当前位置： 首页 > news >正文

Dify 1.15 人工介入功能详解：构建可控AI工作流实战指南

news 2026/7/5 12:26:51

在 AI 应用开发中，如何让模型在关键时刻“刹车”，并引入人类的专业判断，是提升应用可靠性与专业性的关键。Dify 作为领先的 LLM 应用开发平台，其“人工介入”功能正是为此而生。本文将深入解析 Dify 1.15 版本中人工介入功能的完整配置与实战应用，从核心概念到代码集成，手把手教你构建一个可控、可信的 AI 工作流。

本文适合正在使用或计划使用 Dify 构建企业级 AI 应用的开发者、产品经理和技术负责人。通过阅读，你将掌握如何配置审批节点、如何通过 API 与人工审核流程交互，以及如何将人工介入无缝融入你的业务逻辑，最终打造出人机协同的高效应用。

1. 人工介入：概念、价值与应用场景

在完全自动化的 AI 工作流中，模型可能会生成不准确、不恰当或不符合业务规则的内容。尤其是在金融风控、内容审核、法律咨询、医疗建议等高风险领域，纯粹的 AI 决策存在潜在风险。

人工介入，顾名思义，就是在 AI 工作流的特定环节，暂停自动化执行，将决策权或审核权交由人类处理。在 Dify 中，这通常体现为一个“审批”节点。当工作流执行到该节点时，流程会暂停，并生成一个待处理的任务，等待指定的人员或系统进行审核。审核通过后，工作流才会继续执行；若驳回，则流程可能终止或转向其他分支。

核心价值：

  1. 风险控制：在关键决策点设置人工审核，防止 AI 产生重大错误。
  2. 质量保证：利用人类的专业知识和经验，对 AI 的初步结果进行校验和优化。
  3. 合规性：满足某些行业法规要求，确保关键流程有“人”的参与和监督。
  4. 数据标注与迭代：人工审核的结果（通过/驳回及修改意见）可以反哺 AI 模型，用于后续的微调和优化。

典型应用场景：

  • 智能客服工单升级：当 AI 客服无法解决复杂问题时，自动转交人工客服。
  • 内容生成与审核：AI 生成营销文案、新闻稿后，需由编辑审核后才能发布。
  • 金融交易审批：AI 系统识别出可疑交易模式后，提交给风控专员进行最终裁定。
  • 代码审查助手：AI 生成代码片段后，需由资深工程师审核通过才能合并。
  • 法律文档初审：AI 提取合同关键条款后，由律师确认其准确性和完整性。

Dify 的工作流引擎将这一能力产品化，使得开发者无需从零构建复杂的任务队列和状态管理系统，通过可视化配置和简单的 API 调用即可实现。

2. 环境准备与版本说明

在开始实操前，请确保你的环境已就绪。

1. Dify 部署与版本

  • 部署方式：你可以使用 Dify 官方文档 推荐的 Docker Compose 或 Kubernetes 方式进行部署。本文假设你已有一个正在运行的 Dify 实例。
  • 核心版本：本文功能基于Dify 1.15及以上版本。部分较旧的版本可能功能不全或界面有差异。请通过 Dify 管理后台的“系统状态”或部署时指定的镜像标签确认版本。
  • 访问地址：确保你能通过浏览器访问 Dify 的控制台（通常为http://your-server-ip:3000）。

2. 账户与权限

  • 你需要一个 Dify 账户，并拥有创建应用和工作流的权限（通常是“所有者”或“编辑者”角色）。
  • 理解 Dify 中的“团队”和“成员”概念，因为人工介入的审批者通常指定为团队内的成员。

3. 测试工具准备

  • API 测试工具：推荐使用 Postman 或 Insomnia ，用于模拟前端调用工作流并处理人工介入任务。
  • 命令行工具：curl，用于快速测试 API。
  • Python 环境（可选）：如果你计划编写后端服务与 Dify 的“人工介入”回调 API 集成，需要准备 Python 3.8+ 环境及requests库。

项目结构示意（用于后端集成示例）：

dify-human-in-the-loop-demo/ ├── app.py # 主应用，模拟业务系统 ├── callback_server.py # 模拟人工审核后台服务 ├── requirements.txt # Python 依赖 └── README.md

3. 核心功能与配置拆解

Dify 的“人工介入”功能主要通过工作流中的“审批”节点来实现。我们需要深入理解这个节点的配置项。

3.1 审批节点详解

在工作流编辑器中，你可以从节点库中添加“审批”节点。其主要配置区域如下：

1. 审批人设置这是核心配置，决定由谁来进行审核。

  • 指定成员：从当前团队中选择一个或多个具体成员。任务会出现在他们的“待办”列表中。
  • 变量指定：更灵活的方式。你可以连接一个上游节点（如“知识库检索”或“LLM”节点）的输出变量，该变量应包含审批人的用户ID或邮箱。这使得审批人可以动态决定，例如，将技术问题分配给技术负责人，将财务问题分配给财务负责人。
    # 假设上游 LLM 节点根据问题类型，输出了一个审批人邮箱 { “reviewer_email”: “tech-lead@company.com” }
  • 角色指定（企业版）：可以指定具有特定“角色”的成员组，任务会分配给该角色下的任意成员。

2. 审批方式

  • 任一审批人通过：只要指定的任意一个审批人通过，流程即继续。
  • 全部审批人通过：需要所有指定的审批人都通过，流程才能继续。

3. 任务标题与描述

  • 标题：定义待办任务在审批列表中的显示标题。支持使用变量，如{{query}}（引用用户输入的问题）。
  • 描述：详细说明该任务需要审核的内容、背景或审核要点。同样支持变量，可以嵌入上游 AI 生成的完整内容供审核者参考。

4. 超时设置为防止任务被无限期挂起，可以设置超时时间。超时后，任务自动按预设规则（通过或驳回）处理，确保工作流不会阻塞。

5. 输出变量审批节点执行后，会产生输出变量，供下游节点使用。关键变量包括：

  • status: 审批结果，如approved（通过）、rejected（驳回）、pending（等待中）。
  • reason: 审批人填写的审批意见或理由。
  • approved_by: 审批人的信息。

3.2 工作流状态与人工介入生命周期

理解整个生命周期有助于调试和集成：

  1. 触发：用户通过 WebApp 或 API 触发一个启用了“审批”节点的工作流。
  2. 执行至审批节点：工作流引擎执行到“审批”节点时，会暂停当前流程的执行。
  3. 创建待办任务：在 Dify 后台的“待办”模块（或通过 API）生成一个任务，并通知指定的审批人。
  4. 人工处理：审批人在 Dify 控制台查看任务详情（包括输入、AI 中间结果等），并做出“通过”或“驳回”决定，可附上意见。
  5. 工作流恢复：一旦审批完成，工作流引擎会立即收到通知，并根据审批结果（status）决定后续路径。你可以通过“条件判断”节点来路由流程。
  6. 返回最终结果：工作流继续执行剩余节点，并将最终结果返回给初始的调用者。

4. 完整实战：构建一个带人工审核的智能内容生成应用

让我们构建一个实际的应用：一个 AI 文章大纲生成器。AI 先生成大纲，然后交由编辑审核，审核通过后，再让 AI 根据大纲撰写详细文章。

4.1 在 Dify 中创建工作流

步骤 1：创建应用与工作流

  1. 登录 Dify，点击“创建应用”，选择“工作流”类型，命名为“智能文章创作（带审核）”。
  2. 进入工作流编辑器。

步骤 2：编排工作流节点按顺序拖拽以下节点并连接：

  1. 开始节点：接收用户topic（文章主题）输入。
  2. LLM节点（命名为“生成大纲”）：
    • 模型：选择 GPT-4 或 Claude 等。
    • 系统提示词：你是一位资深编辑，请根据用户提供的主题，生成一份详细的文章大纲，包括引言、3-5个主要章节及其子要点、结论。
    • 连接开始节点的topic变量到用户输入问题。
    • 输出变量设为outline。
  3. 审批节点（命名为“编辑审核大纲”）：
    • 审批人：指定你团队中的一位成员（例如你自己）。
    • 审批方式：任一审批人通过。
    • 标题：审核文章大纲：{{topic}}
    • 描述：请审核以下由 AI 生成的文章大纲，检查其结构是否合理、要点是否全面。\n\n## 生成的大纲：\n{{outline}}
    • 输出变量：保持默认（status,reason等）。
  4. 条件判断节点（命名为“判断是否通过”）：
    • 条件设置：审批节点.status等于approved。
    • 这将创建两个分支：“是”分支和“否”分支。
  5. LLM节点（命名为“撰写文章”，放在“是”分支）：
    • 系统提示词：你是一位专业作家，请根据以下审核通过的文章大纲，撰写一篇完整、流畅的文章。
    • 用户输入问题：大纲：{{outline}}\n\n请基于此大纲撰写文章。
    • 输出变量设为article。
  6. 答案节点（命名为“返回文章”，连接“撰写文章”节点）：将article作为最终输出。
  7. 答案节点（命名为“返回驳回信息”，连接“否”分支）：返回一个固定提示，如“大纲未通过审核，原因：{{审批节点.reason}}。请修改主题或要求后重试。”。

最终工作流图应类似：开始 -> 生成大纲 -> 编辑审核大纲 -> 判断是否通过 -> (是) -> 撰写文章 -> 返回文章； (否) -> 返回驳回信息。

步骤 3：发布工作流点击右上角“发布”。发布后，记下生成的app_id和access_token（在应用概览页的 API 访问部分），后续 API 调用需要。

4.2 通过 API 触发工作流并处理人工介入

工作流发布后，可以通过 API 调用。当执行到审批节点时，流程会暂停。

1. 触发工作流（模拟用户请求）使用curl或 Postman 调用执行 API。

curl -X POST \ https://api.dify.ai/v1/workflows/run \ -H “Authorization: Bearer YOUR_ACCESS_TOKEN” \ -H “Content-Type: application/json” \ -d ‘{ “inputs”: { “topic”: “人工智能在医疗诊断中的应用与挑战” }, “response_mode”: “blocking”, // 或 “streaming” “user”: “user_123” // 标识终端用户 }’
  • YOUR_ACCESS_TOKEN：替换为你的应用访问令牌。
  • response_mode:blocking为同步阻塞，会一直等待直到工作流最终完成（包括人工介入时间），这可能超时。对于含人工介入的场景，更推荐使用streaming（流式）或通过task_id异步查询。

调用后，如果使用blocking模式，API 会挂起，直到审批完成或超时。在 Dify 后台的“待办”列表中，你会看到一个新任务。

2. 模拟审批人在 Dify 后台处理任务

  • 使用被指定为审批人的账户登录 Dify 控制台。
  • 点击左侧菜单的“待办”。
  • 找到标题为“审核文章大纲：人工智能在医疗诊断中的应用与挑战”的任务，点击进入。
  • 查看“描述”中 AI 生成的大纲。
  • 在底部，选择“通过”或“驳回”，并可以输入审批意见，例如“大纲结构良好，但请在‘挑战’部分增加数据隐私相关要点。”
  • 点击“提交”。

3. 获取工作流最终结果审批提交后，被挂起的工作流会继续执行。如果你使用streaming模式，客户端会收到后续的事件流。你也可以通过“任务ID”来查询最终状态和输出。

首先，从初始调用的响应中获取task_id（如果使用流式，它可能在事件中传递）。

# 查询任务结果 curl -X GET \ “https://api.dify.ai/v1/tasks/{task_id}” \ -H “Authorization: Bearer YOUR_ACCESS_TOKEN” \ -H “Content-Type: application/json”

响应会包含任务状态（success,failed,pending）和最终的outputs。

4.3 进阶：通过回调 API 与外部系统集成

上述流程依赖审批人登录 Dify 后台操作。在企业场景，你可能希望将审批任务集成到自有的 OA、钉钉或飞书等系统中。Dify 提供了Webhook支持。

原理：当工作流在审批节点暂停时，Dify 可以向一个你预设的 URL（Webhook）发送任务创建的通知。你的外部系统接收后，可以在自有界面展示任务并处理。处理完成后，再调用 Dify 的 API 来提交审批结果。

1. 在 Dify 中配置 Webhook（企业版功能）在工作流的“审批”节点配置中，或是在应用设置的“Webhook”部分，配置一个用于接收“任务创建”事件的 URL，例如https://your-company.com/api/dify/review-task。

2. 构建一个简单的回调服务器（Python Flask 示例）callback_server.py

from flask import Flask, request, jsonify import requests app = Flask(__name__) # Dify 会向这个端点发送任务创建事件 @app.route(‘/api/dify/review-task’, methods=[‘POST’]) def handle_review_task(): data = request.json event = data.get(‘event’) if event == ‘workflow.started’: # 工作流开始，可以记录日志 pass elif event == ‘workflow.node.awaiting’: # 关键事件：节点等待（即进入人工介入） task_id = data.get(‘task_id’) node_id = data.get(‘node_id’) workflow_run_id = data.get(‘workflow_run_id’) # 提取任务信息 task_info = { ‘task_id’: task_id, ‘run_id’: workflow_run_id, ‘node_id’: node_id, ‘title’: data.get(‘data’, {}).get(‘title’), ‘description’: data.get(‘data’, {}).get(‘description’), ‘app_id’: data.get(‘app_id’) } # TODO: 在这里将 task_info 存入你的数据库，并推送通知到你的OA系统 print(f“收到审核任务: {task_info}”) # 模拟在外部系统处理完成后，调用 Dify API 提交审批结果 # 这里为了演示，我们假设自动通过。实际应由人工在外部系统触发。 # submit_review_to_dify(task_id, ‘approved’, ‘外部系统自动通过’) return jsonify({‘status’: ‘success’}), 200 def submit_review_to_dify(task_id, action, reason): “”“调用 Dify API 提交审批结果”“” api_url = f“https://api.dify.ai/v1/workflows/tasks/{task_id}/approve” headers = { ‘Authorization’: ‘Bearer YOUR_DIFY_APP_ACCESS_TOKEN’, ‘Content-Type’: ‘application/json’ } payload = { ‘action’: action, # ‘approve’ 或 ‘reject’ ‘reason’: reason } response = requests.post(api_url, json=payload, headers=headers) return response.json() if __name__ == ‘__main__’: app.run(host=‘0.0.0.0’, port=5001, debug=True)

3. 外部系统调用 Dify API 提交审批当你的 OA 系统处理完任务后，需要调用 Dify 的特定 API 来继续工作流。

curl -X POST \ https://api.dify.ai/v1/workflows/tasks/{task_id}/approve \ -H “Authorization: Bearer YOUR_ACCESS_TOKEN” \ -H “Content-Type: application/json” \ -d ‘{ “action”: “approve”, // 或 “reject” “reason”: “内容符合标准，同意发布。” }’

此调用会直接驱动工作流从审批节点继续执行。

5. 常见问题与排查思路

在配置和使用人工介入功能时，你可能会遇到以下问题：

问题现象可能原因排查步骤与解决方案
工作流一直处于“运行中”，不结束。1. 审批节点无人处理，且未设置超时。
2. 使用了blocking模式调用 API，客户端在等待超时。		1. 检查 Dify 后台“待办”列表是否有对应任务。
2. 为审批节点设置合理的超时时间。
3. 调用 API 时使用streaming模式，并通过task_id异步查询结果。
审批人收不到任务通知。1. 审批人配置错误（成员不存在或未激活）。
2. 通知渠道未配置（如邮件、Slack）。		1. 在审批节点确认指定的成员邮箱或 ID 正确无误。
2. 在 Dify 管理后台的“团队设置”中检查并配置邮件/SMTP 或第三方消息集成。
Webhook 未触发。1. Webhook URL 配置错误或不可达。
2. 网络防火墙或安全组策略阻止。
3. 仅企业版支持。		1. 使用curl或 Postman 测试你的 Webhook 端点是否正常响应。
2. 检查 Dify 服务器到你的回调服务器的网络连通性。
3. 确认你的 Dify 版本是企业版。
条件判断节点无法正确路由。审批节点的输出变量名引用错误。1. 在工作流编辑器中，点击审批节点，确认其输出变量名称（默认为status,reason）。
2. 在条件判断节点中，使用{审批节点别名.status}的格式进行引用。例如，如果审批节点别名为review，则条件应为review.status等于approved。
API 调用返回“未授权”错误。1. Access Token 错误或已失效。
2. API 密钥权限不足。		1. 在 Dify 应用概览页重新复制正确的access_token。
2. 确认该密钥具有工作流执行的权限。

6. 最佳实践与工程建议

将人工介入有效融入生产级应用，需要考虑更多工程细节。

1. 审批人策略设计

  • 动态指派：尽量使用“变量指定”方式，根据工单类型、问题复杂度、值班表等业务逻辑动态计算审批人，实现灵活的负载均衡和专业化分工。
  • 备选审批人：在“指定成员”时，可以添加多位，并利用“任一审批人通过”规则，避免因单人缺席导致流程阻塞。
  • 审批链：对于重要决策，可以串联多个审批节点，实现多级审核（如初级审核->高级审核）。

2. 超时与降级策略

  • 设置合理超时：根据业务紧急程度设置审批超时时间（如2小时、24小时）。超时后的自动处理规则（通过或驳回）需与业务方共同确定。
  • 降级处理：在超时或审批系统异常时，可以考虑设计一个降级分支，例如将任务转给默认审批人，或由另一个 LLM 节点进行二次校验并记录日志，保证流程最终完成。

3. 上下文信息与审核体验

  • 提供充分上下文：在审批节点的“描述”中，不仅要放 AI 的产出，还应尽可能注入初始用户输入、上游处理的关键中间结果、知识库检索片段等，帮助审批人快速理解背景，做出准确判断。
  • 结构化输出：让上游 LLM 节点输出结构化的 JSON 数据，审批节点的描述模板可以更清晰地展示这些字段，提升可读性。

4. 安全与权限

  • 最小权限原则：审批人只能看到完成任务所必需的信息。避免在审批描述中泄露敏感数据。Dify 的工作流变量传递是可控的。
  • 审计日志：确保 Dify 的审计日志功能开启，记录下“谁、在什么时候、通过了/驳回了哪个任务、理由是什么”，满足合规要求。

5. 性能与可观测性

  • 异步处理：前端调用工作流时，尽量使用异步模式（response_mode: streaming或通过task_id轮询），避免 HTTP 长连接超时。
  • 监控告警：监控“待办”任务队列的长度和平均处理时间。如果积压过多或处理时间过长，应触发告警，通知管理员进行干预。
  • 数据闭环：将审批结果（尤其是驳回理由）收集起来，作为高质量数据，用于后续对提示词（Prompt）或微调模型的优化，持续提升 AI 的首次通过率。

6. 集成扩展

  • 与 IM 工具深度集成：除了使用 Dify 的官方插件（如飞书、钉钉），可以通过 Webhook 将审批任务直接推送至 IM 群聊或特定人员，并允许在聊天窗口中快速审批（通过点击按钮回调你的服务）。
  • 自定义审批面板：对于复杂的审批场景（如需要查看多个关联系统数据），可以利用 Dify 的 API 获取任务详情，并嵌入到你自有的业务系统中进行展示和操作，提供无缝的用户体验。

通过以上实践，你可以将 Dify 的人工介入功能从一个简单的“开关”，升级为驱动复杂业务人机协同的核心枢纽。记住，人工介入的目标不是取代 AI，而是让 AI 在确定的边界内更安全、更可靠地发挥价值。

http://www.jsqmd.com/news/1128152/

相关文章：

  • AI公式识别插件：提升论文写作效率的利器
  • 企业级洋州影院购票管理系统管理系统源码｜SpringBoot+Vue+MyBatis架构+MySQL数据库【完整版】
  • AI应用开发实战：从提示工程到推理优化的开源工具全景解析
  • Dify 1.15 人工介入功能实操：AI工作流人机协同配置指南
  • Python与OpenCV图像处理入门实战教程
  • AMD Ryzen处理器调试终极指南：免费开源硬件调优工具SMUDebugTool深度解析
  • 从ChatGPT到AI Agent：OpenAI合并背后的智能体开发实战指南
  • 3步解锁网盘高速下载：开源工具完全实战指南
  • 从阻尼比到动态响应：二阶系统时域性能的工程整定实战
  • PyTorch模型保存与加载的实践指南
  • 数据分析速成指南：Excel、SQL、Python、PowerBI核心技能实战路径
  • Python深度学习环境搭建与实战指南
  • 5个理由告诉你为什么Chatbox是构建AI工作流的终极桌面助手
  • CNN深度学习入门：从原理到实战项目详解
  • 从基因到蛋白：基于转录本编号批量获取氨基酸序列的实战指南
  • UCI 玻璃数据集多分类实战：Pandas 1.5 + Matplotlib 3.8 可视化与 9 个化学属性分析
  • 差分进化（DE）算法实战指南丨从原理到MATLAB代码实现
  • ICM-42688-P与STM32F207VGT6在工业自动化中的黄金组合应用
  • Python数据分析与可视化实战：从基础到商业应用
  • Slurm 调度 MATLAB R2023b 多节点并行：40核 parfor 任务实战与性能分析
  • WireMock与MockServer对比：API模拟工具选型指南
  • 如何快速掌握HunterPie：新手玩家的完整怪物猎人世界数据覆盖工具指南
  • ONNX模型推理性能优化实战指南
  • 【实战指南】利用华为MindSpore与MNIST数据集，从零构建你的首个手写数字识别模型
  • Spark MLlib ALS 实战：隐式反馈数据下的矩阵分解推荐系统构建
  • 从零到一：使用Labelme高效构建图像分割数据集
  • Faster R-CNN PyTorch 1.2 自定义数据集训练：VOC格式 20 类 mAP 80.36% 实战
  • 高效批量删除文档星号的7种方法
  • DXVK 3.0深度解析：Linux游戏性能突破40%的Direct3D转Vulkan技术实战指南
  • Si4731芯片与PIC18F86J16在便携式收音机设计中的应用