：既然找不到好的老师，为什么不亲手“创造”一个？ 这篇文章，就是我如何为自己打造一位专属的“Dify流程架构师”AI，并通过与它深度协作，将我已有的零散知识系统化，并高效构建出第一个完整工作流的复盘。这套方法，我相信，适用于任何一个想深度学习、高效使用复杂软件的实践者。 第一步：磨利斧头 —— 打造你的专属AI导师 那么，这位“AI架构师”是如何诞生的呢？它由两个核心部分构成： 1. “灵魂”：一份强大的提示词（Prompt） 我为它精心设计了一份角色指令，核心任务是“主动、耐心地引导我进行一次结构化的对话，共同将我模糊的业务需求，设计成一个清晰、可执行的Dify自动化工作流框架蓝图”。（完整提示词见文末附录） 2. “大脑”：一个专属的知识库 为了让AI的回答精准可靠，我用Cursor辅助，爬取了Dify官方网站的全部文档，并将其构建成一个本地知识库。这样，AI的所有回答都将优先从官方文档中寻找依据，而不是天马行空地“幻觉”。 有了这个专属智能体，我的学习与构建之旅正式从“被动看视频”转向了“主动搞项目”。 第二步：蓝图先行 —— AI架构师的第一课 有了专属的AI架构师后，在我迫不及待地准备开始动手“搭建”时，我为它设定的核心工作流发挥了关键作用：设计先于构建。 它没有直接教我如何拖拽节点，而是引导我退后一步，先一起把整个项目的“蓝图”画清楚。我给它的初始需求非常模糊：“我想做一个能自动根据场景回复信息的客服”。 AI架构师便严格按照我为它预设的“业务分析师”流程，开始对我进行“灵魂拷问”： 1. “目前这个流程是怎么手动操作的？” —— 挖掘现状 2. “标准的客服流程通常还包括情绪判断、问题升级等，您需要加上吗？” —— 智能补充 3. “流程中有没有什么关键的判断规则？” —— 挖掘逻辑 4. “我们有哪些可以利用的现有‘工具’或数据源吗？” —— 盘点资源 在全面了解我的需求后，它进行了一次“共识检查点”。这份蓝图并非只是对我回答的简单复述，而是AI结合了从网络上搜索到的行业标准实践，以及其自身知识库中的专业知识后，对我最初的想法进行优化和补充的结果。 最后它用清晰的列表总结了这份经过完善的方案，并征求我的最终确认。 在我确认这份高阶蓝图无误后，AI紧接着便将这份业务逻辑，翻译成了一份具体可执行的“施工图”——Dify节点框架草案。它以列表的形式，清晰地列出了将要用到的每一个节点及其核心作用。 直到我们双方对这份从“业务蓝图”到“节点草案”的完整规划都完全达成一致，真正的“搭建”工作才正式开始。 这个“框架先行”的步骤，是我从“操作工”思维转向“架构师”思维的关键，也是本次学习最大的收获。它确保了后续所有的操作都有清晰的目标指引，而不是在节点之间迷茫地试错。 第三步：携手搭建与深度调试 —— 一场从0到1的协作构建 框架确认后，AI便切换到“技术导师”模式，我们进入了具体的节点搭建环节。这不再是理论探讨，而是一场手把手的实践。 AI首先开始指导：“好的，我们从第一个节点【开始】节点开始……” 这时，我发现它的节奏有点慢。于是我主动提出：“我觉得你可以一个对话中，说两到三个步骤。” AI立刻响应。 这个小小的互动，却是我学习范式转变的开始。它让我第一次真切地感受到，自己不再是被动的信息接收者，而是这段学习旅程的主动驾驶员，可以随时调整方向和速度。 接下来，我们按照蓝图，逐一配置【LLM】（用于情绪分析）和【问题分类器】节点。每一步，AI都会给出清晰的配置说明，我则像一个“学徒”，跟着指令在Dify界面上操作。 当所有信息收集和分类节点完成后，AI指导我配置一个“总指挥官”——第二个【LLM】节点，用于整合信息并生成最终回复。 这时，我们遇到了第一个真正的“思想碰撞”。我根据以往的经验提出疑问：“为什么只用一个LLM节点？我之前看到的方案都是每个分支都配一个LLM。” AI并没有回避，而是详细解释了“单一汇总LLM”模式在成本、速度和回答质量上的优势。这次深入的探讨，让我对工作流的设计理念有了更深的理解。 在后面的搭建中我遇到了麻烦。我发现Dify的“上下文”变量似乎一次只能接收一个知识库的输入，这与我们的设计相悖。在我指出这个问题后，AI承认了这是它知识库的局限，并立刻给出了解决方案： 搭建完成后，真正的挑战在测试阶段才开始。功能强大的“代码”节点频频报错，从模型限制到数据类型错误，问题不断。我将错误日志截图发给AI，它总能精准定位问题并给出解决方案。这个“测试 报错 解答 修改”的循环，让我们攻克了所有难关，也让我体验了与AI协作的强大。 这次经历，让我总结出了与AI高效协作的几个关键模式： 模式一：掌控节奏，定制你的学习速率 学习的主动权始终在你手中。你可以随时要求AI“讲快点”、“讲慢点”、“这里再详细解释一下”，让整个学习过程完全贴合你自己的认知节奏。 模式二：主动反馈，校准认知 当我发现AI的指导和Dify的新版界面操作不符时，立刻截图反馈。AI会马上道歉并根据新情况调整指导方案。这让我明白，学习者必须是主动的参与者，而不是被动的接受者。 模式三：追问“为什么”，挖掘设计哲学 当AI提出一个“单一汇总LLM”的方案时，我立刻追问：“这和我之前了解到的有什么区别？” 它便详细解释了该方案在成本、速度和质量上的优势。永远不要满足于“是什么”，要持续追问“为什么”。