智能体开发实战（Dify）（微课版）课件 项目6、7智慧校园智能体赋能-Agent Skill开发与应用、智慧校园智能体深研-深度研究工作流开发

项目六

智慧校园智能体赋能--AgentSkill开发与应用项目背景与目标CONTENTS目录【教学目标】【项目背景】【项目目标】【项目分析】【教学目标】01技能目标（1）能够根据具体的校园业务需求（如失物招领），规划并设计合理的Agent规范。（2）能够将业务逻辑（如登记记录、信息匹配）标准化封装为AgentSkill。（3）能够编写精准的技能说明书，指导大模型准确判断调用时机。（4）能够在一个智能体应用中挂载专属技能，并通过系统提示词和多轮对话进行调度测试与调优。【教学目标】知识目标（1）掌握AgentSkill的核心概念及其与基础工具的本质区别。（2）理解智能体自主触发、提取参数并调度Skill的底层工作机制。（3）辨析AgentSkill与MCP协议在应用场景、架构层级与解决痛点上的差异。（4）熟悉AgentSkill的标准规范（Schema）与输入输出结构设计。（5）了解AgentSkill的常见分类及其在复杂业务场景中的定位。【教学目标】素养目标（1）培养“高内聚低耦合”的现代软件工程思维，体会模块化设计的架构之美。（2）树立在处理用户敏感信息时的数据安全与隐私保护意识。（3）践行“科技向善”的工程伦理，将前沿AI技术切实应用于解决师生校园生活中的真痛点、真需求。【教学目标】【项目背景】02在前期项目中，已经让智慧校园智能体掌握了基础的外部工具调用以及基于MCP协议的跨系统连接能力。然而在真实的校园应用中，师生面临的往往不是单一的API请求，而是带有特定业务背景的复合型任务。例如，“校园失物招领”不仅涉及物品信息的登记，还包括特征比对与联系人匹配。如果仅向大模型提供零散的底层接口，极易导致模型产生逻辑混乱或调用失败。为了解决这一问题，智能体架构引入了“AgentSkill（智能体技能）”的概念。Skill是将一组相关的业务逻辑、提示词指令和工具接口进行高度封装的“认知组件”。为智能体装配专属Skill，就如同为新员工开展特定岗位的业务培训，使其从“无所不知但难落实处”的闲聊机器人，真正蜕变为能独当一面的“校园生活大管家”。【项目背景】项目目标03本项目旨在通过开发一个内部闭环的“校园失物招领”专属技能，带领读者深入理解AgentSkill的标准化目录结构与开发范式。具体目标如下：1.掌握标准AgentSkill的文件组织规范。2.开发具备“检索与规则约束”双重特性的失物招领智能体，使其能够通过Python脚本检索模拟数据库，并严格参照内部知识库为用户提供合规的认领指引。3.实现基于模板的标准化结构输出，打造高内聚、低耦合、易维护的智能化校园服务产品。【项目目标】项目分析04开发并集成内部闭环版的“校园失物招领”AgentSkill，是一项深刻体现“业务逻辑与底层代码解耦”思想的工程实战。实施本项目需要突破以下3个关键难点：1.技能指令与边界界定如何通过主控系统提示词，明确告知大模型在何时调用搜索脚本，以及在何时查阅对应的静态规则文档。必须通过指令强制切断其“自由发挥”的可能，确保所有判断基于内部知识库。2.动态代码与静态规则的协同这是本案例的核心架构之美。数据检索交由确定性的Python脚本完成，而易变的业务规则（如领取地点、联系电话、物品分类规范）以Markdown静态文件形式存储。大模型需要具备联动这两种资源的能力—先用代码找物，再用文档定规则。3.响应格式的模板化约束为了提供统一且友好的用户体验，需对大模型加一些限制，让其使用预设的Markdown模板将检索结果与业务指引进行组装输出。【项目分析】知识准备6.1AgentSkill概述智能体技能（AgentSkill）是一种标准化的、具备可移植性与版本管理机制的资产包。它是智能体实现领域专业化的核心组件，通过将特定领域的专业知识、操作流程、执行脚本以及专家级最佳实践进行封装，赋予智能体执行高复杂度、垂直领域任务的能力。从架构角度看，智能体技能类似于为AI系统设计的“即插即用型插件”或“功能模块”。它通过解耦底层基础模型的通用能力与上层的具体任务逻辑，使得智能体能够在特定触发条件下，自主选择并精准调用相应的技能序列。【知识准备】AgentSkill的设计遵循了现代软件工程与人工智能交互的先进原则，其核心特性可归纳为以下4个维度。1.高度可移植性AgentSkill实现了底层平台与应用逻辑的深度解耦。通过遵循统一的AgentSkill标准协议，技能包不再局限于特定的智能体框架或专有平台。这种跨平台的兼容性确保了开发者编写的一次技能逻辑，可以无缝迁移至任何支持该标准的智能体环境中。这种特性有效地规避了“供应商锁定”风险，促进了人工智能技能在开源社区与商业生态中的自由流通与广泛复用。2.严密的版本控制机制在资源管理层面，智能体技能被定义为一种持久化的文件化资源。每一个技能包均支持在Git等主流版本控制系统中进行细粒度的追踪与管理。这意味着技能的每一次迭代、优化或修复都是可溯源、可审计的。在部署阶段，系统支持通过代码仓库链接直接进行安装与更新，这种“配置即代码”的模式极大地提升了技能在复杂生产环境中的协同开发效率与运维稳定性。6.1.1AgentSkill核心特性3.强大的可操作性与集成性智能体技能并非静态的知识库，而是具备动态执行能力的复合体。它深度集成了自动化脚本、结构化模板以及领域参考信息。（1）脚本执行：赋予智能体调用特定编程逻辑或API的能力。（2）模板引导：提供标准化的输出格式或任务框架。（3）参考信息：为智能体的决策提供高价值的上下文支撑。智能体通过其内置的工具链（Tools）对这些资源进行精准调度与操作，从而实现从“对话辅助”到“任务落地”的实质性跨越。4.渐进式资源加载策略为了应对大语言模型（LLM）有限的上下文窗口限制，智能体技能采用了渐进式加载机制。系统不会在初始化阶段一次性堆砌所有资源，而是根据任务执行的实时需求，动态、按需地加载相关的脚本或文档片段。这种惰性加载策略有效地优化了上下文空间的利用率，在降低计算token成本的同时，显著提升了智能体处理复杂、长程任务的响应效率与准确度。6.1.1AgentSkill核心特性在传统的大语言模型交互模式中，用户往往面临“上下文冗余”与“知识断层”的挑战。AgentSkill的出现，本质上是为了解决从“通用对话”向“工程化执行”跨越过程中的效能瓶颈。在实际业务场景中，开发者或用户在与智能体协作时，往往需要反复输入大量相同的背景信息。例如在研发场景中，每次要求智能体写代码前，必须重复强调公司的代码规范、API文档路径及版本控制要求。在业务决策场景中，每次分析数据都要对行业专有名词和内部评估维度进行前置定义。这种人工补充上下文的方式不仅效率低下，且极易因人为疏忽导致智能体在执行任务时出现指令偏差或信息遗漏。AgentSkill通过将碎片化的知识与流程封装为可调用的技能，智能体能够实现从“被动响应”到“主动赋能”的转变，智能体技能通过注入特定领域的知识库与逻辑模板，使智能体能够迅速具备专家级的判断力。这种专业化不仅是信息的堆砌，更是业务逻辑的深度内化。技能（Skill）实现了上下文的一次性构建与永久复用。通过将标准的SOP（标准作业程序）固化在技能包中，用户无需在对话框中反复输入背景信息。智能体在感知到特定任务指令时，会自动激活关联技能，实现“即插即用”，极大地提升了生产环境下的交互效率。6.1.2AgentSkill解决的问题智能体在调度与执行技能时，其底层逻辑并非简单的硬编码映射，而是依托于大语言模型的语义理解、推理规划以及工具调用机制。整个执行过程通常包含意图识别、参数提取与状态回传3个关键阶段。6.2智能体如何调用与执行AgentSkill在多技能并存的智能体系统中，首要环节是意图识别。每一个AgentSkill都配备有专属的技能说明书或元数据。当接收到用户的自然语言指令时，大模型会对指令进行语义解析，并与当前挂载的所有技能描述进行特征匹配。通过评估各个技能的功能边界与适用场景，智能体能够自主决策并路由至最匹配的技能组件。这种动态路由机制赋予了智能体处理跨领域复合任务的能力。6.2.1意图识别与技能路由在触发具体的底层脚本或业务逻辑之前，系统必须确保收集到该技能预设的必填参数。当用户输入的指令信息不完整时，智能体会触发“槽位填充”机制。在此机制下，智能体不会盲目生成虚假的参数以强行推进流程，而是主动挂起当前任务，基于技能配置中的参数定义，生成符合语境的反问语句，引导用户补充缺失的关键信息。只有当所有验证条件与参数均满足后，才会正式向后端技能模块发起执行请求。6.2.2缺省参数的自动追问机制6.2.3状态回传与动态解读AgentSkill的执行结果往往是结构化的数据（如JSON格式的数据库查询结果）或系统状态码。智能体在接收到这些底层回传数据后，会将其纳入当前的上下文窗口中。随后，大模型将遵循该技能预设的核心指令，对结构化数据进行动态解读，并根据具体的业务语境，将其转化为自然流畅、逻辑严密的自然语言回复或标准化的文本卡片呈现给用户。在典型的办公场景，用户请求进入后，智能体分析意图，将请求分发到4类办公Skill，包括查询信息、文档处理、任务管理、沟通协作。当单次Skill调用无法完成任务时（例如先查询本周日程，再据此生成周报），智能体会将上一轮结果注入下一轮查询，循环执行直到信息充分。无依赖的多个调用会并行发起。所有调用完成后，将结果整理为清晰的格式返回给用户。在构建复杂智能体应用时，AgentSkill与模型上下文协议（ModelContextProtocol,MCP）是两种常被提及但定位截然不同的技术规范。深刻理解两者的区别与协同模式，是进行智能体高阶架构设计的关键。6.3AgentSkill与MCP协议的对比与协同MCP本质上是一种标准化通信协议，其核心职责是解决“连接”问题。它如同计算机网络中的TCP/IP协议，致力于在智能体与外部异构数据源（如企业ERP系统、第三方云服务）之间搭建一条安全、双向的数据传输通道。AgentSkill则是一种业务逻辑组件，其核心职责是解决“认知与执行”问题。它如同操作系统中的独立应用程序，封装了针对特定场景的业务规则、操作指引与输出约束。Skill关注的是在获取数据之后，如何按照既定的领域知识去处理这些数据。两者在使用模式上也是有区别的。Skill模式是启用之前是将技能目录注入系统提示词（SystemPrompt），而MCP工具（Tool）是随每次调用作为参数发送，对于大模型来说，MCP模式下大模型获得一个新的数据源，相当于给员工一个新工具，而Skill模式下大模型获得一整套新的行为指南，相当于给员工一本操作手册。Skill模式提供大模型可运行的指令，大模型按照指令进行调用工具或脚本。MCP模式下智能体调用工具，工具返回结果数据，大模型基于这个数据进行回复。6.3.1定位维度的本质差异在实际的项目实践中，AgentSkill与MCP并非非此即彼的竞争关系，而是典型的包容与协同关系。一个高级的AgentSkill内部，完全可以通过MCP协议去调用外部的企业级数据。例如，在一个“员工报销审核技能”中，Skill负责定义报销的审批规则与合规性指令，而获取员工实际消费流水的动作，则由该Skill内部通过MCP协议向财务系统发起请求来完成。6.3.2典型协同方式为了保证智能体技能的高内聚、低耦合以及在不同平台间的可移植性，标准化的AgentSkill通常遵循严格的目录组织与文件规范。以一个典型的本地闭环型业务技能为例，其标准目录结构主要由核心指令（SKILL.md）、执行脚本（scripts）、参考目录（references）与模板资产（assets）4部分构成。6.4AgentSkill的标准结构与规范SKILL.md是整个技能包的中枢配置文件。它直接面向大语言模型，包含了系统提示词（SystemPrompt）、运行规则以及大模型在执行该技能时必须遵循的逻辑主线。该文件明确界定了技能的职责边界，规定了在何种条件下应当调用脚本，在何种场景下应当查阅参考文档，从而有效切断模型在特定业务场景下的“自由发散”。6.4.1核心指令域模块化设计的核心在于应对变化时的解耦。（1）脚本目录（“scripts/”）：存放确定性的执行逻辑，如基于Python的搜索算法、数据清洗脚本等。该部分专门负责动态的数据处理与逻辑运算，屏蔽了底层的实现复杂性。（2）参考目录（“references/”）：存放易于变动的静态业务规则与知识库文档（如Markdown格式的业务指引、地点映射表）。通过将代码与规则分离，当业务制度发生变更时，开发者无需干预底层执行代码，只需更新“references/”下的静态文本文件，智能体即可在下一次加载时掌握最新的业务规则。6.4.2动态代码与静态知识的解耦为了保证前端用户界面的统一性与业务规范性，Skill结构中通常设立资产目录，存放预设的响应模板（ResponseTemplate）或特定图标。通过引入Handlebars或Markdown等模板语言，剥夺大模型在最终排版上的过度自由，确保检索结果与业务指引能够以标准化、结构化的形式稳定输出。6.4.3资产与输出约束为了实现复杂任务的自动化，AgentSkill通常按照其在系统中所扮演的角色进行划分。这种分类方法不仅有助于模块化开发，也方便了技能的复用与组合。6.5AgentSkill的常见分类该类技能主要用于数据洞察与知识提取。其核心动作是执行只读（Read-only）操作，例如连接企业数据库查询特定用户的流水信息，或利用代码解释器分析一份财务报表并返回统计摘要。其侧重点在于对复杂、海量信息的高效提炼。6.5.1信息检索与分析型技能该类技能具备修改系统状态或产生副作用的能力，涉及真实的物理世界或数字系统的变更。典型的应用包括会议室资源的锁定与预约、发送审批邮件、重置系统权限等。由于涉及状态的不可逆变更，这类技能在设计时必须内置严格的权限校验机制与容错回滚策略。6.5.2流程控制与执行型技能本类技能不依赖外部网络API与实时在线数据库，而是将所需的轻量级处理脚本与静态业务规范完全打包在一起，形成一个独立的计算与推理闭环。其特点是零外部依赖、极高的数据安全性与极强的规则约束性。此类技能常被应用于合规性要求高、内部规章制度繁杂的业务场景中，确保系统输出百分之百符合既定的本地规则。6.5.3闭环规则与知识型技能项目实施CONTENTS目录任务6.1搭建失物招领业务逻辑与静态知识库任务6.2编写核心指令与响应模板任务6.3Dify中使用Skill任务6.1搭建失物招领业务逻辑与静态知识库01【任务描述】本任务旨在完成AgentSkill的底层文件目录初始化，并分别开发负责动态数据检索的Python脚本以及承载校园静态规章制度的参考文档。这是构建技能包数据处理能力与业务合规性的基础。任务6.1搭建失物招领业务逻辑与静态知识库【任务分析】在标准的内部闭环架构中，必须严格区分“可计算的逻辑”与“易变的规则”。失物数据的检索具有动态性，应由代码脚本处理。而“物品该去哪里领”“不同物品保留多长时间”等管理制度会随学校政策变化，应当以Markdown静态文本形式独立存储。这种分离设计使得后期维护时无需修改底层代码。任务6.1搭建失物招领业务逻辑与静态知识库【任务实现】1.初始化技能包目录结构在开发环境中，创建一个名为“campus-lost-found”的根目录，并在其中创建三个核心子文件夹，用于分类存放不同类型的资产。（1）新建“scripts/”目录：用于存放业务执行脚本。（2）新建“references/”目录：用于存放静态的业务手册与规则库。（3）新建“assets/”目录：用于存放格式化输出模板。2.编写动态检索脚本在“scripts/”目录下创建“search.py”。该脚本利用本地模拟数据库（MockDB）代替真实的后端系统，通过接收外部参数执行查询操作，并返回JSON格式的结果。任务6.1搭建失物招领业务逻辑与静态知识库importargparseimportjsonimportsys

#模拟校内失物数据库MOCK_DB=[{"id":1,"item":"蓝色水杯","location":"图书馆二楼自习室","time":"2026-03-28","status":"待认领"},{"id":2,"item":"学生证","owner":"张*华","location":"一号食堂","time":"2026-03-29","status":"已移交校警室"},{"id":3,"item":"iPhone15","location":"田径场看台","time":"2026-03-29","status":"待认领"}]

defmain():parser=argparse.ArgumentParser(description="CampusLost&FoundCLISearchTool")parser.add_argument("--query",type=str,required=True,help="搜索关键词")args=parser.parse_args()

query=args.query.lower()results=[itemforiteminMOCK_DBifqueryinitem["item"].lower()]

ifnotresults:print(json.dumps({"status":"error","message":"未找到相关记录"}))else:print(json.dumps({"status":"success","data":results},ensure_ascii=False))

if__name__=="__main__":main()3.编写参考手册在“references/”目录下建立两个Markdown文档，作为约束大模型回复内容的参考手册与标准。（1）创建“location_guide.md”（校内领取地点映射表），记录失物拾获区域与实际认领处的对应关系。（2）创建“category_rules.md”（物品分类指引），用于在用户试图登记新失物时，指导其按照学校的保管规范进行分类。任务6.1搭建失物招领业务逻辑与静态知识库#校园领取点速查

|拾获区域|对应认领/存放地点|联系电话(内线)||:---|:---|:---||图书馆/自习室|图书馆一楼服务台|8001||教学楼/实验室|该栋教学楼一楼值班室|8002||食堂/商业街|校园卡服务中心|8003||田径场/体育馆|体育器材室管理窗口|8004||宿舍区|各栋宿管阿姨办公室|8005||其他区域|校警务室(南门旁)|8999|#物品分类与有效期规范

1.**贵重物品(Category:Valuables)**-定义：手机、电脑、现金、首饰。

-规则：必须交由校警务室，保留时长180天。

2.**普通证件(Category:IDs)**-定义：学生证、校园卡、身份证。

-规则：校园卡交由服务中心，身份证交由校警务室。

3.**生活杂物(Category:Sundries)**-定义：水杯、雨伞、钥匙、书本。

-规则：就近交由值班室，保留时长30天，逾期清理。【任务小结】通过本任务，构建了包含执行代码与静态文本的底层资源库。这两种资源相互配合，为智能体提供了既能动态检索数据，又符合本地管理规范的双重能力保障。任务6.1搭建失物招领业务逻辑与静态知识库任务6.2编写核心指令与响应模板02【任务描述】仅有代码与数据并不能构成一个完整的技能。本任务将编写技能的中枢配置文件SKILL.md，明确大模型的行为边界；同时配置标准的响应模板response_template.md，以保障输出结果的规范化与一致性。任务6.2编写核心指令与响应模板【任务分析】在AgentSkill的架构设计中，单纯的代码脚本与静态文档仅提供了底层的数据处理能力与业务规则支撑，必须通过中枢配置文件与视图模板对其进行全局的调度与约束。本任务的核心在于编写SKILL.md文件与相应的输出模板文件。其中，SKILL.md作为整个技能包的元数据与控制中枢，旨在为大语言模型设定严格的认知与行为边界。通过编写精准的系统指令（SystemPrompt），能够有效屏蔽模型对外部不可控网络资源的访问，强制系统严格遵循“先执行本地检索代码，后比对内部静态规则”的闭环工作流。此外，鉴于大模型在生成自然语言时存在较强的发散性与随机性，必须借助预设的响应模板对最终输出结果的排版与逻辑结构进行硬性约束。这种“指令控流程、模板定格式”的工程设计，是保障系统在复杂业务场景下实现标准化、合规化输出的关键环节。任务6.2编写核心指令与响应模板【任务实现】1.编写SKILL.md在技能包根目录下创建SKILL.md文件。该文件不仅定义了技能的名称，更重要的是通过“系统提示词（SystemPrompt）”与“运行规则”设定了严格的安全与行为边界。2.配置响应模板在“assets/”目录下创建模板文件，采用占位符语法，确保无论检索到何种物品，最终返回给用户的界面风格始终保持统一。任务6.2编写核心指令与响应模板#SkillName:校园失物招领助手

##核心指令(SystemPrompt)你是一个校园助手。处理用户请求时，请遵循以下闭环逻辑：1.**搜索**：调用`scripts/search.py`检索模拟数据库中的物品。2.**引导**：如果找到物品，根据`references/location_guide.md`告诉用户去哪里领，不要编造地点。3.**分类**：在引导用户登记新物品时，参考`references/category_rules.md`进行规范化引导。

##运行规则-禁止调用任何外部API。-所有数据存储与规则判断均基于`scripts/`内的逻辑和`references/`下的文档。###检索反馈

{{#ifdata}}>**找到相关记录：**{{#eachdata}}-**物品**：{{item}}-**当前状态**：{{status}}-**建议前往**：{{lookup_locationlocation}}{{/each}}{{else}}>**抱歉**：目前库中没有匹配项，建议您填写详细描述进行登记。{{/if}}

---*注：请在工作时间内前往指定地点认领。【任务小结】本任务通过SKILL.md和响应模板的配置，原本零散的脚本与文档被凝练为一个具备自我约束能力的高内聚业务组件。这种设计实现了“零依赖、易维护、标准化”的工程优势。任务6.2编写核心指令与响应模板任务6.3Dify中使用Skill03【任务描述】完成AgentSkill的底层代码编写与配置后，需将其部署至智能体运行平台中以实现业务价值。本任务旨在演示如何将开发完成的campus-lost-found（校园失物招领）技能包作为插件安装至Dify平台，并完成必要的底层环境配置，最终通过编排对话工作流，验证该技能在真实交互环境下的闭环执行能力。任务6.3Dify中使用Skill【任务分析】在Dify平台中使用第三方插件“Skill_Agent”，涉及系统环境、插件加载与对话工作流编排三个层面的操作。首先，对于私有化部署的Dify实例，系统在处理技能包内嵌的静态文件（如“references/”下的规则文档与“assets/”下的模板）时，必须具备正确的文件路由地址，这需要修改底层环境变量；其次，技能包需通过标准化的插件机制或应用市场载入系统；最后，需在对话工作流中挂载该技能，通过完整的上下文链路测试其触发机制与输出标准。任务6.3Dify中使用Skill【任务实现】1.修改Dify中Docker环境变量采用Docker私有化部署的Dify平台，在安装包含文件资产的技能包之前，必须配置正确的文件访问基础路径，否则系统在运行时将无法抓取技能包内部的静态文件。（1）进入Dify部署服务的根目录下的docker目录，找到并打开.env环境配置文件。（2）在文件中查找“FILES_URL”配置项。将其值设定为当前Dify服务Docker容器下访问地址“http://api:5001”。（3）保存配置文件并通过命令“docker-composerestart”重启所有容器服务。任务6.3Dify中使用Skill2.在Dify市场中安装“Skill_Agent”插件（1）进入插件管理页面，切换至“探索Marketplace”页面，在搜索框中输入“Skill_Agent”，找到对应的插件。（2）单击“Skill_Agent”的安装按钮，进行插件安装，等待安装完成。任务6.3Dify中使用Skill3.构建对话工作流（1）进入“工作室”页面，新建对话工作流，命名为“项目6-校园失物招领助手”。（2）进入工作流编排页面，构建工作流，完整的对话工作流。（3）其中用户输入节点，增加字段名为“Type”，类型为string下拉框，增加两个选项值，一个为“技能管理”，一个为“Skill智能体”。任务6.3Dify中使用Skill（4）配置条件分支节点，增加2个分类条件，一个是用户输入变量“Type”值包含“技能管理”，另一个是用户输入变量“Type”值包含“Skill智能体”。（5）在条件分支节点中添加两个条件分支，第一个分支连接“Skill_Agent”插件的“技能管理”工具，另一个分支连接“Skill_Agent”插件的“Skill_Agent”工具。任务6.3Dify中使用Skill（6）“技能管理”节点配置用户输入“query”与Zip压缩包“files”，“SkillAGENT”节点配置用户输入“query”，大模型选择“qwq-plus”，其他为默认配置即可。（7）分别在“技能管理”与“Skill_Agent”节点后添加一个“直接回复”节点，回复内容配置为上一个节点的输出text。任务6.3Dify中使用Skill4.预览与测试（1）单击右上角的预览按钮，在“Type”选项中选择“技能管理”，在下方输入框中输入“查看技能”，单击提交按钮，可以看到由于目前尚未上传技能包，当前系统并无技能。（2）在“Type”选项中选择“技能管理”，在输入框中输入“新增技能”，同时上传技能压缩包“campus-lost-found.zip”，并提交，可以看到技能已经安装。（3）在“Type”选项中选择“Skill智能体”，在输入框中输入“你有什么技能”，并提交，可以看到智能体会自行查阅技能包，整理技能汇总信息。任务6.3Dify中使用Skill（4）在“Type”选项中选择“Skill智能体”，在输入框中输入“我的蓝色水杯找不到了”，并提交，可以看到智能体登记了并提示用户补充详细信息。（5）在“Type”选项中选择“Skill智能体”，在输入框中补充详细信息“丢失地点：图书馆丢失时间：2026-03-28”，并提交，可以看到智能体回复找到了失物信息。任务6.3Dify中使用Skill【任务小结】本任务完整展示了如何在Dify平台中配置、安装并挂载一个本地封装的AgentSkill。通过智能体的自然语言交互，验证了“内部数据检索”加“静态规章约束”闭环设计的工程可行性与业务价值。任务6.3Dify中使用Skill智能体技能（AgentSkill）的引入，标志着人工智能应用从无边界的自由生成向严谨的业务规则约束转变。在生成式人工智能技术的快速演进过程中，如何保障算法输出的准确性、可靠性与合规性，已成为数字生态建设的核心议题。国家出台的《生成式人工智能服务管理暂行办法》明确规定，提供生成式人工智能服务应当采取有效措施提高生成内容的准确性和可靠性。AgentSkill通过“核心指令”“本地脚本”“静态规则”的闭环架构，从技术底层有效遏制了大语言模型的“幻觉”与逻辑发散，确保了系统输出高度契合既定的业务规范，这正是落实生成式人工智能服务合规化、标准化管理的重要技术路径。在智慧校园等垂直领域的实际业务处理中，智能体系统不可避免地会接触并处理海量的运行数据，其中包含大量师生的个人隐私与系统内部敏感信息。例如在失物招领、场地借用等场景中，相关的身份标识、活动轨迹与联系方式等均属于受国家法律严格保护的数据资产。《中华人民共和国网络安全法》《中华人民共和国数据安全法》以及《中华人民共和国个人信息保护法》共同构成了我国在数字时代的安全法律屏障。这些法律法规确立了数据收集与处理的合法、正当、必要原则。将业务数据与核心判断逻辑封装在本地闭环的智能体技能包中，大幅降低了敏感信息向外部第三方广域网接口非必要暴露的风险，从系统架构设计的源头践行了数据最小化采集与安全保护的法律精神。【阅读拓展】THEEND谢谢项目七

智慧校园智能体深研--深度研究工作流开发项目背景与目标CONTENTS目录【教学目标】【项目背景】【项目目标】【项目分析】【教学目标】01技能目标（1）具备高级工作流编排能力，能够使用Dify等平台设计包含循环迭代、条件判断及参数提取的复杂工作流，解决非线性业务问题。（2）能够开发深度研究智能体，能够利用搜索工具与大语言模型（LLM）协同，构建具备自主上网检索、信息筛选与整合能力的深度研究应用。（3）熟练运用代码扩展功能,能够编写Python或JavaScript代码片段，在工作流中实现自定义的数据清洗、格式转换或数学运算功能。（4）掌握调试与优化技巧,能够运用断点调试、日志分析等手段，定位并修复复杂工作流中的逻辑错误，能够利用自我反思机制优化智能体的输出质量。【教学目标】（1）掌握复杂任务推理机制，深入理解思维链（ChainofThought,CoT）的原理及其在提升大语言模型逻辑推理能力中的作用，熟悉TOT（思维树）等主流智能体规划算法的运行逻辑。（2）理解高级工作流编排技术，掌握工作流中的迭代控制结构、条件分支判断及动态变量管理方法；理解代码扩展节点在处理复杂数据逻辑中的必要性。（3）认知深度研究架构，了解深度研究智能体的工作范式，包括多源信息检索、长文本综合处理及结构化报告生成的规范与流程。（4）熟悉人机协同模式，掌握异步任务处理架构在长耗时场景下的应用价值。【教学目标】素质目标（1）培养系统工程思维，在面对复杂任务时，养成拆解问题、模块化设计与流程化治理的系统工程意识。（2）树立严谨的逻辑思维，通过设计思维链与规划算法，锻炼逻辑推理的严密性与条理性，提升解决抽象问题的能力。（3）增强技术伦理意识，在深度研究与信息抓取过程中，自觉遵守网络爬虫协议与数据隐私保护规范，养成合法合规的开发习惯。（4）提升创新与协作精神，鼓励探索人机协同的新模式，激发利用AI技术解决实际问题的创新热情，并在项目实践中培养团队协作能力。【教学目标】【项目背景】随着智慧校园建设的不断深入，师生对人工智能应用的需求已从基础的单轮问答、简单的工具调用，逐渐升级为对复杂问题的深度挖掘、逻辑分析与综合研判。例如，在开展“特定学科前沿文献综述”、“校园节能减排方案可行性调研”或“跨学科交叉创新趋势分析”等开放性任务时，传统的基础智能体往往受限于单次生成能力的边界、知识更新的滞后性以及逻辑推理深度的不足，容易产生“幻觉”或给出缺乏深度、表面化的回答。为了应对此类需要多步规划、海量信息检索、复杂数据清洗及长文本生成的综合性任务，必须打破线性任务处理的局限。引入“深度研究（DeepResearch）”架构与高级工作流（Workflow）编排技术，赋予智能体自主拆解任务、迭代反思以及人机协同的能力，已成为当前复杂智能体应用演进的必然趋势。【项目背景】项目目标03本项目旨在综合运用大模型复杂推理机制与高级工作流编排技术，开发一款适用于智慧校园场景的“深度研究智能体”。通过本项目的实施，要求实现以下核心目标：1.构建具备自我反思与任务规划能力的认知架构，使智能体能够自主拆解复杂的调研需求。2.搭建包含循环迭代、条件分支与自定义代码扩展的高级工作流，实现对多源异构数据的高效处理与动态管理。3.深度集成互联网搜索引擎，规范信息检索、校验与融合的全流程，最终自动生成结构化、具有高参考价值的深度研究报告。4.设计并实现长耗时任务的异步处理架构，引入人机协同机制，在关键决策节点实现人机协同审查，保障研究成果的安全性与可靠性。【项目目标】项目分析04深度研究智能体的开发是一个高度综合的系统性工程，涉及认知架构设计、流程控制逻辑、信息处理机制与人机交互模式四个维度的技术深度整合。具体分析如下：1.认知架构层面（对应推理与规划机制）突破模型单次生成的推理瓶颈，需要引入思维链（CoT）与智能体规划算法（如ReAct等），使智能体在面对宏大课题时，能够进行任务拆解与自我反思。这是确保智能体在冗长的研究过程中不偏离主题、逻辑连贯的核心驱动力。2.流程控制层面（对应高级工作流编排）深度研究通常面临海量数据与多分支逻辑，基础的线性工作流无法胜任。必须运用高级编排技术，通过迭代控制结构（如循环节点）处理批量检索结果，并结合代码扩展能力（Python/JavaScript节点）与动态变量提取技术，实现定制化的数据格式转换与信息过滤。3.信息处理层面（对应深度研究架构）构建深度研究的闭环，关键在于连接广域网获取实时信息。需要设计针对搜索引擎工具的高级调用策略，实现多信源数据的交叉验证、信息去重与逻辑梳理，最终依托严格的提示词工程，输出符合学术或商业规范的深度研究报告。4.交互模式层面（对应异步与人机协同）与毫秒级响应的问答系统不同，深度研究往往需要数分钟甚至更长的执行时间。因此，系统必须采用异步处理架构，避免前端阻塞；同时，由于研究方向的开放性与结果的重要性，必须在工作流的关键节点引入人机协同设计，允许人类用户进行中期审核、方向纠偏或结果确认，实现机器算力与人类智慧的优势互补。【项目分析】知识准备在复杂任务场景中，智能体需要具备类似人类的“慢思考”能力，即在给出最终结果前，进行深度的逻辑推演、步骤规划与错误验证。本节将深入剖析思维链、规划算法及自我反思三大核心机制。7.1复杂任务推理与规划机制1.大语言模型的逻辑推理能力力边界大语言模型（LLM）的底层运行机制是基于统计概率的自回归文本生成（即预测下一个词）。这种机制在处理语言翻译、文本摘要等模式匹配任务时表现优异，但在面对多步骤数学计算、复杂逻辑推演或因果关系分析时，往往暴露出明显的局限性。由于缺乏显式的计算过程，模型试图一步跨越从“复杂问题”到“最终答案”的巨大语义鸿沟，极易导致逻辑断裂、信息遗漏或产生“幻觉”。这种现象被称为系统性推理缺陷，是限制大模型处理复杂任务的核心边界。2.CoT提示范式：中间推理步骤的生成机制为了突破上述能力边界，研究人员提出了思维链（ChainofThought，CoT）提示范式。CoT的核心逻辑在于强制模型在输出最终答案之前，先生成一段连贯的、结构化的中间推理过程。通过将隐式的思考过程显式化，大模型能够将一个复杂的庞大问题转化为一系列简单的、可线性求解的子问题。在生成每一步推理内容时，模型都可以将前一步的输出作为当前步的上下文依赖，从而大幅降低了逻辑偏误的概率。在深度研究任务中，CoT是智能体分析文献关联性、梳理研究脉络的基础。7.1.1思维链（ChainofThought,CoT）原理3.零样本（Zero-Shot）与少样本（Few-Shot）CoT的应用差异在实际开发中，触发思维链机制主要有以下2种方式：（1）零样本思维链（Zero-ShotCoT）无需提供任何推理示例，仅在提示词末尾附加一句特定的触发指令（例如最经典“请一步步进行逻辑推演”）。这种方式通用性极强，开发成本低，适用于通用领域的开放性问题。（2）少样本思维链（Few-ShotCoT）在系统提示词中，人为提供若干个包含“问题-推理过程-答案”的完整范例。模型通过上下文学习（In-ContextLearning）机制，精准模仿范例中的推理逻辑与输出格式。在特定垂直领域，如严格的学术文献分析、严谨的财务报表解读中，少样本思维链能够提供更稳定、格式更规范的推理表现。7.1.1思维链（ChainofThought,CoT）原理如果说思维链解决了“如何思考”的问题，那么规划算法则解决了“如何行动”的问题。规划算法赋予了智能体宏观的战略调度能力，使其能够在动态环境中管理多步任务。1.任务拆解策略：将复杂目标分解为可执行子任务面对一个宏观的深度研究课题，例如“撰写一份2025年新能源汽车固态电池技术趋势报告”，智能体无法一次性完成资料收集与撰写。此时，规划算法首先启动任务拆解（TaskDecomposition）机制。系统会将宏大的原始目标拆解为一棵多层级的任务树。例如，主任务被拆分为：获取基础概念、检索头部企业动态、查找最新学术论文、汇总数据、撰写摘要等子任务。任务拆解不仅降低了单次执行的复杂度，还为后续的并行计算、工具调度与节点重试提供了可操作的基本单元。2.TOT（TreeofThoughts）与GOT（GraphofThoughts）思维结构简述针对需要极高容错率与复杂探索空间的任务，学术界进一步演化出了非线性的高级思维结构：（1）TOT（思维树）：允许智能体在推理时探索多条不同的路径。智能体能够评估每条分支的有效性，若某条思路被证明无效（如搜索方向错误），算法支持执行回溯（Backtracking），退回上一节点并尝试新的分支。（2）GOT（思维图）：打破了树状结构的层级限制，允许将多条独立的思维路径进行合并（Synergy）与交叉验证。在深度研究中，这意味着智能体可以将独立检索到的技术数据与市场数据进行融合分析，形成网络化的综合认知。7.1.2智能体规划算法在长时间无人干预的深度研究流程中，错误的产生是不可避免的。自我反思机制赋予了智能体类似人类的“元认知（Meta-Cognition）”能力，使其能够进行结果核验与自我纠偏。1.结果评估：智能体对生成内容的自我审查自我反思机制通常引入“行动者-批评者（Actor-Critic）”架构。当“行动者”模型生成一份阶段性报告或检索总结后，“批评者”模型（或专门的评估节点）将对内容进行严格的打分与审查。评估的维度通常包括：（1）事实一致性：生成的论点是否有真实的检索数据作为支撑，是否存在模型幻觉。（2）任务对齐度：当前产出是否解答了原始任务拆解时的核心诉求。（3）规范性：格式、字数、引用规范是否符合预设要求。2.错误纠正：基于反馈的迭代优化流程若结果评估未通过，系统将触发错误纠正流程（Reflexion）。智能体会自动提取“批评者”的反馈意见，并将其作为新的上下文背景附加到下一轮的提示词中。基于这些反馈，智能体会重新规划搜索关键词、调整逻辑框架或重写文本段落。这种“生成-评估-反馈-修正”的闭环迭代，有效模拟了人类撰写深度报告时“起草-审阅-修改”的过程，大幅提升了最终输出的可靠性。7.1.3自我反思与修正机制（Self-Reflection）3.记忆与上下文管理在长程任务中的作用深度研究往往会产生数十次搜索与大量中间文本，极易突破大语言模型固有的上下文窗口（ContextWindow）长度限制。因此，自我反思机制必须依赖科学的记忆管理策略，主要包括2种记忆管理策略。（1）短期记忆（工作记忆）：仅保存当前子任务的即时推理步骤与最新观测数据，保证高频响应。（2）长期记忆管理：将完成评估的历史数据、关键事实或文档切片，通过向量化存储至外部数据库，或使用模型将其压缩为精简的摘要状态。通过记忆的动态加载与擦除，智能体不仅能在反思时精准调取历史经验，还能避免因上下文过载导致的推理能力下降或系统崩溃。7.1.3自我反思与修正机制（Self-Reflection）在深度研究等复杂业务场景中，智能体面对的不再是单一的线性问答，而是涉及多源数据获取、批量信息处理与非标准数据清洗的综合性系统工程。基础的链式工作流（如节点A连接节点B）已无法承载此类需求。因此，必须引入高级工作流编排技术，通过迭代控制、代码扩展与动态变量调度，赋予工作流图灵完备的逻辑表达能力，从而实现对复杂业务流程的精准刻画。7.2高级工作流编排技术深度研究通常需要处理批量数据，例如对搜索返回的数十个网页链接进行逐一摘要，或对长篇文献的多个段落进行分块翻译。迭代控制结构（即循环节点）是解决此类批量化处理任务的核心组件。1.循环逻辑在工作流中的定义与实现在Dify等工作流引擎中，迭代控制结构被封装为迭代节点。它接收一个数组（Array）类型的数据作为输入，例如从知识库检索到的多段文本列表，并在其内部嵌套一段子工作流。引擎会自动遍历输入数组，将数组中的每一个元素依次传入子工作流中执行，例如依次调用大模型进行总结，最终将每次执行的输出结果自动聚合为一个新的数组。这种机制使得工作流能够动态适应不同规模的数据量，避免了为固定数量的数据编写冗余的节点。2.列表处理模式：对数组数据的批量化操作迭代控制本质上是对经典编程范式中“Map（映射）”操作的可视化实现。在深度研究应用中，典型的列表处理模式包括：（1）批量搜索：输入包含多个研究关键词的数组，循环调用搜索引擎工具，输出包含所有检索结果的二维数组。（2）批量信息抽取：输入包含多篇长文本的数组，循环调用大模型节点进行关键信息提取，输出结构化的事实清单。这种模式极大地提升了工作流处理非结构化异构数据的吞吐能力。迭代节点配置界面，在迭代节点内部，可以配置大模型节点，配置输入变量为多个文档大纲，输出变量为大模型根据文档大纲编写每个章节内容。7.2.1迭代控制结构并发执行与顺序执行的效率对比在Dify中配置迭代节点时，开发者可以根据业务需求选择执行模式，包括2种执行模式。顺序执行：数组元素按照索引顺序逐一被处理。优势在于逻辑稳定、调试容易，且对有速率限制的第三方API非常友好。并发执行：系统同时调度多个线程并行处理数组中的元素。对于深度研究中常见的“多网页并发爬取”或“多文档并发总结”任务，开启并发模式可将整体耗时缩短数倍，是提升用户体验的关键手段。大语言模型在自然语言理解和生成方面表现卓越，但在处理确定性逻辑（如精确的数学计算、复杂的字符串解析、数据格式转换）时，极易产生偏差。代码执行节点的引入，有效弥补了这一短板。1.代码节点（CodeNode）的功能定位与应用场景Dify提供了内置的代码（Code）节点，允许开发者直接嵌入Python3或JavaScript/Node.js脚本。它是一个安全的沙箱环境，其核心定位是处理确定性、规则性极强的数据转换任务。在深度研究工作流中，代码节点常用于以下场景：（1）数据清洗：对搜索引擎返回的原始JSON数据进行解析，去除HTML标签、广告链接或无用字段。（2）格式转换：将大模型输出的非标准文本转换为严格的JSON对象，或将多个字符串拼接为Markdown报表格式。（3）数学运算：计算统计数据的平均值、增长率等指标。7.2.2代码扩展能力2.数据清洗与转换算法的Python/JavaScript实现在实际开发中，外部工具返回的数据往往包含大量冗余信息。通过在代码节点中编写清洗算法，可以实现数据的高效“瘦身”。例如，搜索工具返回的结果可能包含“title”“snippet”“link”“thumbnail”“rank”等多个字段。在Dify的代码节点中，可以编写代码7-1所示的Python代码，仅提取标题和摘要并重新组合。这段代码将复杂的对象数组转换为简洁的字符串列表，不仅减少了Token消耗，还降低了大模型处理时的噪声干扰。3.结构化数据的逻辑处理与校验代码节点的另一重要功能是对大模型的输出进行后置校验。尽管可以通过提示词约束大模型输出JSON格式，但在复杂任务中仍可能出现格式错误。在工作流中，将代码节点紧接在大模型节点之后，可编写代码尝试解析大模型的输出（如json.loads()）。若解析失败，代码节点可以返回特定的错误标识，触发工作流进入“重试”或“错误处理”分支。若解析成功，则验证关键字段的数据类型，确保只有合规的数据才能流向下一个节点。7.2.2代码扩展能力defmain(arg1:list)->dict:return{"result":[f"标题：{item.get('title')}\n摘要：{item.get('content')}"foriteminarg1ifitem.get('content')#过滤掉空内容

]}高级工作流本质上是一个基于数据流驱动的图结构。节点与节点之间的协同，依赖于动态变量在全局的高效传递与精准更新。1.复杂文本中的关键信息抽取技术在深度研究的入口端，用户输入的往往是一段冗长且意图模糊的自然语言。为了驱动后续的精准搜索，必须进行参数提取（ParameterExtraction）。Dify提供了“参数提取器”节点。它利用LLM的推理能力，自动从用户查询中识别并抽取出特定类型的实体结构，例如包括如下3个实体结构。（1）研究主题（String）：如“固态电池技术”。（2）时间范围（String）：如“2023年至2025年”。（3）目标格式（Enum）：如“简报”、“详细论文”或“表格”。这些被抽取的实体将转化为结构化变量，作为后续节点的输入参数。7.2.3参数提取与动态变量管理2.动态变量在多节点间的传递与更新机制在Dify的可视化编排界面中，变量管理遵循引用机制，具体包括如下2个。（1）上游传递：任何节点的输出都会自动注册为可被下游引用的变量。例如，我们在“搜索节点”中，可以直接通过“{{#context.query#}}”引用上游“参数提取节点”输出的查询词。（2）变量更新：在循环或复杂逻辑中，我们可以利用变量赋值器（VariableAssigner）节点。它允许用户定义一个可写的会话变量，并在工作流的不同阶段对其进行写入或追加操作。例如，在深度研究中，可以创建一个空的“report_content”变量，随着每轮搜索和总结的进行，不断将新的内容追加进去，最终形成完整的报告。7.2.3参数提取与动态变量管理3.上下文窗口的优化策略大语言模型具有严格的上下文长度限制。在深度研究场景下，数十个网页的全文若直接拼接传递，极易造成Token溢出或“中间信息丢失”。在Dify工作流中，变量管理必须结合优化策略，具体包括下面3个。（1）分块处理：对于长文档，先使用“文档分割”功能将其切分为多个片段（Chunks）。（2）中间摘要：在获取长文本后，不直接传递原文变量，而是立即接入一个大模型节点生成摘要，仅向下游传递精简后的摘要变量。（3）选择性引用：在配置大模型节点的提示词时，只引用必要的变量（如“{{#search_result_summary#}}”），而非将整个历史对话记录（即“{{#sys.query#}}”）全部填入，以节省Token并提高模型的注意力集中度。7.2.3参数提取与动态变量管理在传统的问答系统中，智能体通常仅进行单次的知识检索或工具调用，其输出受限于单次搜索的广度与模型自身的上下文窗口。而“深度研究（DeepResearch）”是一种更为高阶的智能体架构，旨在模拟人类研究员的治学过程：从模糊的命题出发，自主规划搜索方向，泛读大量文献，进行交叉比对，最终输出结构化的长篇综述报告。本节将结合Dify工作流框架，系统剖析深度研究架构的设计范式与核心技术。7.3深度研究（DeepResearch）架构设计深度研究的核心在于赋予智能体“主动探索”与“海量信息压缩”的能力，打破传统信息获取的被动性。1.主动搜索与被动检索的区别（1）被动检索（如基础RAG）：依赖于预先构建的本地知识库（向量数据库）。当用户提问时，系统在封闭的资料库中寻找相似片段。其局限性在于知识无法实时更新，且受限于本地数据的丰富度。（2）主动搜索（深度研究核心）：将整个广域网（或大型学术数据库）作为动态知识库。智能体能够根据任务需求，主动生成未知的搜索关键词，实时调用搜索引擎获取最新数据，并根据初步结果决定是否需要改变搜索策略进行“二次深挖”。7.3.1深度研究智能体的工作范式2.深度研究的标准流程在Dify工作流中，深度研究通常被编排为一条多阶段的流水线。包括如下4个步骤：（1）意图分析：接收用户的原始课题，利用大模型节点拆解研究子维度（如“技术原理”、“市场规模”、“主要竞品”）。（2）多源信息搜集：针对每个子维度生成多个独立的搜索关键词，并发调用外部搜索工具获取数十篇网页链接。（3）交叉验证：利用网页抓取工具读取正文，通过代码节点清洗冗余数据，并利用LLM比对不同来源的信息，剔除不可靠或过时的数据。（4）综合报告：将验证后的核心事实片段汇总，基于预设的提示词模板，生成长篇的最终研究报告。7.3.1深度研究智能体的工作范式3.Map-Reduce模式在长文本处理中的应用在深度研究中，智能体往往需要阅读数十万字的网络资料，这远超任何单一大模型的处理上限。此时需要引入分布式计算中的经典范式—Map-Reduce模式。（1）Map（映射/分而治之）：在Dify中，通过配置迭代节点，将长文本切片或多个网页的原始文本分别送入模型，要求模型针对每个切片提取出与课题相关的核心事实，即生成局部摘要。（2）Reduce（归约/汇总）：将所有局部摘要拼接成一个高密度的“事实清单”，再由最终的大模型节点统一阅读这份清单，撰写具有全局视角的最终报告。这种模式有效解决了长文本的“注意力分散”与“上下文溢出”问题。7.3.1深度研究智能体的工作范式7.3.2搜索引擎工具的高级应用互联网是深度研究的数据源泉。高质量的搜索结果直接决定了研究报告的深度与广度。1.搜索API的技术选型在开发深度研究智能体时，需根据具体业务场景选择合适的搜索接口集成到工作流的“工具节点”中。表中列出了常用的搜索引擎API技术选型。表6-1常见搜索引擎API对比表技术选型核心特点与工作原理适用场景在Dify中的集成方式Tavily搜索Tavily是一款专为大语言模型（LLM）与智能体原生设计的搜索引擎。自动执行多源搜索、网页抓取、去重与格式清洗，直接向大模型返回高信噪比、经过压缩的纯文本摘要或结构化数据。适合深度研究智能体的数据采集、RAG（检索增强生成）系统中的实时知识补充、全网行业竞品分析追踪，以及任何需要让大模型“连网阅读”长篇文献与新闻的自动化工作流。Dify平台已将其作为原生插件进行深度集成。开发者无需编写代码，只需在Tavily官方控制台申请专属的APIKey，随后在Dify的“工具（Tools）”管理面板中找到Tavily供应商并填入密钥完成鉴权。官方API直连（百度、搜狗等）稳定与合规：通过官方开发者平台申请的正式搜索接口（如百度搜索API）。数据完全合法合规，无被封禁风险。适合商业化运行、对系统稳定性与合法合规性要求极高的智慧校园或政企项目。国内中文检索精准度最高。需在官方平台完成企业认证并获取APIKey，在Dify中通过HTTP请求节点或自定义工具接入。WebScraper网页抓取深度与定制：不依赖搜索引擎API，而是利用无头浏览器或爬虫脚本，直接向目标垂直网站（如知网、特定高校官网、政务平台）发起请求并解析HTML。适合特定领域或深网（DeepWeb）数据的定向挖掘。能够突破官方API通常只返回摘要的限制，直接获取全文，但需应对反爬虫机制（如验证码）。可利用Dify内置的网页抓取工具，或集成JinaReader、Firecrawl等专为大模型优化的抓取服务，结合代码节点清洗数据。7.3.2搜索引擎工具的高级应用2.搜索查询优化关键词生成与多轮追问普通用户输入的课题通常较为宽泛，如“分析低空经济”。为了提高检索召回率，必须在搜索前置入“查询优化”节点。利用LLM将单一问题扩展为多个具象化的长尾关键词（例如：“低空经济政策补贴2024”、“低空经济eVTOL技术瓶颈”、“低空经济头部企业融资情况”）。此外，在高级架构中，智能体会基于第一轮检索的反馈，自动判断信息是否充分。若发现某一维度的信息缺失，会自动生成新的关键词进行多轮追问。3.网页内容抓取与解析技术传统搜索API通常只返回网页的标题和简短摘要，无法满足“深度”研究的需求。因此，必须结合网页抓取工具获取全文。在工作流中，可引入JinaReader、Firecrawl等专门为大模型优化的网页解析工具。这些工具能够将复杂的HTML页面（包含侧边栏、广告、弹窗）自动剥离，提取出纯粹的Markdown格式正文。获取正文后，再通过代码节点切除超长文本或无关字符，保障输入数据的信噪比。获取海量碎片化信息后，深度研究的最后一步是将“数据”转化为“知识”，这就要求智能体具备强大的信息综合与排版能力。1.多源信息的去重、融合与矛盾处理从不同网站抓取的信息往往存在大量重复，甚至在核心数据上相互矛盾（例如两家新闻网站对同一事件的报道数据不一致）。在Dify的综合生成节点中，需在系统提示词中设定严格的融合规则。例如，要求模型优先采纳官方网站或权威学术机构的数据；面对不可调和的矛盾数据时，不应盲目取平均值，而应在报告中如实列出多种说法及各自的信息来源，交由最终用户研判。2.引用溯源机制与真实性校验为了消除大模型的“幻觉”，深度研究报告必须具备严谨的可追溯性。在工作流的变量传递过程中，需始终将“事实内容”与其“来源URL”进行绑定。在最终生成报告时，提示词应强制模型采用学术界的引用规范，并在报告末尾自动生成带有超链接的“参考文献”列表。这不仅提升了报告的专业度，也便于用户进行二次真实性校验。7.3.3信息综合与报告生成规范3.结构化研究报告的生成标准与Markdown排版优秀的深度研究不仅在于内容详实，还在于排版的清晰度。在工作流的末端，需通过提示词模板规定报告的标准结构。（1）执行摘要：用最简练的语言概括核心结论。（2）研究背景与方法：说明本次研究搜索的核心维度与数据时间范围。（3）主体分析论述：要求模型使用多级标题、对比表格、加粗列表等格式对信息进行分块展示。（4）结论与展望：给出具有洞察力的总结。（5）参考资料库：列出所有引用的数据源链接。通过严格要求模型使用Markdown标记语言输出，系统能够确保生成的报告直接适配各种前端渲染组件或导出为标准PDF文档，完成从原始数据到最终价值交付的完整闭环。7.3.3信息综合与报告生成规范在“深度研究”等复杂业务场景中，智能体不仅需要处理庞大的数据量，还要进行多轮次的逻辑推理与外部工具调用。这类任务往往耗时数分钟甚至数小时，且结果的准确性直接影响业务决策。传统的“即问即答”模式已无法适用。因此，必须在系统架构层面引入异步处理机制，并在交互设计层面深度融入“人机协同”理念，实现机器算力与人类智慧的高效协同。7.4异步处理与人机协同长耗时任务对后端的计算资源与前端的用户体验都提出了严峻挑战，必须通过系统架构的升级来保障服务的稳定性。1.同步交互与异步任务的系统设计差异（1）同步交互：客户端发起请求后，必须持续等待服务器处理完毕并返回结果。这种模式适用于毫秒级响应的基础问答。但在深度研究中，极易因处理时间过长而触发HTTP请求超时，导致连接断开、任务失败。（2）异步任务：采用“非阻塞”设计。客户端提交任务后，服务器立即返回一个任务凭证，并在后台消息队列（如Redis、RabbitMQ）中默默执行计算。客户端随后可以通过轮询（Polling）或Webhook机制，凭任务凭证查询任务进度或接收完成通知。这种架构彻底解耦了请求与处理过程，保障了长耗时任务的可靠运行。对比了同步与异步系统架构，左侧为同步处理架构，右侧为异步处理架构。7.4.1长耗时任务的异步架构2.流式输出（Streaming）技术与状态反馈机制在异步架构下，为了避免用户在漫长的等待过程中产生“系统卡死”的错觉，必须建立完善的状态反馈机制。流式输出（Streaming）技术（如Server-SentEventsm，SSE）是解决这一问题的核心。服务器在后台执行深度研究时，并非等完整报告生成后才一次性返回，而是通过长连接持续向前端推送中间状态。例如，前端界面会依次显示“正在生成搜索关键词…”、“已抓取15篇网页文献…”、“正在进行交叉比对…”以及最终报告的逐字生成过程。这种“过程透明化”设计极大缓解了用户的等待焦虑。3.任务进度监控与断点续传 面对极其复杂的多步骤工作流，任务执行中断（如服务器重启、第三方API限流熔断）是常见风险。高健壮性的异步架构需要引入持久化的状态机机制。系统会将工作流的每一步执行结果（如步骤1的搜索结果、步骤2的网页正文）实时存入数据库。一旦任务意外中断，系统能够从数据库中读取最后一次成功的状态，实现“断点续传”，避免从头开始消耗不必要的算力与时间成本。7.4.1长耗时任务的异步架构尽管大语言模型的推理能力不断提升，但在面临关键数据核验、价值观对齐或重大业务决策时，完全自动化的智能体仍存在不可控风险。人机协同机制将人类专家作为工作流中的一个特殊“节点”接入系统，确保研究结果的准确性与安全性。1.关键决策点的用户介入机制深度研究工作流的设计阶段，开发者需要识别并设定“关键决策点”。当工作流运行至这些节点时，系统会自动挂起，等待人类用户的介入。常见的介入场景包括：（1）大纲确认：智能体在正式撰写万字长文前，先生成一份研究大纲。系统暂停，等待用户审查大纲结构，用户可修改二级标题或补充被遗漏的分析维度。（2）敏感信息拦截：在调用外部API发送企业内部数据前，系统暂停，要求人类审核即将发送的数据是否包含隐私泄露风险。7.4.2人机协同交互设计1.审批工作流（ReviewWorkflow）的设计实现人机介入需要一套规范的审批工作流机制。当智能体触发审批节点时，其状态将由“运行中”变更为“待审批”。在前端界面上，系统会为用户提供一个结构化的审批表单，包含三个核心操作：（1）批准：用户确认当前阶段成果无误，系统解除挂起，继续执行后续节点。（2）修改：用户直接对智能体生成的中间数据（如修改错误的搜索关键词）进行人工干预后，再提交继续运行。（3）驳回：用户认为当前方向完全错误，可附带修改意见将任务打回上一节点，要求智能体基于新的指导意见重新生成。2.智能体执行结果的人工确认与反馈闭环深度研究的最终报告生成后，并不意味着工作流的彻底结束。最后一步的人工确认是构建系统反馈闭环的关键。用户在阅读最终报告后，可对报告的质量进行结构化打分，或圈出存在“幻觉”的具体段落。系统会将这些人工修改记录作为高质量的监督信号存入向量数据库或日志系统。在未来的同类任务中，智能体能够通过上下文机制检索这些历史错误与人工修正方案，实现系统能力的持续自我进化。7.4.2人机协同交互设计项目实施CONTENTS目录任务7.1意图解析与研究路径规划任务7.2引入人机协同审批机制任务7.3批量数据检索与代码级深度清洗任务7.4交叉验证与结构化报告模板配置05任务7.5生成《人工智能对大学生学习生活的影响》研究报告任务7.1意图解析与研究路径规划01【任务描述】本任务旨在构建深度研究工作流的“入口”与“大脑”。针对用户输入的宏观、模糊的研究课题，要求通过Dify工作流编排技术，实现对初始意图的精准解析，提取核心实体与时间范围，并利用大语言模型的逻辑推理能力，将主课题自动拆解为多个具象化、可执行的子研究方向，最终输出一个标准化的搜索关键词数组，为后续的自动化全网检索提供精确的数据驱动参数。任务7.1意图解析与研究路径规划【任务分析】深度研究有别于基础问答，其核心难点在于如何将一个宽泛的问题转化为机器可执行的多步搜索指令。本任务涉及3个关键技术环节：1.数据接口定义需要搭建对话型工作流（Chatflow）框架，并定义全局输入变量，建立人机交互的入口。2.结构化参数提取长段的自然语言难以直接用于严谨的逻辑规划，需引入“参数提取节点”，利用模型能力剥离出“研究主体”与“时间跨度”等关键元数据。3.思维链与格式约束大语言模型在直接输出多个研究方向时容易发散。必须采用少样本思维链（Few-ShotCoT）提示词约束其思考路径，并强制大语言模型输出合法的JSON数组格式。这一步是确保工作流能够顺利进入后续“迭代（循环）节点”的先决条件。任务7.1意图解析与研究路径规划【任务实现】1.创建工作流应用与配置启动节点（1）创建应用登录Dify工作室（Studio），单击“创建空白应用”。在应用类型中选择“Chatflow”，即对话工作流，此模式支持后续引入人机交互审批环节，并将其命名为“项目7-深度研究智能体”。任务7.1意图解析与研究路径规划（2）进入编排画布进入工作流编排画布，选中系统默认生成的“开始（Start）”节点。（3）开始节点属性配置在节点右侧的属性配置面板中，添加自定义输入字段。设定变量名称为“research_topic”，表示研究课题，变量类型选择