用 Dify 搭工作流,大多数人的操作是:打开网页 → 拖节点 → 连线 → 填参数 → 测试 → 导出备份。需求一变,再拖一遍。领导不满意,再改一遍。
我做了两个 Claude Code Skill——dify-workflow 和 dify-deploy,把这条链路压缩成一句话:用自然语言描述需求,自动生成工作流,直接部署到 Dify。不需要拖拽,不需要手动导入,需求变了改一句描述重新跑就行。
开源地址:github.com/jspi-fu/customized-skills
DSL 是什么?为什么自动生成比拖拽快?
Dify 的工作流本质上是一个 YAML 格式的配置文件,叫 DSL(Domain Specific Language,领域特定语言)。你在网页上拖拽节点、连线、填参数,背后都是在编辑这个 DSL 文件。
手动拖拽的问题是:你在跟一个可视化编辑器交互,每改一个参数都要点开节点面板、找到字段、填写、保存。而 自动生成 DSL,是让模型直接输出这个配置文件——省掉了所有点击操作。
但只生成 DSL 还不够。生成完了还得手动导入到 Dify,还是得开网页、点按钮。dify-deploy 补上了这一步:生成完直接调用 Dify 的 API 创建应用、导入配置、验证结果。一条龙走完,你拿到的是一个已经在 Dify 上跑起来的应用,不是一个躺在硬盘里的 YAML 文件。
dify-deployskill 中相应 Key 的配置教程已经发布在 CSDN:如何获取 dify-deploy skill 所需要的三个 key 值
不只是快速原型,复杂设计也能搞定
很多人对"AI 生成工作流"的预期是:只能做简单的线性流程,稍微复杂一点就搞不定。这两个 Skill 的设计目标不是这样——简单任务要快,复杂任务要准。
简单任务:模板直接套,几分钟出活
SKILL.md 内置了 4 个常用模板:Chatbot(聊天机器人)、RAG(知识库问答)、Agent(带工具调用的智能体)、Translation(翻译/文本转换)。
比如领导说"做个聊天机器人",直接套 Chatbot 模板——Start → LLM → Answer,三个节点,改一下模型名称和 prompt,几分钟生成完部署好。
下面这个会议总结工作流,需求用流程图方式描述,涉及参数提取、HTTP 搜索、随机抽取、LLM 生成、插件调用等多种节点类型,Skill 一次生成完成:
帮我生成 dify 应用,其主要流程如下:用户输入(日期+主题)→ 提取 date/content → Tavily 搜索(学习强国,advanced 深度,使用 Tavily 插件)→ 提取搜索结果内容 → 从固定列表(先填入8个假名字)中随机抽取 2 名同学 → LLM 生成报告(主题+搜索结果+学生姓名)→ Markdown 转 DOCX(使用 Markdown to Word 插件)→ 输出 DOCX 文件
需求明确,Skill 直接从节点路由表匹配类型、从 Schema 文档组装字段,不需要追问,同意设计稿后几分钟出结果。
这里我简单套了个前端,大家可以体验一下:meetsum.311factory.top/
复杂任务:逐节点查阅 Schema,精准组装
当需求复杂到一定程度——多分支、多模型、多…