dify大语言模型在编排中的作用

想了解 Dify 大语言模型（LLM）在「编排（Orchestration）」环节中的核心作用，以及对应的实操示例。
也是我个人在dify使用过程中的一些体会，本文会从作用解析和具体案例两方面来做讲解。

一、Dify 中 LLM 在编排中的核心作用

在 Dify 的应用开发流程里，「编排」是串联各类组件（LLM、工具、数据、流程节点）的核心环节，而 LLM 是编排中的「智能中枢」，核心作用可总结为：

简单来说，LLM 在 Dify 编排中是「大脑」—— 负责理解需求、指挥流程、处理数据、输出结果。

二、实操示例：基于 Dify 编排实现「智能天气问答助手」

这个示例会体现 LLM 在编排中的核心作用，你可以直接在 Dify 平台复刻：

1. 前置准备

• 已部署 Dify（开源版/云版），并接入至少一个 LLM（如 OpenAI GPT-3.5/4、讯飞星火、通义千问）；
• 准备一个公开的天气 API（比如「和风天气 API」，需申请 API Key）。

2. 编排流程设计（核心步骤）

Dify 的编排支持可视化拖拽，核心节点包括：「用户输入」→「LLM 意图解析」→「工具调用」→「LLM 结果格式化」→「输出回答」。

3. 具体配置与代码/配置示例

步骤 1：创建应用与编排画布

在 Dify 中创建「对话型应用」，进入「编排」模块，开启可视化编排模式。

步骤 2：配置 LLM 意图解析节点

• 节点类型：「大语言模型」；
• 提示词（Prompt）配置（核心是让 LLM 解析用户意图并提取参数）：你的任务是解析用户关于天气的提问，输出 JSON 格式结果：
  1. 如果用户问的是天气相关问题，提取「城市」和「查询类型」（温度/降水/风力）；
  2. 如果不是天气问题，返回 {"intent": "non_weather", "city": "", "type": ""}；
  示例：
  用户输入：“北京今天的温度是多少？” → {"intent": "weather", "city": "北京", "type": "温度"}
  用户输入：“明天要下雨吗” → {"intent": "weather", "city": "上海", "type": "降水"}（默认当前城市为上海）
  用户输入：“早上好” → {"intent": "non_weather", "city": "", "type": ""}
  只输出 JSON，不要额外内容。

• 模型选择：GPT-3.5（轻量且足够解析意图）；
• 输出格式：强制 JSON 格式（Dify 可配置「输出格式约束」）。

步骤 3：配置分支判断节点

基于 LLM 输出的 intent 字段做分支：

• 如果 intent = weather：进入「调用天气 API」节点；
• 如果 intent = non_weather：进入「LLM 直接回复」节点（回复“我是天气助手，仅支持天气查询哦～”）。

步骤 4：配置工具调用节点（天气 API）

• 节点类型：「HTTP 请求」；
• 请求配置：
  • 方法：GET；
  • URL：https://devapi.qweather.com/v7/weather/now?location={{city}}&key=你的APIKey（{{city}} 是 LLM 解析出的城市参数，Dify 支持变量引用）；
  • 响应解析：提取 now.temp（温度）、now.rain（降水）、now.windSpeed（风力）等字段。

步骤 5：配置 LLM 结果格式化节点

将 API 返回的结构化数据转化为自然语言，Prompt 配置：

根据以下天气数据，用自然、友好的语言回复用户：
城市：{{city}}
查询类型：{{type}}
数据：{{weather_data}}
示例：
城市：北京，类型：温度，数据：{"temp": "5℃"} → “北京今天的温度是5℃哦～”
城市：上海，类型：降水，数据：{"rain": "0mm"} → “上海明天没有降水，放心出门吧～”

步骤 6：测试编排流程

• 用户输入：“广州今天的风力是多少？”
• 编排执行逻辑：
• LLM 解析 → {"intent": "weather", "city": "广州", "type": "风力"}；
• 分支判断 → 调用天气 API，获取广州风力数据（如 {"windSpeed": "3级"}）；
• LLM 格式化 → “广州今天的风力是3级哦～”；
• 输出最终回答。

三、进阶编排示例：多模型协作

如果需求更复杂（比如“总结近7天北京天气并生成可视化报告”），LLM 在编排中的作用会延伸：

总结

这个示例覆盖了 Dify 编排中 LLM 的核心用法，你可以根据实际需求（比如接入企业内部数据、多轮对话记忆）扩展编排节点。