メニュー
专为Dify工作流案例分享设计的公众号文章生成器,遵循小灰灰公众号写作规范,自动生成包含前言、工作流制作、总结的完整Dify案例文章,配有详细的节点配置、插件安装步骤、代码示例,并支持自动生成图片上传到腾讯云COS图床
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/wwwzhouhui/skills_collection --skill xiaohuihui-dify-tech-articleコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
SKILL.md を表示中
SOC 職業分類に基づく
| name | xiaohuihui-dify-tech-article |
| description | 专为Dify工作流案例分享设计的公众号文章生成器,遵循小灰灰公众号写作规范,自动生成包含前言、工作流制作、总结的完整Dify案例文章,配有详细的节点配置、插件安装步骤、代码示例,并支持自动生成图片上传到腾讯云COS图床 |
| version | 1.0.0 |
专业的 Dify 工作流案例分享创作助手,完全遵循小灰灰公众号的写作风格和 Dify 特色结构规范。
用小灰灰公众号风格写一篇 Dify [工作流功能] 的案例分享文章
帮我写一篇小灰灰风格的 Dify 案例文章:
- 功能: [工作流实现的功能]
- 涉及插件: [需要安装的插件]
- 核心节点: [主要使用的节点类型]
- 技术栈: [MCP、第三方API等]
生成 Dify 案例文章时,必须包含真实的图片,而非占位符。遵循以下工作流:
根据文章内容,规划需要的图片类型和数量:
✅ Dify 工作流必需图片类型:
❌ 需要实际操作的图片:
图片数量建议:
使用提供的 scripts/upload_to_cos.py 脚本上传图片。
前置要求: 在项目根目录创建 .env 文件,配置腾讯云 COS 信息:
# .env 文件内容
COS_SECRET_ID=your-secret-id
COS_SECRET_KEY=your-secret-key
COS_BUCKET=your-bucket-name
COS_REGION=your-region
上传命令:
# 基础上传(自动生成文件名)
python scripts/upload_to_cos.py /path/to/image.png
# 自定义文件名
python scripts/upload_to_cos.py /path/to/image.png --name workflow-20251122.png
# 静默模式(只输出 URL)
python scripts/upload_to_cos.py /path/to/image.png --quiet
上传成功后,在文章中使用返回的完整 COS URL:
image-YYYYMMDD-HHMMSS.extensionworkflow-20251122.png, plugin-install-20251122.png, node-config-20251122.png介绍相关技术概念或应用场景,说明其重要性。
示例:
RSS(Really Simple Syndication)是一种基于XML的网络内容分发格式,
主要用于将新闻、博客、论坛等频繁更新的内容以订阅的方式提供给用户。
它允许用户通过RSS阅读器在一个界面中跟踪多个网站的更新,
而无需手动访问每个网站。
描述用户痛点或需求,引出本文要解决的问题。
示例:
之前给大家做过一期文生视频的dify工作流的案例,
使用的是智普提供文生视频功能。
之前的这个文生视频效果一般般,用户体验不是太好。
有没有办法实现调用即梦AI实现文生视频功能,而且还免费呢?
引入本文的 Dify 工作流方案,展示效果图。
固定句式:
今天给大家带来一个基于dify工作流的[功能名称]。
下面大家看看一下工作流以及工作流生成[功能]的效果。
生成的效果如下:
那么这样的基于dify工作流的[功能]是如何制作的呢?话不多说,下面开始干活。
插件安装模板:
## [插件名称]安装
我们在dify的插件市场中查找名称"[插件名称]"
搜索到这个插件后,点击"安装"按钮完成插件的安装。
安装完成后,我们可以在已经安装的插件列表中查询到
## [插件名称]授权
插件安装完成后,我们打开[插件名称]点击"授权"按钮
这里[填写授权参数说明],我们点击保存就可以了
MCP Server 部署模板:
## MCP Server 部署
这个工作流核心是一个基于[mcp-server名称]的开源项目。
项目地址: https://github.com/xxx/xxx
我们要使用这个mcp-server功能,所以我们需要把这个项目部署起来。
目前这个项目比较完整支持docker和源码部署。
部署命令:
```bash
# Docker 部署
docker run -d \
--name mcp-server \
-p 8005:8005 \
image:latest
```
部署完成后,访问地址: http://your-server:8005/mcp
开始节点模板:
## 开始
我们首先在工作流平台上创建一个 chatflow/workflow。
创建完成后,我们就可以设置一下开始节点。
这个开始节点需要设置一个[参数名称],用于[参数用途]。
我们这里提供[选项列表]供用户选择。
上面我们就完成了开始节点的配置。
LLM节点模板:
## LLM大语言模型
大语言模型这块我们选择魔搭社区提供的免费[模型名称]模型。
关于这个模型大家可以在魔搭社区广场找到。
目前魔搭社区提供每天2000次的模型调用,个人测试使用基本上是够用了。
系统提示词内容如下:
```
你是一个[角色定义],用户输入[输入描述],
通过[处理方式]生成[输出描述]。
举例:
输入:[示例输入]
输出:[示例输出]
```
模型其他参数:
- 模型: [模型名称]
- 温度: 0.7
- 最大token: 2000
Agent节点模板:
## Agent策略
这个工作流用到Agent策略,如果dify平台上没有安装Agent策略插件的可以先安装一下。
我们可以在插件市场-Agent策略找到这个插件。
插件安装完成后,我们可以在已安装插件上查找到
Agent配置:
- 推理模型: [模型名称]
- MCP工具: [工具名称]
- 最大迭代: 5
代码执行节点模板:
## 代码执行
这个代码执行节点主要是通过代码的方式处理[处理内容]。
输入参数:
- arg1: [参数描述]
- arg2: [参数描述]
输出变量:
- result: [返回描述],返回类型是 string/object
中间处理的代码如下:
```python
import json
def main(arg1: str, arg2: str) -> dict:
# 处理逻辑
result = process_data(arg1, arg2)
return {
"result": result
}
```
HTTP请求节点模板:
## HTTP请求
这里我们需要一个HTTP请求,调用[API名称]接口。
请求配置:
- 方法: POST
- URL: https://api.example.com/v1/generate
- Headers:
```json
{
"Authorization": "Bearer {{auth_token}}",
"Content-Type": "application/json"
}
```
- Body:
```json
{
"prompt": "{{prompt}}",
"model": "gpt-4"
}
```
返回数据格式:
```json
{
"status": "success",
"data": {
"result": "生成的内容"
}
}
```
模板:
## 测试验证
配置完成后,我们点击"运行"按钮测试工作流。
输入测试内容:
[测试输入示例]
查看运行日志:
查看生成结果:
通过对比来看效果不错,基本达到预期。话不多说,是不是很简单?
标准模板 (必须严格遵守):
今天主要带大家了解并实现了基于Dify工作流的[功能全称]完整流程,
该工作流以"[核心技术1 + 核心技术2]"为核心,
结合[应用场景]需求,
通过[节点1]、[节点2]、[节点3]等关键节点,
配合[插件名称]插件和[工具名称]工具,
形成了一套从[起点]到[终点]的完整解决方案。
通过这套Dify工作流,[用户群体]能够高效实现[核心价值] ——
借助[具体操作](包括[步骤1]、[步骤2]、[步骤3]),
无需[传统障碍],
就能快速[核心功能](如本次演示的"[案例名称]")。
无论是[功能1]、[功能2],还是[功能3]、[功能4],
都能通过简单的节点配置完成,
极大[提升维度]。
在实际应用中,该工作流不仅[优势1],还[优势2],
适配性远优于[传统方案];
特别是通过[关键技术点],有效解决了[具体问题]的难题。
同时,工作流具备良好的扩展性 ——
小伙伴们可以基于此扩展更多[应用场景],
如[场景1]、[场景2]、[场景3]等,
进一步发挥Dify工作流在[领域1]、[领域2]等领域的应用价值。
感兴趣的小伙伴可以按照文中提供的步骤进行实践,
根据实际[需求类型]调整[可调整项]。
今天的分享就到这里结束了,我们下一篇文章见。
检查清单:
## 项目资源
**工作流DSL**:
提供工作流的DSL文件供下载导入。
**相关链接**:
- Dify官网: https://dify.ai
- 插件市场: https://marketplace.dify.ai
- 魔搭社区: https://modelscope.cn
**在线体验**:
如果提供了在线体验地址,可以添加。
**附件代码**:
网盘分享: dify-workflow.zip
链接: https://pan.baidu.com/s/xxx 提取码: abcd
#首发于魔搭研习社
工作流相关:
插件相关:
模型相关:
MCP相关:
必用词汇:
时效性标签:
必须使用真实的腾讯云 COS URL:
Dify 特色图片类型:
Python代码:
```python
import json
def main(arg1: str) -> dict:
# 处理逻辑
data = json.loads(arg1)
result = process(data)
return {"result": result}
```
系统提示词:
```
你是一个[角色],用户输入[内容],
生成[结果]。
举例:
输入:[示例]
输出:[示例]
```
HTTP请求:
```json
{
"method": "POST",
"url": "https://api.example.com",
"body": {
"prompt": "{{prompt}}"
}
}
```
工作流DSL:
```yaml
version: "1.0"
nodes:
- id: start
type: start
config:
variables:
- name: query
type: string
```
文本处理类:
图像处理类:
视频处理类:
数据处理类:
集成应用类:
MCP工具类:
自动触发关键词:
参考文档: