夜雨聆风本文是我从 Dify Marketplace 截图中的 11 款 Agent 策略插件整理而成，覆盖官方出品、MCP 生态、对话优化、任务拆解、沙箱执行、知识库文件系统等方向，帮你快速找到适合你场景的 Agent "大脑"。
一、什么是 Agent 策略？
在 Dify 的 Chatflow / Workflow 里，Agent 节点负责让 LLM 自主调用工具、完成多步任务；而 Agent 策略（Agent Strategy）就是这个节点里的 "决策脑"，决定模型何时思考、何时调用工具、如何循环迭代。
如果把 Agent 节点比作汽车的发动机，Agent 策略就是它的控制系统——你可以在不改动整车架构的情况下，换上更适合当前路况的 "控制逻辑"。
二、11 款 Agent 策略插件速览
| Dify Agent 策略 | |||
| Agent 策略（支持 MCP 工具） | |||
| MCP Agent 策略 | |||
| 对话 Agent | |||
| Enhancing Agent | |||
| Agent Skill 技能插件 | |||
| mcp_agent | |||
| 沙箱代理 / Sandbox Agent | |||
| AI码力 Skill Agent | |||
| 自我优化 Agent 策略 | |||
| AgentFS |
三、逐款详解：特点、用法与适用场景
1. Dify Agent 策略（官方）
作者：langgenius 安装量：约 61 万+ 核心能力：官方 Function Calling + ReAct 策略集合
Function Calling：把用户指令直接映射成函数/工具调用，适合意图明确、步骤相对固定的任务。优点是调用精准、输出结构化、外部集成简单。
ReAct（Reason + Act）：让模型在 "思考" 和 "行动" 之间交替循环：先分析当前状态和目标，再选工具执行，最后用工具输出推进下一步推理。
适用场景：Function Calling 适合单步/确定性工具调用；ReAct 适合需要外部信息的多步问答、信息检索、任务执行。
用法：在 Agent 节点策略下拉中选择 Function Calling 或 ReAct，绑定模型与工具，写清楚系统指令即可。
2. Agent 策略（支持 MCP 工具）
作者：junjiem 安装量：约 13.7 万 核心能力：在 Function Calling / ReAct 基础上，支持通过 MCP SSE / StreamableHTTP 发现和调用工具
MCP（Model Context Protocol）是 Anthropic 推动的开放协议，让 AI 应用以标准化方式接入外部工具生态。
用法：在插件配置里填写 MCP 服务 JSON，例如：
{"server_name1":{"transport":"sse","url":"http://127.0.0.1:8000/sse","headers":{},"timeout":50,"sse_read_timeout":50},"server_name2":{"transport":"streamable_http","url":"http://127.0.0.1:8002/mcp"}}也支持 Composio、Zapier 等托管 MCP 服务，复制 URL 即可连接。
适用场景：需要把 Dify Agent 接入 MCP 生态（搜索、数据库、API 网关等）时使用。
3. MCP Agent 策略
作者：hjlarry 安装量：约 5.6 万 核心能力：在兼容官方 Function Calling 的同时，无缝集成 MCP 工具调用
特点：既能走 Dify 原生 function call，也能走 MCP 协议；单个 MCP server 可配 URL，多个 server 可配详细连接参数。
用法示例：
{"server_name1":{"url":"http://127.0.0.1:8000/sse","headers":{},"timeout":5,"sse_read_timeout":300}}如果 MCP server 是 stdio 模式，可用 mcp-proxy 转成 SSE：
uv tool install mcp-proxymcp-proxy --sse-host=0.0.0.0 --sse-port=8080适用场景：想保留官方 function call 行为，又想逐步引入 MCP 工具的渐进式迁移。
4. 对话 Agent
作者：svcvit
安装量：约 5.2 万
核心能力：面向对话场景优化的 Agent 策略，内置 TOD + MTD 两种模式
TOD（Task-Oriented Dialogue）：结构化信息收集，支持动态字段校验、多字段抽取、对话状态持久化，适合表单填写、预约、调研。
MTD（Multi-Turn Dialogue）：通用多轮对话，支持上下文感知，适合开放式聊天、客服问答。
用法：创建 Agent 应用后选择 对话 Agent，按模式配置：
# TOD 模式information_schema:'{"name":"string","phone":"string"}'query:'{{#user_query#}}'model:你的模型storage_key:session_001适用场景：客服机器人、信息登记表、预约助手、需要上下文记忆的多轮对话。
5. Enhancing Agent
作者：allenyzx 安装量：约 1.2 万 核心能力：基于微软 EASYTOOL 论文，增强 Function-Calling Agent 的任务拆解与工具选择能力
核心流程：
Task Planning：把复杂问题拆成原子子任务； Task Topology：建立子任务依赖图； Choose Tool：为每个子任务匹配最佳工具； Tool Check：判断是否需要调用工具（实时性、外部资源等）。
用法：安装后选择 Enhancing FunctionCalling Agent，配置模型和工具。插件会自动执行上述流程。
适用场景：复杂多步任务，例如 "查天气 -> 规划路线 -> 推荐餐厅 -> 生成日程" 这类需要多工具协作的场景。
6. Agent Skill 技能插件
作者：xun404 安装量：约 1.1 万 核心能力：把可复用的任务方法论封装成 Skill，根据用户问题自动匹配并注入 Prompt
内置技能：代码解释 / 重构 / 调试 / 优化、文档生成、测试用例生成等。也支持自定义 SKILL.md 或 YAML 技能。
自定义 Skill 示例：
name:translation-helperdescription:中英翻译助手triggers:-translate-翻译priority:5category:languageinstructions:| 你是一个翻译助手。请识别源语言和目标语言， 给出准确翻译，并说明文化差异或替代说法。用法：安装 → 创建 Agent → 选择 Skill-based Agent → 配置模型/工具/可用技能。
适用场景：把团队 SOP、专家经验沉淀成可复用技能；代码辅助、文档写作、测试生成。
7. mcp_agent
作者：ssf 安装量：约 6,000 核心能力：增强版 MCP Agent 策略，支持 MCP 工具调用
由于插件页相对精简，可把它理解为 MCP Agent 策略 的另一种社区实现。安装后在 Agent 策略中选择 mcp_agent，配置 MCP server 地址或相关参数即可。
适用场景：已使用 ssf 系插件，或需要其特定 MCP 连接方式的项目。
8. 沙箱代理 / Sandbox Agent
作者：ki3nd 安装量：约 900+ 核心能力：ReAct + 远程沙箱执行，在隔离的 E2B / Daytona 沙箱里跑 Shell 命令
支持技能系统、多轮对话记忆、并行 function calling；内置 exec_command，未来还会支持 view_image、apply_patch。
用法：先创建 E2B 或 Daytona 沙箱，然后在插件配置里填写：
provider:daytona# 或 e2bapi_url:""# 自建 Daytona 才需要workspace_root:/home/daytona/workspaceskills_paths:-/home/daytona/workspace/.skillsexec_timeout:30connect_timeout:60max_output_chars:8000再配置 sandbox_id 和 sandbox_api_key，把策略加入工作流。
适用场景：需要让 Agent "动手" 执行代码、跑脚本、处理文件，又不希望影响宿主环境的场景（自动化运维、数据分析、代码执行）。
9. AI码力 Skill Agent
作者：aimali 安装量：约 720 核心能力：把可复用任务技能加载进 Agent，让模型按 "打法手册" 稳定交付
内置技能：博客撰写、代码审查、Dify 架构设计、PPT 设计。支持 enabled_skills 筛选和自定义 YAML 技能。
用法：
安装插件； 创建 Agent 应用，选择 AI Maly Skill Agent；配置模型、可选外部工具； enabled_skills填all或blog-writer,pptx-designer；在 Custom Skills YAML 里补充团队自己的技能。
自定义技能示例：
-name:meeting-minutesdescription:整理会议纪要triggers:-meetingnotes-会议纪要priority:8category:productivityinstructions:| 1. 识别会议目标与参会人 2. 输出结论、待办事项、负责人、截止时间、风险 3. 缺失信息标记为 "unclear"，不要猜测适用场景：内容生产、代码审查、方案设计、想把团队 SOP 沉淀为可复用能力的团队。
10. 自我优化 Agent 策略
作者：langgenius 安装量：约 190 核心能力：实现论文 Self-Refine（NeurIPS 2023），让 Agent 自动批判并迭代优化自己的输出
执行循环：
Execute：生成初始答案； Evaluate：LLM 自己打分（0-100）； Critique：指出问题与改进点； Refine：把批判意见注入上下文，生成下一版； Repeat：直到分数达标或达到最大迭代次数。
用法：安装后选择 Self-Refine Agent，配置模型、工具、系统指令。重点调两个参数：
max iterations：Agent 执行的最大轮次；max refinement cycles：自优化轮次（0-5）。
适用场景：对输出质量要求高的写作、分析、代码生成、复杂推理任务。
11. AgentFS
作者：ki3nd 安装量：约 120 核心能力：把 Dify 知识库数据集挂载为只读虚拟文件系统，Agent 可用 ls、grep、search、cat等命令主动探索知识
传统 RAG 是 "query 进、top-k 出"，AgentFS 让 Agent 能像浏览文件夹一样查看知识库结构，先做精确匹配（grep），再做语义检索（search），还能限定子目录范围。
用法：配置数据集映射：
handbook:<数据集ID>product-kb:<数据集ID>同时填写：
knowledge_base_url：如https://your-dify-host/v1knowledge_api_key：有访问权限的数据集 API keymodel：必须支持 function callingmaximum_iterations：建议设高一些（探索文件系统需要多轮）
Agent 会先 tree /handbook，再 grep -ri "remote work" /handbook，然后 cat 匹配文档，最后总结。
适用场景：知识库结构复杂、需要精确查找、Agent 需要自主决定读哪份文档的场景。
四、怎么选？一张决策表帮你快速定位
五、写在最后
Dify 的 Agent 策略市场已经从 "官方 Function Calling / ReAct" 演进出多个细分方向：
协议层：MCP 让工具接入标准化； 交互层：对话 Agent 让多轮信息收集更稳； 执行层：沙箱 Agent 让 Agent 真正能 "动手"； 方法论层：Skill 插件让团队经验可复用； 质量层：Self-Refine 让输出自动迭代； 知识层：AgentFS 让 RAG 从 "被动检索" 变成 "主动探索"。
选插件时不必贪多：先明确你的核心场景是 "对话"、"工具调用"、"代码执行" 还是 "知识探索"，再按上表挑选 1-2 个策略深入用，往往比堆叠插件效果更好。
如果你正在搭建某个具体场景（客服、代码审查、知识库问答、MCP 工作流等），可以告诉我，我可以帮你把对应插件的配置参数和 Workflow 节点一次性写清楚。
关注我，持续接收AI动态👇