摘要：我们经常会用dify 来实现明确场景的agent或者工作流，但是一些复杂场景的时候我们就需要使用多agent架构，本文介绍了agent和workflow的区别以及在dify中如何实现多agent架构。

• Agent 与 Workflow：不可不知的差异
• 在 Workflow 中调用 Agent：关键的 Agent 节点
• dify中如何在chatflow中配置agent

01.Agent 与 Workflow：不可不知的差异

在深入探索 Dify 对多 Agent 架构的支持之前，我们先来明确一下 Agent 和 Workflow 这两个关键概念之间的区别，这有助于我们更好地理解后续的技术实现与应用。

Agent：自主智能的行动者

Agent，即智能体，是一种具备自主决策能力的智能实体，它通常基于 AI 技术，如机器学习、强化学习等得以实现。其核心特点十分显著：

动态决策：Agent 不依赖于固定的步骤和流程，而是根据实时感知到的环境信息进行推理和判断，进而做出动态的决策。例如在智能客服场景中，面对用户询问 “某款商品什么时候有货” ，智能客服 Agent 能快速分析问题，查询商品库存数据库，然后准确回复用户预计的到货时间。如果用户问题较为复杂，它还能根据对话情况，灵活转接至最合适的人工客服。

环境交互：可以与所处的环境进行交互，通过传感器等获取环境数据，同时通过执行器对环境产生影响。以自动驾驶汽车中的 Agent 为例，它通过摄像头、雷达等传感器感知路况、交通信号等环境信息，然后控制汽车的行驶速度、方向等，对环境做出反馈 。

目标导向：被赋予明确的目标，其所有的感知、决策和行动都是为了实现这些目标。比如，一个投资 Agent 的目标可能是在一定风险范围内实现投资收益最大化，它会实时分析市场数据，做出买卖决策以朝着目标前进。

Workflow：预定义任务序列的流程化管理

Workflow，也就是工作流，是指一系列按照预定义规则和顺序执行的任务或步骤，常用于描述业务流程或操作的结构化执行路径。其核心特点包括：

**固定流程：**任务的执行顺序和逻辑在设计阶段就已确定，具有明确的先后顺序和依赖关系。例如，在一个软件开发项目中，常见的工作流可能是 “需求分析 -> 设计 -> 编码 -> 测试 -> 部署”，每个阶段都有明确的输入和输出，并且必须在前一个阶段完成后才能进入下一个阶段。

规则驱动：依赖预设的规则和条件来决定任务的执行路径。这些规则可以是简单的条件判断，如 “如果订单金额大于 1000 元，则需要经理审批”，也可以是复杂的业务逻辑。通过规则引擎来判断和执行相应的流程分支。

可预测：由于流程和规则都是预先设定好的，所以工作流的执行结果具有较高的可预测性。只要输入条件确定，输出结果就是可预期的。这使得工作流在处理一些对准确性和稳定性要求较高的任务时具有明显优势，例如企业财务报销工作流，员工提交报销申请后，系统会按预设规则自动检查报销单据，流转审批，整个流程清晰规范，大大提高了财务报销的效率和准确性。

实际运行流程对比

Workflow 示例流程：

1、用户输入触发节点

2、判断参数是否合法（条件节点）

3、调用一个 Agent 节点（负责内容生成）

4、Agent 输出结果 → 传递给 HTTP 请求节点

5、发起 API 调用（如写入 CRM）

6、返回处理状态或结果给用户

Agent 执行流程：

1、读取用户输入 + 历史上下文

2、进入推理回合（ReAct / Tool Use）

3、判断是否调用工具 → 发起请求 → 接收响应

4、再次推理 + 输出答案

02.在 Workflow 中调用 Agent：关键的 Agent 节点

在 Dify 的多 Agent 架构中，通过 Workflow 调用 Agent 是实现复杂任务处理的重要方式，而其中的 Agent 节点则扮演着核心角色，它是连接 Workflow 与 Agent 的关键桥梁，让工作流具备了智能决策和灵活处理任务的能力。

Agent 节点的关键作用

Agent 节点在 Dify 的 Workflow 中具有举足轻重的作用。它通过集成不同的 Agent 推理策略，赋予大语言模型在运行时智能选择并执行工具的能力，从而实现多步推理 。这意味着，当工作流运行到 Agent 节点时，它不再按照预先设定的固定步骤执行，而是根据当前的任务需求和输入信息，动态地决定调用哪些工具以及如何使用这些工具来完成任务。

以一个智能写作助手为例，当用户输入 “帮我写一篇关于人工智能发展趋势的文章大纲” 时，Agent 节点接收到这个请求后，会根据预定义的推理策略，首先判断需要调用搜索引擎工具来获取最新的人工智能发展趋势相关信息，然后调用文本分析工具对这些信息进行整理和提炼，最后调用大纲生成工具，根据分析结果生成文章大纲。在这个过程中，Agent 节点就像是一个智能的指挥官，根据实际情况灵活地调配各种工具，以完成复杂的写作任务，极大地提高了工作流的灵活性和适应性。

什么时候用 Agent，什么时候用 Workflow？

理解差异只是第一步，选型才是落地关键。以下是根据不同业务目标推荐的选型建议：

业务目标	推荐机制	理由说明
构建 AI Copilot（例如企业内部助理）	✅ Agent	多轮推理 + 模型自主性强
接入数据/CRM/外部 API	✅ Workflow	节点清晰，变量流转稳定
智能问答 + 数据查找 + 输出格式化	✅ Agent + Workflow 联动	Agent 处理内容理解，Workflow 管控流程
条件逻辑复杂（多个条件分支）	✅ Workflow	拓扑结构更清晰，调试友好
用户输入触发后台任务链	✅ Workflow（主流程）+ Agent（推理节点）	组合最佳实践架构

推荐搭配方式：Agent 嵌入 Workflow（混合架构）

Agent和Wordflow，一个是大脑，一个是流程控制器。我们可以将 Dify 中的 Agent 和 Workflow 类比为：

类比角度	Workflow	Agent
角色	流程控制器	AI 决策大脑
能力	控制节点逻辑、条件流转	多轮语义推理、调用函数工具
开发者视角	可视化 + 明确路径	策略驱动，模糊但强大
运维难度	易测试、结构化	需追踪语义链路，依赖日志
推荐配合方式	主流程由 Workflow 驱动	子任务交给 Agent 智能处理

03.dify中如何在chatflow中配置agent

Dify的工作室中选择chatflow, 编排好一个对话流，然后引入agent组件。

如上图，配置了一个chatflow中调用agent的工作流，其中是通过添加agent工作节点来添加的。

添加的agent可以选择外部的工具和内部创建的工作流。

其中agent的策略可以选择官方的策略插件。

**Dify Agent策略插件提供了两种推理策略Function Calling和ReAct。****

*下面进行简单对比：Function**Calling将用户命令映射到特定的函数或工具。LLM 识别用户的意图，决定调用哪个函数，并提取所需的参数。这是一种直接调用外部能力的简单机制。*

**它的优点有：****

**精确**：直接调用适合定义任务的正确工具，避免复杂的推理。**

**易于外部集成：**将外部 API 和工具集成到可调用的函数中。**

**结构化输出：**提供结构化的Function Calling信息，便于处理。**

**ReAct（推理 + 行动）****

*ReAct 在LLM推理和采取行动之间交替进行。LLM分析当前状态和目标，选择并使用一个工具，然后利用工具的输出进行下一步的思考和行动。这个循环会一直重复，直到问题得到解决，它的优点有：*

**利用外部信息：**有效使用外部工具来收集模型单独无法处理的任务所需的信息。**

**可解释的推理：**推理和行动步骤交织在一起，允许一定程度上跟踪Agent 的过程。**

**广泛适用性：**适用于需要外部知识或特定行动的任务，例如问答、信息检索和任务执行。**

这里其实还个缺陷就是agent组件不能调用agent，这里只能调用外部工具和内部的工作流。

但是前提还是可以调用mcp服务。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】