Dify “Agent节点” 让工作流学会 “自主推理”

Agent节点 与 Agent策略 

• • Agent节点（执行单元）
  工作流的“决策中心”。它分配资源、管理状态，并记录整个推理过程。
• 

Agent节点配置方法简介

1. 1. 拖放式设置
   只需从工具面板拖动一个 Agent节点，并通过三个步骤进行配置：

• • 选择推理策略
• • 链接工具/模型
• • 设置提示模板

• 
  
• 2. 推理执行日志
  Dify 的强大功能之一是其内置的日志机制，它会创建一个类似树状结构的代理思维过程。这种结构使您能够：
• • 可视化代理的执行路径，以便调试复杂的多步推理
• • 实时查看：
• • 总时间和令牌使用量
• • 每轮推理
• • 工具调用轨迹

Agent策略开发简介

定义 Agent 策略涉及指定语言模型将如何：

1. 1. 处理用户查询
2. 2. 选择正确的工具
3. 3. 使用正确的参数运行这些工具
4. 4. 处理结果
5. 5. 决定何时完成任务

Dify提供了一个标准化开发工具包，其中包括策略配置组件库（例如模型选择器/工具编辑器）、结构化日志接口以及沙盒测试环境。

具体来说，策略定义涵盖了其身份和元数据、所需参数（模型、工具、查询等）、参数类型和约束以及源代码的位置。

代理的执行分为三个主要阶段：初始化、迭代循环和最终响应。在初始化阶段，系统设置所有必要的参数、工具和上下文。然后，在迭代循环中，系统根据当前上下文准备提示，并使用有关可用工具的信息调用 LLM。它解析 LLM 的响应，以确定是否需要工具调用，或者是否已经得出最终答案。如果需要工具调用，系统将执行该工具，并将其输出更新到上下文中。此循环会一直持续，直到任务完成或达到预设的迭代限制。最后，在最后一个阶段，系统返回最终答案或结果。

例如，一个 function_calling.yaml 文件可能如下所示：

parameters:
  -name:model
    type:model-selector
    scope:tool-call&llm
-name:tools
    type:array[tools]
-name:max_iterations
    type:number
    default:5
extra:
python:
    source: function_calling.py

采用于这种声明式架构，配置策略变得和填表一样简单，同时支持：

• • 动态参数验证（类型/范围/依赖关系）
• • 自动多语言标签渲染

详见https://docs.dify.ai/zh-hans/plugins/quick-start/develop-plugins/agent-strategy-plugin。

迭代计划

Dify计划进一步对Agent节点进行迭代，添加更多对开发人员友好的组件，例如：

• • 知识库集成
• • Chatflow 中的内存支持
• • 错误处理和重试
• • 更多官方 Agent 策略