Dify 中级实验（07）：子工作流——如何把公共逻辑做成可复用积木？

Dify 中级实验（07）：子工作流——如何把公共逻辑做成可复用积木？

Dify 实验系列 · 中级 07/20 | 实验编号：DIFY-102-08

上篇：Dify 中级实验（06）：变量聚合——如何确定性合并多路分支结果？

1. 实验目的

掌握 子工作流（Sub-workflow） 的模块化设计：把「情绪分析」这类公共逻辑抽成独立工作流，一处定义、多处调用。理解 Dify 1.16 的真实实现方式——发布子工作流为工具（Workflow as Tool），以及接口即契约、修改即时性、禁止循环调用等设计原则。

适合场景：多个业务线共用同一能力（情绪分析、文本清洗、格式化输出）、复杂系统的分层设计。

2. 场景设计

客服系统、产品调研、舆情监控三条业务线都需要「客户情绪分析」。把情绪分析做成子工作流，两个主工作流消费它：

• 子工作流「情绪分析引擎」：输入 text/language → LLM 分析 → 参数提取器输出结构化字段（sentiment/score/confidence/keywords/brief/urgency）；
• 主工作流 1「客服情绪看板」：单条消息 → 调子工作流 → 按 urgency 分支（high 安抚 / 其他正常回复）；
• 主工作流 2「批量反馈分析」：JSON 反馈列表 → 迭代内逐条调子工作流 → 汇总情绪分布。

3. 节点拓扑

子工作流：情绪分析引擎
开始（text / language）→ 情绪分析（LLM）→ 提取结构化字段（PE）→ 结束
（输出：sentiment / score / confidence / keywords / brief / urgency）

主工作流 1：客服情绪看板
开始（customer_message / agent_name）
→ 调用情绪分析引擎（Tool：provider_type workflow）
→ 解析情绪结果（Code：从 json 数组展平字段）
→ 紧急度分支（IF-ELSE）
├─ case_high → 高优安抚回复（LLM）→ 结束（高优）
└─ case_normal → 常规回复（LLM）→ 结束（常规）

主工作流 2：批量反馈分析
开始（feedback_list：JSON 数组）
→ 解析反馈列表（Code）
→ 逐条情绪分析（迭代：Tool + 解析 Code）
→ 汇总情绪分布（Code）→ 结束

4. 关键配置

4.1 子工作流：枚举字段必须给显式规则

LLM 输出的 JSON 里 urgency 是枚举字段——只写 low/medium/high 不给规则，LLM 会随意输出（实测负面投诉返回 low，下游分支全走错）：

prompt_template:
– id: p_sentiment
role: system
text: |
你是一个专业情绪分析师。分析以下文本的情感，输出 JSON 格式（不要 Markdown）：
文本：{{#start.text#}}
{
"sentiment": "positive/negative/neutral/mixed",
"score": 0.0 到 1.0 之间的浮点数,
"confidence": 0.0 到 1.0,
"keywords": ["关键词1", "关键词2", …],
"brief": "一句话情感总结",
"urgency": "low/medium/high"
}
紧急度规则：负面情绪/投诉/损坏/退款/愤怒类内容 → "high"；中性咨询类 → "medium"；正面/普通内容 → "low"
reasoning_format: separated

参数提取器 6 个参数（sentiment string / score number / confidence number / keywords array[string] / brief string / urgency string），reasoning_mode: function_call。

4.2 主工作流：发布子工作流为工具（核心）

Dify 1.16.1 没有 sub-workflow 节点类型（运行时报 No class mapping found for node type: sub-workflow），必须「发布为工具」后用 tool 节点调用：

– data:
provider_type: workflow
provider_name: dify102_08_01_情绪分析引擎
provider_id: 11e9699e–ffa8–448f–8278–e16799e5912a # 发布时的注册 ID，重发会变！
tool_name: dify102_08_01
tool_description: 情绪分析引擎（子工作流）——输入文本，输出结构化情绪字段
type: tool
title: 调用情绪分析引擎
tool_configurations: # ⚠️ 与 tool_parameters 双写同一份值（UI 权威格式）
text: {type: mixed, value: '{{#start.customer_message#}}'}
language: {type: mixed, value: 中文}
tool_parameters:
text: {type: mixed, value: '{{#start.customer_message#}}'}
language: {type: mixed, value: 中文}
paramSchemas:
– name: text
default: 示例：太棒了，五星好评 # default 决定 UI 面板显示值
required: true
type: string
id: tool_sentiment

4.3 输出不透传：必须解析展平

工具输出固定三件套 text（string）/files（array[file]）/json（array[object]）——子工作流 end 的自定义字段名不透传，下游直接引用 {{#tool.sentiment#}} 取不到。必须加代码节点从 json 数组提取：

def main(sent_json: list) –> dict:
import json
data = {}
if isinstance(sent_json, list):
for item in sent_json:
if isinstance(item, dict):
data.update(item)
return {
"sentiment": str(data.get("sentiment", "未知")),
"brief": str(data.get("brief", "无摘要")),
"urgency": str(data.get("urgency", "low")),
"score": str(data.get("score", "")),
"sentiment_json": json.dumps(data, ensure_ascii=False),
}

紧急度分支用字符串比较（is / is not）：

cases:
– case_id: case_high
conditions:
– comparison_operator: is
value: high
variable_selector: [cd_parse_sent, urgency]
varType: string
logical_operator: and
– case_id: case_normal
conditions:
– comparison_operator: is not
value: high
variable_selector: [cd_parse_sent, urgency]
varType: string
logical_operator: and

5. 运行验证

6. 采坑点

💡 什么时候该抽子工作流：同一逻辑出现在 ≥2 个流程、接口稳定、输入输出边界清晰。接口即契约——改子工作流输出结构，所有调用方都要跟着改，这是模块化的真实成本。

7. 实验文档及源码获取

• 实验文档（完整操作步骤）：DIFY-08：子工作流——搭积木式模块化设计.md
• 源码（可直接导入，先导子工作流再导主工作流）：
  • dify102_08_01_情绪分析引擎.yml
  • dify102_08_02_客服情绪看板.yml
  • dify102_08_03_批量反馈分析.yml

文章聚焦核心配置与采坑点；实验的完整分步操作（节点搭建/参数表/调试指引）见实验文档原文。

下一篇：Dify 中级实验（08）：代码节点进阶——如何用标准库处理文件与数据？