Dify 工作流从零到一：3 步导入 40 多个免费 DSL 模板的实战指南-平芜编程栈

Dify 工作流从零到一：3 步导入 40 多个免费 DSL 模板的实战指南

【免费下载链接】Awesome-Dify-Workflow分享一些好用的 Dify DSL 工作流程，自用、学习两相宜。 Sharing some Dify workflows.项目地址: https://gitcode.com/GitHub_Trending/aw/Awesome-Dify-Workflow

搭 Dify 工作流最耗时间的部分，往往不是拖节点，而是从零设计流程结构。Awesome-Dify-Workflow 这个开源仓库直接解决了这个问题：作者把自己和社群里验证过的 40 多个 Dify 工作流做成了 DSL 文件（.yml），全部放在 DSL 目录下，基本可以免费使用。你不需要会写代码，也不需要自己连线，复制一个文件的地址导入 Dify，改一改提示词和模型，就能上线一个能跑的 AI 应用。这篇文章带你在 10 分钟内跑通第一个 Dify 工作流，并演示 3 个真实场景。

这个仓库里有什么

先花一分钟看看你能拿到什么，避免盲目下载。

仓库核心就是 DSL 目录下的一批.yml文件，每个文件对应一个完整的 Dify 工作流，覆盖 5 类常见需求：

工具类：MCP-amap.yml地图查询、搜索大师.yml联网搜索、chart_demo.yml图表渲染
翻译类：中译英.yml、全书翻译.yml、json_translate.yml等 5 个方案
内容创作类：标题党创作.yml、文章仿写-单图_多图自动搭配.yml
数据处理类：json-repair.yml修复大模型输出、File_read.yml沙箱读 CSV
聊天机器人：根据用户的意图进行回复.yml、记忆测试.yml

版本要求只有一条：请使用Dify 0.13.0 及以上版本导入，多任务并行、会话变量、表单、echart 渲染这些特性都已兼容；带Agent 节点的流程（如 MCP-amap）建议直接用最新的 Dify 1.0 版本。

3 步跑通第一个工作流

这一节给你完整的上手路径：环境 → 模型 → 导入，走完就能看到第一个 AI 应用跑起来。

第 1 步：准备 Dify 环境（约 5 分钟）

熟悉 Docker 的读者可以按官方教程做本地部署；想省事的话，直接用 Dify 官方云服务，免费版最多可以创建 5 个流程，够入门练习。

第 2 步：配置模型供应商

导入的模板默认指定了某个模型（比如gpt-4o-mini），你需要把它换成自己账号里有的模型。

下图是 Dify 的模型供应商配置页，在这里填入你自己的 API-KEY：

图：Dify 模型供应商配置界面，添加并启用你的模型服务

第 3 步：导入 DSL 文件

打开 DSL 目录找到想要的文件，点右上角的Copy Link Address复制文件的直链地址，回到 Dify 选「导入 DSL」，粘贴地址即可。

导入后你会得到一个完整的画布：开始节点、条件判断、LLM 节点、变量聚合器、输出节点都已经连好。接下来只需做两件事——把画布里的模型换成你自己的，检查并修改提示词里需要自定义的部分。改完点「运行」，跑一次验证输入输出是否符合预期，就算正式上线了。

3 个拿来即用的实战例子

下面 3 个模板覆盖了"外部能力调用、内容加工、健壮性处理"三类高频需求，每个都只讲最关键的一步配置。

1. 地图能力：让 AI 会查天气和地点

MCP-amap.yml 是最有代表性的一条：通过 MCP Agent 策略调用高德地图的在线服务，不用写任何 HTTP 代码。流程结构非常轻——开始 → Agent → 直接回复，全部配置集中在 Agent 节点里。

先在高德开放平台注册一个开发者账号，申请一个免费 Key，然后替换 Agent 节点里的服务地址（下面只保留关键配置）：

agent_parameters: mcp_server: value: 'https://mcp.amap.com/sse?key=你的KEY' instruction: value: 通过amap的服务，进行必要的查询

预期效果：直接对机器人说"使用 amap，查询上海的天气"，它会自己规划工具调用，返回未来几天的预报。

图：MCP-amap 的 Agent 节点配置，右侧预览窗已返回上海多日天气

这个模板对理解 Dify 如何接入外部服务很有价值：整个地图能力只靠一个 MCP 地址承载，你甚至可以照着这个模式换成其他 MCP 服务。

2. 高质量翻译：三步法比一步翻译强在哪

中译英.yml 用的是"直译 → 反思 → 意译"的三段式结构，而不是让模型一步出结果。

图：DuckDuckGo 翻译 + LLM 二次翻译的工作流画布与测试输出

翻译质量对比过一步直译的读者应该清楚差别在哪：反思环节专门挑直译里的生硬表达，意译环节负责让它读起来像母语者写的。仓库里还有 DuckDuckGo翻译+LLM二次翻译.yml（用传统翻译引擎做第一步直译，省 Token）和宝玉的英译中优化版.yml，同一需求、三种思路，值得逐个对比。

3. 大模型输出的 JSON 总是坏的？

只要你的流程里有用到"让 LLM 输出 JSON"的环节，就大概率会碰到缺引号、多括号、输出带多余文字这类问题。json-repair.yml 把"修复"做成了一个独立工作流，结构只有开始、代码执行、结束 3 个节点。

图：json-repair 工作流画布与测试运行输入框

它本身是独立流程，但因为所有 DSL 都是工作流模式，你可以把它发布成工具，再挂到你任何需要结构化输出的流程里，作为一道兜底工序。

4 个最容易踩的坑

这些问题都来自 README 里收录的社群高频提问，提前知道能省掉大半排查时间。

1. 导入 DSL 报版本错误

模板是滚动更新的，你本地 Dify 太旧就会出现节点不认识的情况。先升级到 0.13.0 以上，带 Agent 节点的就直接用最新版。

2. 节点间传长文本提示超限制

改.env里这两个参数，然后重启容器即可：

CODE_MAX_STRING_LENGTH: 1000000 TEMPLATE_TRANSFORM_MAX_LENGTH: 1000000

预期效果：代码节点和模板转换节点都能处理超长字符串，不再中断。

3. 知识库上传大文件被拦

光改 Dify 的上传大小配置不够，nginx 的限制也要一起改——在.env里搜nginx，找到对应参数一并调大，重启后生效。

4. sandbox 里跑 pandas / matplotlib 报错

官方 sandbox 权限比较受限，装了依赖也未必能用。README 给了替代方案：把要装的库写进/docker/volumes/sandbox/dependencies/python-requirements.txt再重启 sandbox；跑 pandas、numpy、matplotlib 这类代码遇到问题时，可以试试作者维护的 dify-sandbox-py 版本，依赖已验证可用。

进阶玩法：把单个工作流串成一套

当你的流程超过 5 个之后，试试下面 3 个组合拳。

工作流发布为工具：仓库里所有 DSL 都是工作流模式，都可以一键发布为工具，再嵌进 ChatBot 流程。比如把"地图查询"和"天气查询"都做成工具，让对话机器人按需调用，而不是写死流程。
多任务并行 + 会话变量：0.13.0 之后的特性，仓库内模板已支持。像旅行Demo.yml 就把对话消息存进会话变量，再纳入 Agent 的思考上下文，实现多轮信息收集。
定时执行：Dify 本身不直接支持定时任务，README 推荐了 dify-schedule 这个开源项目做配合。

另外，作者还有一个插件安装包合集仓库（dify_plugin_collection），存放 Dify 官方市场的插件包，方便离线批量安装；想自己写插件的，README 里列了 4 款已上架开源插件（Tool / Agent strategy / Extension 各类型）可以照着抄结构。