手把手教你用 Dify 工作流搭建资讯推送应用

在本文中，我们将展示如何使用 Dify 的工作流来搭建一个资讯推送应用。

目标很明确：从 Hacker News 获取最新的文章资讯，经过梳理后，直接推送到飞书群里。通过这个过程，可以直观感受到 Dify 工作流的强大之处，以及自动化处理带来的便捷体验。

什么是工作流

在动手之前，我们先简单聊一下工作流这个概念。

工作流（Workflow）本质上是一系列有序的任务、活动或步骤，被设计出来就是为了完成特定的业务逻辑或工作流程。它描述了任务的先后顺序、执行条件、责任人以及其他相关信息，确保工作能按照既定的流程和规则顺利推进。通常，一个工作流程会涉及到多个参与者和系统之间的协调与交互。

通过将复杂任务拆解成一个个较小的子任务（也就是节点），工作流能有效降低系统复杂度，减少对提示词技术和模型推理能力的依赖。这不仅提升了 LLM 应用处理复杂任务的性能，也大大增强了系统的可解释性、稳定性和容错性。

使用到的节点类型

在实现过程中，我们会用到以下几种节点类型：

1. 开始节点
   ：配置程序启动时的初始参数。

2. HTTP 请求节点
   ：发送 HTTP 请求来抓取数据。

3. 迭代节点
   ：遍历数组，多次执行相同步骤。

4. 参数提取器节点
   ：处理和提取关键参数。

5. 模板节点
   ：借助 Jinja2 模板语言，灵活地进行数据转换、文本处理等操作。

6. LLM 节点
   ：调用大语言模型来处理自然语言。

7. 发送飞书消息节点
   ：将整理好的资讯推送到飞书群。

操作步骤

第一步：开始

通过开始节点，我们可以配置程序启动时的初始参数，比如 API Key、想要运营的类目等。这一步看似简单，却是整个流程的起点。接下来，我们就要开始抓取目标数据了。

第二步：HTTP 请求

以 Hacker News 为例，先找到获取文章列表的 API 地址：https://hacker-news.firebaseio.com/v0/beststories.json?print=pretty。

创建一个 HTTP 请求节点，配置好包括 URL、请求头、查询参数、请求体内容以及认证信息等。HTTP 请求的返回值包括响应体、状态码、响应头和文件等，这些变量在后续节点中都可以直接引用，非常方便。

配置完成后，先试着运行一下，看看效果。

请求成功，顺利拿到了文章列表的 IDs。一切顺利，接下来就需要遍历这些 IDs，逐一获取文章的详细信息。

第三步：迭代

迭代节点的作用就是对数组执行多次步骤，直到输出所有结果。它是处理重复性任务的利器，比如生成长篇文章、批量请求数据等场景都非常适用。我们把上一步得到的 IDs 输入到迭代器中即可。

不过，连接上迭代节点后，发现没有可用的变量。查一下文档会知道：

使用迭代的条件是确保输入值已经格式化为列表对象

在上一步列表请求的返回格式中，body 是一个 String。因此，我们需要对返回结果做一下处理，在迭代节点之前引入一个 参数提取器。

将列表返回的 body 作为入参，提取参数设置为数字数组 ids，并简单声明一下指令：

example:  
body: [1,2,3,4,5...500]  
返回 Array[Number], 并只保留10个

这样不仅能把参数转换提取出来，还能对参数进行预处理，比如限制结果数量。通过这种方式，确保连接到迭代节点时，能够得到格式化且符合要求的数组入参 ids。

在迭代节点中，我们能够获取到每一次遍历的元素，也就是每个文章的 id。接下来，我们可以对每个 id 做进一步处理，比如发送新的 HTTP 请求来获取文章的详细信息。

然后，我们添加好请求详情的 HTTP 节点，运行就能拿到详细信息了。吸取刚才的经验，留意一下迭代器输出的变量是 Array[String]。

接下来，我们要使用 LLM 节点对返回的结果进行整理总结。

第四步：LLM 节点

LLM 节点的作用就是调用大语言模型来回答问题或处理自然语言。

如果你是初次使用 Dify，在 LLM 节点选择模型之前，需要先在

系统设置—模型供应商

内提前完成模型配置。

新建一个 LLM 节点，链接到迭代中，并配置好我们的 prompt。但在输入 User 内容时，发现无法获取到文章详情——因为 LLM 节点不支持数组格式的入参，所以需要先将数组转换成文本。

查阅文档，发现可以使用 代码节点 或 模板节点 来完成转换。这里我们选择使用

：

这样一来，LLM 节点就能正常运行了。点击运行进行调试。

运行成功。

第五步：发送飞书消息

接下来，我们将整理好的资讯推送到飞书。添加节点 — 工具 — 发送飞书消息。

在飞书群中创建机器人后，获得 WEBHOOK 的 KEY，填入配置即可：

实现效果

再次运行，看一下最终效果：

至此，一个完整的“资讯获取 — 数据处理 — 推送到 IM”的 Dify 应用就搭建完成了。通过这个流程，我们亲身体验了 Dify 工作流的强大功能和便捷性。

总结

今天，我们手把手演示了如何使用 Dify 的工作流来搭建一个资讯推送应用。从配置初始参数开始，逐步通过 HTTP 请求获取数据，利用迭代节点处理数据，再借助 LLM 节点进行整理，最后将整理好的资讯推送到飞书。整个过程不仅展示了工作流的强大之处，也让我们感受到了自动化处理的便利。

当然，Dify 工作流的强大功能远不止于此。它还提供了更多的节点和功能，等待我们去探索和应用。后续我们会继续带来相关文章，和大家一起深入挖掘 Dify 工作流的更多可能性。