《AI智能体(AI Agent)实战培训》

🎯 Coze / Dify Multi-Agent 实战 Q&A（场景向）

一、架构决策

Q1：服装全链路（趋势分析→企划→文案→供应链→客服）用 Coze 还是 Dify？

Coze（扣子）：适合对话触发+定时调度+飞书/微信发布，新版支持「项目空间+多Agent画布」直接串联各角色 Agent，对非技术团队友好。

Dify：适合需要精细变量映射、HTTP调用自有API（如ERP查库存）、私有化部署，Multi-Agent 通过 Workflow 中 LLM节点/ Agent节点串联。

建议：对外客服/内容生产发布用 Coze；需深度对接内部系统用 Dify，或 Coze 调 Dify 的 API。

Q2：什么情况下用"多Agent工作流"而非单个全能 Agent？

当任务有明显职责分界+前后依赖（如趋势数据→企划决策→内容生成→补货建议），拆成多 Agent 可使 Prompt 更短、输出更稳定、便于单独调试。单 Agent 在长链路易"中间迷失"。

二、Coze 多 Agent 实战

Q3：Coze 中两种 Multi-Agent 方式怎么选？

工作流节点串联（推荐你文档场景）：新建 Workflow → 拖入「LLM节点/插件节点」分别代表 Trend/Plan/Content/Supply/Service → 连线按顺序传参。每个节点配独立 System Prompt + 工具。稳定、可溯源、易排错。

Bot 多 Agent 模式（Coze 3.0 项目空间）：在 Bot 编辑页开启「多 Agents」，建多个子 Agent 由 Orchestrator 按触发词/JSON 输出路由。更像对话派活，适合灵活分支，不适合严格顺序流水线。

Q4：Coze 工作流中 Agent 间如何传递结构化信息？

上游节点输出变量（如 {{trend_result}}），下游节点在「输入」中引用具体字段。

关键：让 LLM 节点 要求 JSON Schema 输出（如 {"season":"2026SS","hot_colors":[...],"keywords":[...]}），Temperature 设 0.2~0.3，避免下游拿不到字段。

Q5：Coze 中内容 Agent 如何挂载品牌知识库防幻觉？

上传「品牌调性手册/面料参数/历史爆款文案」建知识库 → 绑定到 Content Agent → Prompt 加："仅根据下方参考资料生成，禁止用通用知识补充，无相关信息答'无'"。

Q6：Coze 客服 Agent 怎么加人工兜底？

工作流中加「条件分支」：意图=复杂售后/退款争议 → 走「发送消息→转人工工单」节点；其余 → AI 直接回。必须有人工入口，不能全托 AI。

三、Dify Multi-Agent 实战

Q7：Dify 搭建服装 Multi-Agent 流水线基本步骤？

创建若干 Agent 类型应用（趋势分析Agent/企划Agent/内容Agent…），各写精确 System Prompt 和工具

新建 Workflow 应用 → 开始节点 → 依次添加 LLM/Agent 节点 → 连线

每个节点「变量映射」：上游输出字段 → 下游输入变量

关键节点开「状态快照」方便调试

Q8：Dify 中并行 vs 串行怎么用？

串行（你文档场景）：企划→内容→供应链依次执行，下游依赖上游结果

并行：趋势分析完后，可同时启动「竞品分析 Agent」和「社交媒体舆情 Agent」，汇合后再进企划节点，节省时间

Q9：Dify Agent 调外部 API（如查 SKU 库存）怎么配？

添加「HTTP 请求节点」或用带 Tool 的 Agent 节点 → 配 URL/Header/Body（{{sku_id}} 引用上游）→ 解析 Response JSON 传给下一节点

Q10：Dify 多 Agent 协作三大坑？

❌ 变量名上下游不一致 → 下游收不到值，严格核对字段名

❌ 无 Fallback → 某节点超时整条断掉，关键节点加「失败分支/默认值」

❌ Prompt 没写角色边界 → Agent 互相越权，每个 Agent Prompt 首行写"你只负责XX，不负责YY"

四、服装场景的专项 QA

Q11：趋势→企划 Agent 如何保证企划只用趋势 Agent 的结论？

趋势节点输出结构化 JSON（流行色/元素/价位带），企划节点 System Prompt 写"基于传入的 trend_data 做企划，不得自行臆测趋势数据"，输入变量严格映射 trend_output.result。

Q12：内容 Agent 生成多平台文案（小红书/抖音/详情页）怎么一次搞定？

内容节点收到企划 brief 后，用 LLM 一次性输出三个 key（xiaohongshu_copy / douyin_copy / detail_copy），或一个节点拆三个「模板转换节点」分别格式化。

Q13：供应链 Agent 给补货建议，如何降低误判？

接入真实销量 API（不是写死示例）

Prompt 要求输出带置信度：{"sku":"A001","suggest_reorder":120,"reason":"近7日售罄率>80%","confidence":"high"}

人工审核节点（买手确认）再推 ERP

Q14：整套流程怎么定时自动跑？

Coze：工作流绑定「定时触发」（如每月1号跑趋势→企划→内容草稿→通知企划人审核）

Dify：用外部 Cron/飞书自动化调 Dify Workflow API

五、快速对照表

维度	Coze 推荐用法	Dify 推荐用法
多Agent串联流水线	Workflow节点串联（首选）	Workflow + Agent节点
对话式派活/分支	Bot多Agent模式（项目空间）	意图识别+条件分支
知识库RAG	原生绑定，简单	Dataset绑定，精细化
外部系统对接	HTTP插件/API节点	HTTP节点/工具更灵活
定时自动化	内置定时触发	需外部调度API

Coze/Dify Multi-Agent 实战百问（服装品牌全链路场景版）

场景设定：服装品牌从趋势分析→商品企划→内容生产→供应链协同→客服售后的完整 Multi-Agent 流水线

第一部分：基础架构与选型（Q1-Q15）

Q1：服装全链路为什么一定要拆 Multi-Agent？单 Agent 不行吗？

核心原因：职责冲突 + 上下文

对比项	单 Agent	Multi-Agent
趋势分析	容易被后续企划任务覆盖	专注数据清洗，输出纯净
企划决策	可能被客服话术影响	纯商业逻辑判断
内容创作	风格不稳定	固定调性模板
供应链	忘记查实时库存	专攻 ERP 对接
客服	混淆品牌战略与售后	只处理服务话术

结论：单 Agent 在长链条中必然出现「角色漂移」——前几步还在做趋势，后面突然变成客服语气。Multi-Agent 用职责隔离解决这个问题。

Q2：Coze 和 Dify 的核心差异是什么？

维度	Coze（扣子）	Dify
上手难度	⭐ 低，可视化拖拽	⭐⭐⭐ 中等，需理解变量体系
多Agent串联	Workflow 节点串联 / Bot多Agent模式	Workflow + Agent节点
知识库RAG	原生支持，一键绑定	Dataset，需手动分段
外部API对接	插件市场/自定义插件	HTTP节点更灵活
私有化部署	❌ 不支持	✅ 支持 Docker/K8s
定时触发	✅ 内置	❌ 需外部调度
发布渠道	飞书/微信/网页	API/嵌入/网页
成本	免费额度+付费	开源免费/云服务付费

选择公式：

非技术团队 + 飞书/微信发布 → Coze

需对接内部ERP + 私有化 → Dify

两者混用 → Coze 前端 + Dify APP

方式	适用场景	优点	缺点
Workflow 节点串联	严格顺序流水线（趋势→企划→内容→供应链）	稳定、可追溯、易调试	灵活性低
Bot 多Agent模式（项目空间）	对话式派活、动态路由	灵活、可并行	输出不可控、难排错

建议：你的服装场景用 Workflow 节点串联。只有客服模块可以考虑 Bot 多Agent 做意图分流。

Q4：Dify 搭建 Multi-Agent 的基本步骤？

第1步：创建独立 Agent 应用
├── trend_agent（趋势分析）
├── plan_agent（商品企划）
├── content_agent（内容生产）
├── supply_agent（供应链）
└── service_agent（客服）

第2步：新建 Workflow 应用
├── 开始节点（接收输入）
├── Agent节点（串联各Agent）
│   ├── trend_agent → plan_agent → content_agent
│   └── supply_agent（并行触发）
└── 结束节点（汇总输出）

第3步：变量映射
├── 上游输出 → 下游输入（字段名必须一致）
└── 每个Agent节点配独立System Prompt

第4步：测试与发布
├── 单节点测试 → 全链路测试
└── API发布 / 嵌入前端

Q5：什么情况下应该从 Coze 迁移到 Dify？

迁移信号清单（满足3条以上考虑迁移）：

[ ] 需要对接企业内部数据库/ERP

[ ] 数据敏感，不允许上第三方云

[ ] 每日调用量超过 Coze 免费额度

[ ] 需要自定义模型微调

[ ] 需要精细控制 Prompt 模板变量

[ ] 需要版本管理与灰度发布

Q6：Coze 和 Dify 可以混合使用吗？

可以，且是推荐方案：

[前端用户]
    ↓
[Coze Bot] ← 承接对话、内容生成、客服
    ↓ (调用API)
[Dify Workflow] ← 处理趋势分析、供应链查询
    ↓
[内部系统] ← ERP/CRM/WMS

优势：Coze 处理前端交互体验，Dify 处理后端业务逻辑。

Q7：Multi-Agent 需要多少个 Agent 才合理？

原则：按职责边界切，不按功能切

错误切法	正确切法
写文案Agent + 写标题Agent + 写描述Agent	内容生产Agent（统一调性）
查库存Agent + 查物流Agent + 查价格Agent	供应链Agent（统一数据源）
回复退货Agent + 回复换货Agent + 回复咨询Agent	客服Agent（统一话术）

建议数量：服装场景 4-6 个 Agent 足够，太多反而增加维护成本和延迟。

Q8：Multi-Agent 的延迟怎么优化？

优化手段	效果	实施方式
并行执行	减少50%-70%耗时	无依赖节点同时运行
精简Prompt	减少20%-30%Token	去掉冗余描述
缓存中间结果	重复场景秒级响应	存储常用趋势/企划
异步回调	用户体验提升	先返回部分结果，后台继续处理
模型降级	高并发时保底	简单任务用小模型

Q9：Multi-Agent 的成本怎么控制？

成本项	控制方法
Token消耗	精简Prompt、限制输出长度、用小模型
API调用次数	合并请求、缓存结果
知识库存储	定期清理无用文档、压缩向量
插件调用	只挂载必要插件、设置调用频率上限
开发维护	标准化Agent模板、复用组件

经验值：一套完整服装流水线（趋势→企划→内容→供应链），每次执行约 3000-5000 Token（含输入输出）。

Q10：Multi-Agent 的容错机制怎么做？

故障类型	容错策略
某Agent超时	设置超时阈值（建议30秒），超时走Fallback分支
输出格式错误	强制JSON Schema校验，不符合重试1次
API调用失败	重试3次，间隔递增（1s→3s→5s）
模型返回空	设置默认值，记录异常日志
整条链路中断	保存中间状态，支持断点续跑

Q11：Coze 和 Dify 各自的变量体系怎么理解？

Coze 变量体系：

全局变量：整个Bot共享（如品牌名称、季节）

工作流变量：只在当前Workflow生效

节点变量：节点之间的临时传递

Dify 变量体系：

环境变量：整个应用共享（如API Key）

对话变量：单次对话上下文

节点变量：Workflow节点间的输入输出

核心区别：Coze 偏「对话上下文」，Dify 偏「编程变量」。

Q12：如何设计 Multi-Agent 的输入输出接口？

标准化接口规范：

// 输入接口
{
  "request_id": "唯一ID",
  "scene": "trend|plan|content|supply|service",
  "input_data": {},
  "context": {
    "brand": "品牌名",
    "season": "2026SS",
    "user_info": {}
  }
}

// 输出接口
{
  "request_id": "唯一ID",
  "status": "success|fail|partial",
  "output_data": {},
  "error": null,
  "metadata": {
    "model": "deepseek-r1",
    "tokens_used": 1234,
    "latency_ms": 2345
  }
}

Q13：Multi-Agent 怎么个流程

阶段	方法
单元测试	单独测试每个Agent，确保输入输出符合预期
集成测试	测试整条链路，检查变量传递是否正确
压力测试	模拟高并发，观察延迟和稳定性
A/B测试	两个版本并行，对比效果指标
灰度发布	先放10%流量，验证无误后全量

Coze调试技巧：打开「调试面板」查看每一步的输入输出。

Dify调试技巧：开启「节点日志」，用「状态快照」回溯。

Q14：Multi-Agent 的安全注意事项？

风险	防范措施
Prompt注入	过滤用户输入中的特殊指令
数据泄露	不在Prompt中暴露API Key、密码
权限越界	每个Agent只给最小必要权限
输出有害内容	加内容安全过滤器
滥用调用	设置调用频率限制、用量监控

Q15：Multi-Agent 上线后怎么持续优化？

上线 → 数据采集 → 分析瓶颈 → 优化 → 回归测试 → 上线
        ↑                                        |
        └────────────────────────────────────────┘

关键指标：

成功率（目标 > 95%）

平均延迟（目标 < 5秒）

用户满意度（目标 > 4星）

成本效率（目标 < 预算）

第二部分：Coze 实战（Q16-Q45）

Q16：Coze 注册后第一步做什么？

创建「项目空间」（Project Space）

设定品牌基本信息（名称、调性、产品线）

创建知识库（上传品牌手册、面料参数、历史数据）

创建第一个Bot（趋势分析Agent）

配置模型（建议 DeepSeek-R1，温度0.3）

Q17：Coze Workflow 节点串联怎么配置？

以趋势→企划为例：

[开始节点]
    ↓ 输入：原始数据（行业报告/社交媒体热词）
[Trend Agent - LLM节点]
    Prompt: "你是一个服装趋势分析师，分析{input}并输出JSON格式的{colors, elements, keywords}"
    输出: trend_result
    ↓
[Plan Agent - LLM节点]
    Prompt: "你是一个商品企划师，基于{trend_result}制定下季企划"
    输入: {{trend_result}}
    输出: plan_result
    ↓
[结束节点]

关键配置：

每个LLM节点勾选「启用JSON输出」

Temperature 设 0.2-0.3

输出字段名上下游保持一致

Q18：Coze Bot 多Agent模式怎么配置？

在Bot编辑页开启「多Agents」

创建子Agent列表：
- 趋势分析师（触发词：趋势、流行、数据）
- 企划师（触发词：企划、规划、SKU）
- 文案写手（触发词：文案、内容、小红书）
- 客服专员（触发词：退货、售后、咨询）

设置Orchestrator（编排器）路由规则

测试对话触发是否准确

Q19：Coze 知识库怎么建才能效果好？

类型	内容	格式	更新频率
品牌手册	品牌故事、调性定义、视觉规范	PDF/Markdown	季度更新
产品库	SKU列表、面料参数、尺码表	CSV/Excel	实时同步
历史数据	往季爆款、销售排行、用户评价	CSV	月度更新
话术库	标准问答、FAQ、售后政策	Markdown	周更新

最佳实践：

每个文件不超过2000字

关键信息放在开头

定期清理过期内容

Q20：Coze 知识库如何防止 Agent 乱用？

Prompt 约束写法：

你只能使用以下知识库中的信息回答问题：
- 品牌手册（brand_manual）
- 产品库（product_library）

如果问题涉及以下内容，直接拒绝回答：
- 竞争对手信息
- 未公开的内部数据
- 个人隐私

当知识库中没有相关信息时，回答："抱歉，我暂时无法回答这个问题，请联系人工客服。"

Q21：Coze 中如何让 Agent 输出结构化 JSON？

三步配置：

LLM节点 → 高级设置 → 启用「JSON输出模式」

Prompt 末尾加：

请严格按照以下JSON Schema输出，不要添加任何额外字段：
{"type":"object","properties":{"field1":{"type":"string"},"field2":{"type":"array"}}}

Temperature 设为 0.2

Q22：Coze 工作流中如何传递复杂对象？

方法：使用「代码节点」做数据转换

[上游LLM节点]
输出：{"colors":["红","蓝"],"elements":["条纹","印花"]}
    ↓
[代码节点 - JavaScript]
function transform(input) {
  return {
    color_list: input.colors.join(","),
    element_list: input.elements.join(","),
    summary: `包含${input.colors.length}种颜色和${input.elements.length}种元素`
  };
}
    ↓
[下游LLM节点]
输入：{{transform_result.summary}}

Q23：Coze 中如何实现条件分支？

场景：根据趋势分析结果决定是否启动企划

[趋势分析节点]
输出：{"has_trend": true/false}
    ↓
[条件分支节点]
条件1: {{trend_result.has_trend == true}} → 进入企划Agent
条件2: {{trend_result.has_trend == false}} → 进入等待节点
    ↓
[企划Agent] 或 [等待人工介入]

Q24：Coze 中如何实现循环/迭代？

Coze 不支持原生循环，变通方案：

递归调用：Workflow 结束后再次触发自身（有限次）

代码节点循环：在代码节点中用 for 循环处理数组

外部调度：用飞书定时任务反复触发

推荐：用代码节点处理批量数据，避免在 Workflow 层面循环。

Q25：Coze 中如何调用外部 API？

步骤：

插件市场搜索所需API（天气、汇率、快递查询等）

如果没有现成插件 → 创建「自定义插件」

配置：URL、请求方式、Headers、Body

在Workflow中拖入插件节点

映射输入输出变量

示例 - 查物流：

[用户输入订单号]
    ↓
[快递查询插件]
URL: https://api.kuaidi.com/query?order={{order_id}}
输出: {"status":"运输中","location":"长沙"}
    ↓
[客服Agent]
Prompt: "根据物流信息{logistics_result}回复用户"

Q26：Coze 自定义插件怎么写？

# 插件配置文件
name: 库存查询
description: 查询服装SKU实时库存
api:
  url: https://your-erp-api.com/inventory
  method: POST
  headers:
    Authorization: Bearer {{API_KEY}}
  body:
    sku: {{sku_id}}
    warehouse: {{warehouse_code}}
  response:
    format: json
    mapping:
      stock: $.data.stock
      status: $.data.status

Q27：Coze 中如何实现定时任务？

场景：每周一早8点自动跑趋势分析

创建 Workflow（趋势分析流水线）

进入「发布」→「定时触发」

设置：每周一 08:00

配置输入参数（如：本周关键词）

设置通知方式（飞书消息/邮件）

注意：定时触发只能设置一个 Workflow，如需多条需创建多个。

Q28：Coze 中如何实现人工审核节点？

场景：企划方案需要买手确认后才能进入生产

[企划Agent]
输出：plan_draft
    ↓
[发送消息节点]
发送给指定飞书群/用户：
"【待审核】新季企划方案已生成，请确认：
{plan_draft}
回复'同意'或'修改意见：...'"
    ↓
[等待回复节点]
等待用户输入
    ↓
[条件分支]
回复='同意' → 进入供应链Agent
回复包含'修改' → 进入修改流程
超时未回复 → 重新提醒

Q29：Coze 中如何处理超时？

配置方式：

每个LLM节点设置超时时间（建议30秒）

超时后走「失败分支」

失败分支记录日志并通知管理员

示例：

[LLM节点] 超时30秒
    ↓
[条件分支]
成功 → 继续流程
失败 → [通知节点] "趋势分析超时，请检查API状态"
       [结束节点] 返回错误码

Q30：Coze 中如何实现多语言支持？

方案：在输入参数中加入语言标记

[开始节点]
输入：{"text":"你好","lang":"en"}
    ↓
[翻译Agent]
Prompt: "将以下{input.text}翻译成{input.lang}"
    ↓
[下游Agent]
Prompt: "使用{translated_text}作为输入，输出保持{input.lang}语言"

注意：Coze 本身不支持自动检测语言，需在输入端明确指定。

Q31：Coze 中如何做 A/B 测试？

方法：创建两个相同 Workflow，只改一个变量

Workflow A：使用 GPT-4o
Workflow B：使用 DeepSeek-R1

同时运行，对比：
- 输出质量评分
- 响应速度
- Token消耗
- 用户满意度

工具：用飞书多维表格记录对比数据。

Q32：Coze 中如何记录日志？

方法：

在每个关键节点后加「代码节点」记录日志

日志内容：时间、节点名、输入、输出、耗时

写入飞书文档或多维表格

// 日志代码节点
const log = {
  timestamp: new Date().toISOString(),
  node: "trend_analysis",
  input: JSON.stringify(trend_input),
  output: JSON.stringify(trend_output),
  latency: endTime - startTime
};
// 发送到日志API
await fetch("https://your-log-server.com/log", {
  method: "POST",
  body: JSON.stringify(log)
});

Q33：Coze错误类型处理

错误类型	处理方式
API超时	重试2次，间隔3秒
JSON解析失败	重新请求，强制JSON模式
模型返回空	用默认值替代
知识库无匹配	返回"无相关信息"
插件调用失败	跳过该节点，继续流程

Q34：Coze 中如何控制输出长度？

Prompt 控制：

请将输出控制在200字以内。
如果内容较多，请提取最关键的信息。
不要列举超过5个要点。

模型参数：设置 max_tokens（建议 500-1000）

Q35：Coze 中如何实现多轮对话记忆？

方法：使用「变量」存储对话历史

[开始节点]
初始化变量：chat_history = []
    ↓
[对话Agent]
Prompt: "以下是对话历史：{chat_history}\n用户说：{user_input}"
输出：response
    ↓
[代码节点]
chat_history.push({role:"user", content: user_input})
chat_history.push({role:"assistant", content: response})
if(chat_history.length > 10) chat_history.shift() // 保留最近10轮
    ↓
[返回用户]

Q36：Coze 中如何实现用户身份识别？

方案：通过输入参数传递用户ID

[开始节点]
输入：{"user_id":"xxx","message":"你好"}
    ↓
[查询用户信息节点]
API: https://your-system.com/user/{{user_id}}
输出：{"name":"张三","vip_level":"gold"}
    ↓
[客服Agent]
Prompt: "用户{user_info.name}是{vip_level}会员，请用尊称回复"

Q37：Coze 中如何做敏感词过滤？

方法：在输出前加过滤节点

[内容Agent]
输出：draft_content
    ↓
[敏感词过滤节点]
规则：正则匹配/关键词列表
命中敏感词 → 替换为*** 或 拒绝输出
    ↓
[最终输出]

注意：敏感词列表要定期更新，建议用外部API做实时过滤。

Q38：Coze 中如何实现富文本输出？

支持格式：

Markdown（标题、列表、表格、代码块）

HTML（部分标签）

图片（URL链接）

按钮（跳转链接）

示例：

# 2026夏季趋势报告

## 流行色
| 颜色 | 色号 | 占比 |
|------|------|------|
| 薄荷绿 | #98FB98 | 35% |
| 雾霾蓝 | #B0C4DE | 28% |

[查看完整报告](https://example.com/report)
![趋势图](https://example.com/trend.png)

Q39：Coze 中如何实现文件上传与解析？

支持的文件类型：

图片（JPG/PNG/GIF）：OCR识别文字

文档（PDF/Word/Excel/TXT）：提取文字内容

音频（MP3/WAV）：语音转文字

使用方式：

用户上传文件

Coze 自动解析为文本

将文本作为变量传递给下游节点

注意：文件大小限制 20MB。

Q40：Coze 中如何实现语音交互？

前提：发布到飞书或微信小程序

配置步骤：

在Bot设置中开启「语音输入」

选择语音识别引擎（飞书自带/第三方）

语音转文字后进入正常文本流程

输出可选语音合成（TTS）

Q41：Coze 中如何实现支付相关功能？

注意：Coze 本身不支持支付，需通过外部系统实现

方案：

用户发起支付请求

Agent 收集订单信息

调用外部支付API（微信支付/支付宝）

返回支付链接/二维码

用户完成支付后回调确认

Q42：Coze 中如何实现多模态输出？

支持：文字 + 图片 + 链接

示例 - 穿搭推荐：

今日推荐搭配：
上衣：[图片URL]
裤子：[图片URL]
鞋子：[图片URL]

理由：根据{trend_data}，这套搭配符合本季流行趋势。
点击购买：[链接]

注意：图片需有公网可访问的URL。

Q43：Coze 中如何实现数据可视化？

方法：用图表API生成图片

[数据分析Agent]
输出：chart_data (JSON格式)
    ↓
[图表生成插件]
API: https://quickchart.io/chart
参数：{type:"bar", data:{labels:[], datasets:[]}}
输出：chart_image_url
    ↓
[回复用户]
"本季销售趋势：[图片]{chart_image_url}"

Q44：Coze 中如何实现用户反馈收集？

方案：

每次对话结束时，发送反馈邀请

收集：满意度评分（1-5星）+ 文字反馈

存储到飞书多维表格

定期分析改进方向

Prompt 示例：

感谢您的咨询！请为本次服务打分（1-5星）：
1星：非常不满意
2星：不满意
3星：一般
4星：满意
5星：非常满意

如有其他建议，请留言。

Q45：Coze 中如何实现版本管理？

目前 Coze 不支持原生版本管理，变通方案：

命名规范：趋势分析_v1.0、趋势分析_v1.1

复制备份：重要改动前复制一份

发布记录：手动记录变更日志

A/B测试：新旧版本并行运行

第三部分：Dify 实战（Q46-Q75）

Q46：Dify 安装部署方式有哪些？

方式	适用场景	难度
Docker Compose	本地开发/小团队	⭐⭐
Kubernetes	生产环境/大规模	⭐⭐⭐⭐⭐
云服务（Dify Cloud）	快速试用	⭐
源码部署	深度定制	⭐⭐⭐⭐

推荐：先用 Docker Compose 快速启动，稳定后再迁移 K8s。

Q47：Dify Docker 部署关键步骤？

# 1. 克隆仓库
git clone https://github.com/langgenius/dify.git
cd dify/docker

# 2. 复制环境变量
cp .env.example .env

# 3. 修改配置（关键）
# 修改 .env 中的 SECRET_KEY
# 配置数据库（PostgreSQL）和缓存（Redis）
# 配置模型API Key（OpenAI/DeepSeek）

# 4. 启动服务
docker-compose up -d

# 5. 访问 http://localhost:3000
# 首次访问注册管理员账号

Q48：Dify 中如何创建第一个 Agent？

步骤：

选择「Agent」类型

填写名称（如：趋势分析Agent）

编写 System Prompt

选择模型（DeepSeek-R1）

配置工具（如：联网搜索）

发布测试

Q49：Dify Agent 的 System Prompt 怎么写？

模板：

# 角色
你是一名{角色名称}，专门负责{职责范围}。

# 能力
- 你可以使用以下工具：{工具列表}
- 你需要输出{格式要求}的内容

# 约束
- 你只负责{职责范围}，不要处理其他事务
- 如果遇到超出范围的问题，回答："这超出了我的职责范围，请联系{下一个Agent名称}"
- 必须使用中文回答
- 输出必须遵循JSON格式

# 输入
{input_description}

# 输出格式
{output_schema}

Q50：Dify 中如何配置工具？

内置工具：

联网搜索（Google/Bing）

计算器

图片生成（DALL-E/Stable Diffusion）

代码执行（Python/JS）

自定义工具：

进入「工具」→「创建自定义工具」

配置 OpenAPI/Swagger 规范

或手动填写：URL、Method、Headers、Parameters

绑定到 Agent

Q51：Dify 中如何创建 Workflow？

步骤：

工作室 → 创建应用 → 选择「Workflow」

拖入节点：
- 开始节点（定义输入变量）
- LLM节点/Agent节点（处理逻辑）
- 条件分支节点（决策）
- 代码节点（数据处理）
- HTTP节点（调用API）
- 结束节点（定义输出）

连接节点，映射变量

测试运行

Q52：Dify Workflow 节点类型

节点类型	用途	配置要点
开始	定义输入变量	变量名、类型、默认值
结束	定义输出变量	变量映射
LLM	调用大模型	Prompt、模型、参数
Agent	带工具的智能体	Prompt、工具列表
条件分支	条件判断	IF/ELSE 条件
代码节点	数据处理	Python/JS代码
HTTP节点	调用外部API	URL、Headers、Body
变量聚合	合并多个输入	字段映射
迭代	循环处理列表	循环变量

Q53：Dify 中变量映射怎么配？

示例：趋势分析 → 企划

[趋势分析Agent]
输出变量：
  - trend_colors: ["薄荷绿","雾霾蓝"]
  - trend_elements: ["条纹","印花"]
  - season: "2026SS"

[企划Agent]
输入变量映射：
  - {{trend_agent.trend_colors}} → colors
  - {{trend_agent.trend_elements}} → elements
  - {{trend_agent.season}} → season

Prompt中使用：
"基于{colors}和{elements}，为{season}制定企划方案"

关键：变量名大小写敏感，必须完全一致。

Q54：Dify 中如何实现并行执行？

场景：趋势分析完成后，同时启动竞品分析和社交媒体分析

[趋势分析节点]
    ↓
[并行分支]
├── [竞品分析Agent] → [数据合并节点]
├── [社交媒体Agent] → [数据合并节点]
    ↓
[数据合并节点]
合并两个结果，输出综合报告
    ↓
[企划Agent]

配置：直接拖出两条连线即可，Dify 自动并行执行。

Q55：Dify 中如何实现循环/迭代？

使用「迭代」节点：

[开始节点]
输入：sku_list = ["A001","A002","A003"]
    ↓
[迭代节点]
循环变量：sku in sku_list
    ↓
[LLM节点 - 处理单个SKU]
Prompt: "分析{sku}的销售数据"
    ↓
[结束迭代]
输出：result_list = [结果1, 结果2, 结果3]

注意：迭代节点会按顺序执行，大数据量时注意性能。

Q56：Dify 中如何调用内部 API？

示例 - 查询ERP库存：

[HTTP节点]
URL: https://erp.company.com/api/inventory
Method: POST
Headers:
  Authorization: Bearer {{ENV.ERP_API_KEY}}
  Content-Type: application/json
Body:
  {
    "sku": "{{sku_id}}",
    "warehouse": "长沙仓"
  }
Response Mapping:
  stock: $.data.available_stock
  status: $.data.status

Q57：Dify 中如何做数据清洗？

使用代码节点：

def main(data: dict) -> dict:
    # 输入：raw_data
    raw = data.get("raw_data", {})
    
    # 清洗逻辑
    cleaned = {
        "date": raw.get("date", "").strip(),
        "sales": int(raw.get("sales", 0)),
        "category": raw.get("category", "未知").upper()
    }
    
    # 过滤无效数据
    if cleaned["sales"] <= 0:
        cleaned["valid"] = False
    else:
        cleaned["valid"] = True
    
    return {"cleaned_data": cleaned}

Q58：Dify 中如何做错误处理和重试？

配置方式：

每个节点可设置「错误处理」

选项：终止流程 / 忽略继续 / 重试

重试次数：1-3次

重试间隔：立即 / 延迟

最佳实践：

HTTP节点：重试3次，间隔递增

LLM节点：重试1次

代码节点：不重试，直接报错

Q59：Dify 中如何实现定时任务？

Dify 本身不支持定时触发，需外部配合：

方案1 - Linux Crontab：

# 每天早上8点执行
0 8 * * * curl -X POST https://your-dify.com/api/workflows/run \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -d '{"inputs":{}}'

方案2 - 飞书自动化：

触发器：每天08:00
动作：发送HTTP请求 → Dify API

方案3 - GitHub Actions：

on:
  schedule:
    - cron: '0 8 * * *'
jobs:
  run-dify:
    steps:
      - run: curl -X POST https://your-dify.com/api/workflows/run ...

Q60：Dify 中如何实现 Webhook 触发？

配置：

Workflow → 发布 → API

获取 API Endpoint 和 Secret

外部系统 POST 到该地址

传入 inputs 参数

示例：

curl -X POST https://your-dify.com/v1/workflows/run \
  -H "Authorization: Bearer app-xxxxx" \
  -H "Content-Type: application/json" \
  -d '{
    "inputs": {
      "order_id": "ORD20260101",
      "action": "refund"
    },
    "response_mode": "blocking"
  }'

Q61：Dify 中如何做用户认证？

方案：

API Key：最简单，适用于内部系统

JWT Token：适用于外部用户

OAuth2：适用于第三方登录

推荐：内部用 API Key，外部用 JWT。

Q62：Dify 中如何做日志和监控？

内置功能：

日志面板：查看每次运行的详细记录

运行追踪：查看每个节点的输入输出

错误统计：失败率、错误类型分布

扩展方案：

集成 ELK（Elasticsearch + Logstash + Kibana）

集成 Prometheus + Grafana

自定义日志API

Q63：Dify 中如何做版本管理？

Dify 支持：

发布新版本时自动存档

可回滚到任意历史版本

版本对比（查看差异）

操作：

编辑应用 → 发布 → 填写版本说明

需要回滚 → 选择版本 → 恢复

Q64：Dify 中如何做 A/B 测试？

方案：

创建两个相同的 Workflow

分别绑定不同的模型/参数

用外部负载均衡随机分发流量

对比结果指标

简化方案：手动切换版本，观察一段时间效果。

Q65：Dify 中如何实现多租户？

Dify Cloud 支持多工作区：

每个工作区独立

用户可加入多个工作区

数据完全隔离

自部署方案：

每个客户一套独立 Dify 实例

或改造源码支持租户ID隔离

Q66：Dify 中如何做数据导出？

支持格式：

JSON（完整运行记录）

CSV（表格数据）

Markdown（对话记录）

操作：

日志面板 → 选择记录

点击导出 → 选择格式

下载文件

Q67：Dify 中如何做性能优化？

优化项	方法	效果
数据库	加索引、读写分离	提升查询速度
缓存	Redis 缓存频繁查询	减少DB压力
模型	用小模型处理简单任务	降低成本
并行	无依赖节点并行执行	减少延迟
限流	设置API调用频率	防止过载

Q68：Dify 中如何做安全加固

风险	措施
SQL注入	使用ORM框架，禁用原生SQL
XSS攻击	输出HTML转义
CSRF	启用CSRF Token
API滥用	频率限制 + IP白名单
数据泄露	加密敏感字段，最小权限原则

Q69：Dify 中如何做模型切换？

支持多模型配置：

设置 → 模型供应商

添加多个模型（GPT-4o / DeepSeek / Claude）

每个应用可选择不同模型

运行时动态切换

注意：切换模型后需重新测试，不同模型表现差异大。

Q70：Dify 中如何做 Prompt 模板管理？

方法：

创建「Prompt 模板」应用

存储常用模板（趋势分析、企划、文案等）

通过变量传递模板ID

运行时加载对应模板

示例：

templates:
  trend_analysis: |
    你是一个服装趋势分析师。
    请分析以下数据：{data}
    输出格式：{format}
  
  product_planning: |
    你是一个商品企划师。
    基于趋势：{trend}
    制定企划方案：{constraints}

Q71：Dify 中如何做多语言支持？

方案：

在输入参数中加入 language 字段

Prompt 中引用：请使用{language}回答

输出保持指定语言

注意：模型需支持多语言，DeepSeek 支持中英文。

Q72：Dify 中如何做知识库管理？

创建知识库：

数据集 → 创建数据集

上传文档（PDF/Word/HTML/TXT）

选择分段策略（按段落/按字数）

选择 Embedding 模型

索引完成后即可使用

最佳实践：

每个文档不超过5000字

分段重叠100字

定期更新数据

Q73：Dify 中如何做 RAG（检索增强生成）？

配置：

Agent 或 Workflow 中绑定数据集

设置检索参数：
- Top-K：返回最相似的K个片段
- Score Threshold：相似度阈值
- Retrieval Mode：语义/关键词/混合

Prompt 中引用检索结果：

基于以下资料回答问题：
{retrieved_documents}

问题：{question}

Q74：Dify 中如何做图片生成？

配置：

添加图片生成工具（DALL-E / Stable Diffusion）

Agent Prompt 中描述需求

工具返回图片URL

示例：

Prompt: "根据以下描述生成一张服装设计草图：{design_brief}"
工具：DALL-E 3
输出：image_url

Q75：Dify 中如何做代码解释器？

配置：

添加「代码执行」工具

支持 Python / JavaScript

可安装第三方库（需预装）

示例：

# 数据分析
import pandas as pd
data = pd.DataFrame(sales_data)
summary = data.describe()
return {"summary": summary.to_dict()}

第四部分：服装场景专项实战（Q76-Q100）

Q76：趋势分析 Agent 怎么配置？

角色：服装趋势分析师

工具：联网搜索、知识库（行业报告）

Prompt：

你是一个专业的服装趋势分析师。
基于以下数据源分析本季趋势：
1. 社交媒体热词（小红书/抖音）
2. 时尚周报
3. 历史销售数据

输出JSON格式：
{
  "season": "2026SS",
  "color_palette": ["薄荷绿","雾霾蓝","樱花粉"],
  "key_elements": ["oversize","解构","拼接"],
  "fabric_trends": ["天丝","再生纤维"],
  "price_range": {"min": 299, "max": 899},
  "consumer_keywords": ["舒适","环保","百搭"],
  "confidence_score": 0.85
}

Q77：商品企划 Agent 怎么配置？

角色：商品企划师

输入：趋势分析结果

Prompt：

你是一个服装品牌的商品企划师。
基于以下趋势数据制定下季企划：
{trend_data}

约束条件：
- 品牌定位：{brand_position}
- 目标客群：{target_customer}
- 价格带：{price_range}
- SKU数量上限：{sku_limit}

输出JSON格式：
{
  "collection_name": "都市漫游系列",
  "categories": [
    {
      "name": "连衣裙",
      "sku_count": 15,
      "price_range": {"min":399,"max":699},
      "key_features": ["收腰","A字裙摆","碎花"]
    }
  ],
  "total_skus": 60,
  "estimated_production_cost": 450000,
  "expected_margin": 0.65
}

Q78：内容生产 Agent 怎么配置？

角色：品牌内容创作者

输入：企划方案

工具：图片生成、知识库（品牌调性手册）

Prompt：

你是一个服装品牌的内容创作者。
基于以下企划方案生成多平台内容：
{plan_data}

品牌调性：{brand_tone}

请为以下平台分别生成内容：
1. 小红书笔记（800字以内，带emoji）
2. 抖音短视频脚本（60秒以内）
3. 天猫详情页文案（重点突出卖点）
4. 朋友圈海报文案（一句话+引导语）

输出JSON格式：
{
  "xiaohongshu": "...",
  "douyin": "...",
  "tmall": "...",
  "wechat": "..."
}

Q79：供应链 Agent 怎么配置？

角色：供应链管理专家

工具：HTTP节点（对接ERP）、知识库（供应商信息）

Prompt：

你是一个服装品牌的供应链管理专家。
基于以下信息给出采购和生产建议：
{plan_data}
{inventory_data}
{supplier_data}

输出JSON格式：
{
  "production_plan": [
    {
      "sku": "DR001",
      "supplier": "广州XX制衣厂",
      "quantity": 3000,
      "lead_time": "30天",
      "unit_cost": 180,
      "priority": "high"
    }
  ],
  "risk_warnings": ["面料A供应商产能不足"],
  "cost_summary": {
    "total_production_cost": 540000,
    "logistics_cost": 27000,
    "recommended_retail_price": 599
  }
}

Q80：客服 Agent 怎么配置？

角色：品牌客服专员

工具：知识库（FAQ、售后政策）、HTTP节点（查订单）

Prompt：

你是一个服装品牌的客服专员。
你的职责范围：
1. 商品咨询（尺码、材质、搭配）
2. 订单查询（物流、状态）
3. 售后服务（退换货、投诉）

超出范围的问题，请礼貌转接人工客服。

回复要求：
- 专业、耐心、有同理心
- 提供准确信息，不确定的不瞎说
- 引导用户解决问题，而非激化矛盾

当前用户信息：
{user_info}
{order_info}

Q81：全链路 Workflow 怎么串联？

[开始节点]
输入：{season: "2026SS", brand: "UrbanWear"}
    ↓
[趋势分析Agent]
输出：trend_data
    ↓
[条件分支]
trend_data.confidence_score > 0.7 → 继续
否则 → 通知人工介入
    ↓
[商品企划Agent]
输出：plan_data
    ↓
[并行分支]
├── [内容生产Agent] → 输出：content