告别"屎山"代码：用Dify工作流编排，我只写了3行代码

当AI应用开发从"写代码"变成"搭积木"，效率提升的临界点就来了。

在过去的半年里，我使用Dify搭建了十几个AI应用，从简单的客服机器人到复杂的多Agent协作系统。我发现一个反直觉的事实：越复杂的业务逻辑，需要的代码反而越少。

Dify工作流的核心优势在于可视化编排，但这不意味着零代码。作为一个程序员，我深知完全依赖拖拽会导致"黑盒恐惧"。真正的秘诀是：用工作流处理逻辑流（Flow），用极少量代码处理数据粘合（Glue）。

本文将带你构建一个"智能周报生成器"工作流，并揭秘那仅有的3处必须写代码的地方。

一、为什么工作流能替代后端代码？

传统开发中，调用LLM需要写requests库、处理JSON解析、错误重试、Prompt模板拼接...这些重复性工作占据了我们70%的开发时间。

Dify工作流通过节点化解决了这个问题：

• LLM节点：封装了API调用与参数管理。
• 知识库检索节点：封装了RAG向量检索。
• 条件分支节点：替代了if/else逻辑。
• 迭代节点：替代了for循环。

我们需要做的，只是定义数据的流向（Inputs -> Process -> Outputs）。

二、实战案例：智能周报生成器

假设我们需要一个工作流：输入本周的零散工作记录（乱序文本），输出一份结构完整、语言得体的周报。

工作流节点路径： 开始 -> 代码清洗节点 -> LLM生成大纲 -> 代码解析节点 -> LLM扩写 -> 结束

第一处代码：数据预处理（清洗脏数据）

用户输入的文本可能包含"昨天、今天"等相对时间，或者包含无意义的语气词。我们不需要在Prompt里让LLM处理这些（浪费Token），用代码节点解决。

在代码清洗节点中，写入Python代码（Dify内置支持Python/JS）：

import re

def main(text: str) -> dict:
    # 1. 移除多余空行和特殊符号（仅保留中文、英文、数字、逗号句号）
    cleaned = re.sub(r'[^\u4e00-\u9fa5a-zA-Z0-9，。、\n]', '', text)
    # 2. 将"昨天"替换为具体日期（略过复杂逻辑，简单标记）
    cleaned = cleaned.replace("昨天", "【前日】")
    return {
        "clean_text": cleaned[:500]  # 截断防止超长
    }

为什么用代码？ 正则清洗比让LLM做快100倍，成本为0。

第二处代码：JSON结构化输出（强制格式）

当第一个LLM生成大纲后，我们需要提取其中的标题列表用于后续扩写。LLM经常抽风输出带Markdown标记的字符串，直接用json.loads会报错。此时在代码解析节点用防御性解析：

import json
import re

def main(llm_output: str) -> dict:
    # 尝试提取JSON块（Dify的LLM节点常返回带```json标记的内容）
    match = re.search(r'```json\s*(\{.*?\})\s*```', llm_output, re.DOTALL)
    if match:
        json_str = match.group(1)
    else:
        json_str = llm_output
    
    try:
        data = json.loads(json_str)
    except:
        # 降级方案：强行构造默认结构
        data = {"titles": ["项目进展", "问题与风险", "下周计划"]}
    
    # 确保返回的是纯列表，用于后续迭代节点
    return {
        "title_list": data.get("titles", [])
    }

第三处代码：Jinja2模板注入（动态上下文）

这是最容易被忽视但极其好用的地方。在Dify的LLM节点的Prompt编写框中，虽然支持{{变量}}，但如果涉及循环或条件判断，必须使用Jinja2模板（这也是代码）。

在最后一个"LLM扩写"节点中，我们需要针对每个标题生成详细内容，同时传入用户原始记录。在Prompt输入框中这样写：

你是一个专业的项目助理。请根据以下零散记录：
{{ clean_text }}

现在请针对大纲标题：**{{ current_title }}** 进行扩写。

要求（遵循以下Jinja逻辑）：
{% if loop.index == 1 %}
重点描述数据增长百分比。
{% elif loop.index == 2 %}
重点描述风险应对措施，如果没有风险则写"暂无显著风险"。
{% else %}
重点描述下季度的资源需求。
{% endif %}

请直接输出正文，不要带任何Markdown标记。

（注：在Dify的迭代节点中，loop.index是内置变量，这属于模板语法代码，是编排中必不可少的轻量级编码。）

三、低代码的核心心法

通过上述案例，你应该发现了：Dify工作流中的代码，是用来弥补"图形化节点"逻辑缝隙的。

• 什么时候写代码？ 当涉及复杂正则、日期计算、JSON容错处理、或者需要调用外部非标准API签名时。
• 什么时候不写代码？ 凡是涉及"理解意图、生成文本、分类总结"统统丢给LLM节点。

这套组合拳的效率有多高？ 这个"周报生成器"完整工作流搭建耗时仅12分钟。如果纯用Python + FastAPI + LangChain，至少需要半天调试Prompt解析逻辑。

四、写在最后

很多程序员对"低代码"嗤之以鼻，认为那是产品经理的玩具。但Dify工作流是个例外——它把编排权还给了开发者，同时把脏活累活留给了代码节点。

记住这个公式： 可靠的工作流 = 90%的图形化节点（稳定） + 10%的胶水代码（灵活）

下一步，你可以尝试在Dify中接入第三方APIs（比如飞书、钉钉），这时候只需要在"HTTP请求节点"配置参数，连requests.get的那行import都不用写了——因为Dify连这个都帮你封装好了。

赶紧去试试吧，把时间留给真正的业务逻辑，而不是API调试。