Dify实战：三种方式搭建AI素养助教Chatbot

在AI应用开发领域，如何让教师和学生快速理解并运用AI素养（AI Literacy），是许多教育团队正在探索的课题。B站UP主Peter孙大圣在近期一场面向杭州教学团队的培训中，以Dify平台为例，演示了三种创建AI素养助教Chatbot的路径——从完全手工搭建节点，到AI辅助生成工作流，再到纯自然语言对话式创建Agent。这三种方式分别对应不同技术背景的使用者，也折射出智能体搭建工具正在从“可视化编排”向“自然语言编程”演进。

为什么选择Dify：可控与安全是核心优势

培训开场，Peter提到了一个行业背景：字节跳动近期下架了其Coze平台（原文称“COS平台”），这一消息在智能体工作流搭建圈内引发了不少讨论。面对“平台没了，培训还要不要继续”的疑问，他的老板给出了一个关键判断——“我们建的是能力，不是平台”。

这句话点出了Dify在此次培训中的定位。Peter的团队使用的是Dify本地部署版本，部署在学校内部服务器上，所有数据和安全可控，并且接入了单点认证SSO，只有内部师生可以登录使用。与豆包等公有云产品相比，这种私有化部署带来的权限控制和数据安全，正是教育场景最看重的差异点。

Dify工作区内置了模型配置，使用者无需过多关注底层模型参数。界面分为Home（已有Chatbot列表）、Studio（编排区域）、Agent（对话式智能体）、Knowledge（知识库）、Skill Integration和Marketplace（模板市场）等模块。知识库功能允许将校内文档作为大模型的信息补充，这是通用聊天模型无法提供的企业内部支持。

方式一：手工搭建Chatflow，从零控制每个节点

在Studio中点击Create，有三种创建方式：从空白开始、使用模板、导入文件。培训演示选择了从空白创建Chatflow，命名为“AI Literacy Tutor”，并配上图标和描述。系统默认生成三个节点：用户输入、大模型、结果输出。

但默认配置只是一个通用Chatbot，缺乏针对性。Peter将Agent比作新员工——必须给出岗位描述（System Prompt），否则它只会泛泛而谈。他从Notion中复制了一段预设的AI Tutor Prompt粘贴到System栏，其中包含“你是一个友好的AI素养导师，帮助师生理解AI”“用学习者的语言回答”等指令。完成这一步后，一个基础的Chatbot已经可用，通过Preview即可测试问答效果。

加入知识库：让回答基于校内资料

基础Chatbot的知识来源仅限大模型本身。若要让它引用学校内部材料，需要引入Knowledge Retrieval节点。Peter先进入Knowledge模块创建空白知识库文件夹，上传PDF文件，在检索设置中将默认的Vector Search改为Hybrid Search（原文称“harbor search”），然后保存并处理文档，等待系统完成切分和索引。

回到Studio，在Start节点与LLM节点之间插入Knowledge Retrieval节点，选中刚建好的知识库，再更新System Prompt，明确要求“以提供的知识库内容为主要参考”，并将Context变量加入提示词。这样，模型回答前会先检索知识库，并在答案中给出引用来源。

Hybrid Search（混合检索）结合了向量检索（Vector Search）和关键词检索（Keyword Search）两种方式。向量检索基于语义相似度，能理解“AI素养”和“人工智能素质”是相近概念，但可能遗漏专有名词；关键词检索基于字面匹配，对精确术语和缩写更敏感，但无法处理同义表达。混合检索将两者结果融合排序，既保证语义召回，又提升专有名词的命中率。在教育场景中，校内文档常包含课程代码、特定术语，混合检索能显著改善检索质量，减少“答非所问”的情况。

发布与权限管理

完成配置后，点击Publish发布到内部服务器。在Access Point中可以选择分享范围：指定成员、平台内所有成员、外部认证用户（如学生用邮箱登录），或“任何拥有链接的人”——Peter特别提醒最后一种方式存在隐私风险，应谨慎使用。此外，Features中可开启对话开场白、引导性问题、敏感词过滤等体验优化项。Logs功能则能监控使用人数和对话记录，便于教学管理。

System Prompt（系统提示词）是大语言模型对话开始前收到的预设指令，用于定义AI的角色、语气、回答边界和行为准则。它不同于用户每轮输入的内容，而是作为“背景设定”持续影响模型的输出风格。在本例中，System Prompt告知模型“你是一个友好的AI素养导师”，相当于为新员工提供岗位说明书。缺乏System Prompt时，模型只能依赖通用训练数据作答，容易偏离教育场景所需的专业性和亲和力。精心设计的System Prompt还能约束模型不回答无关问题，降低幻觉风险。

方式二：AI辅助生成工作流，一句话搭出节点

如果觉得手动拖拽节点太繁琐，可以使用Studio中的快捷生成功能。输入类似“build an ai literacy teacher system with knowledge database”的自然语言描述，点击Generate，系统会自动生成包含知识库检索的四个节点。但Peter强调，生成后仍需手动检查知识库是否正确挂载、Context变量是否接入提示词——AI辅助降低了搭建门槛，但关键配置仍需人工确认。

Context变量是工作流中传递检索结果的关键机制。Knowledge Retrieval节点从知识库中检索到的文档片段，需要以变量的形式传递给LLM节点，模型才能基于这些内容生成回答。如果Context变量未正确接入提示词，模型将无法“看到”检索结果，知识库形同虚设。这也是AI辅助生成后必须人工检查的核心原因——自动生成的节点连接可能遗漏变量绑定，导致回答不引用校内资料。理解变量传递逻辑，是判断工作流是否真正生效的基础。

方式三：Agent模式，纯对话创建黑盒智能体

Dify新推出的Agent功能提供了第三种路径。创建空白Agent后，界面左侧是配置区，右侧是聊天框，提示“Build your agent by chatting”。Peter将模型切换为5.4版本（原文提到5.4的token能力更强），然后直接把之前准备好的Prompt粘贴到对话中，Agent便开始自动构建。

这种方式下，用户看不到内部节点，相当于一个黑盒，只能看到最终结果。Peter现场还尝试上传PDF作为知识库文件，并让Agent读取某个网站信息作为补充资料，Agent均能自动处理，确认后点击Apply即可生成。整个过程对小白用户更加直观，但代价是失去了对每个节点的精细控制。

三种方式如何选择：共存而非替代

Peter在总结时没有给出唯一答案。手工搭建适合需要深入理解每一步逻辑的用户，AI辅助生成适合希望快速起步的同事，Agent对话模式则对零基础用户最友好。三种方式可以共存，取决于使用者当前的需求和技能水平。

从更宏观的视角看，Dify的能力演进方向值得注意：从最初强调本地化、可视化的Agent编排，到如今支持自然语言直接生成Agent，工具正在降低AI应用开发的门槛。但正如培训开场那句话所暗示的——工具会变，平台会下架，真正沉淀下来的是使用者对AI基础知识的理解和把需求拆解为可执行流程的能力。在token成本日益成为考量的当下，懂底层逻辑的人能用更少的投入获得更高的产出比，这或许比学会某一个具体工具更为重要。

本文基于B站UP主Peter孙大圣的培训视频整理，观点与数据均来自原始内容。

Token是大语言模型处理文本的基本单位，一个中文字约对应1-2个token，英文单词约对应1-3个token。模型的上下文窗口和计费均以token计量。在Agent模式中，对话历史、系统提示、知识库检索结果都会消耗token，对话越长成本越高。理解token机制有助于优化提示词长度、控制检索片段数量，从而在效果和成本之间取得平衡。对于教育场景的大规模师生使用，token成本会直接影响可持续性，这也是“懂底层逻辑能用更少投入获得更高产出比”的技术依据。