Dify 1.15人工介入功能详解：构建人机协同AI工作流实战指南-拓冰建站

在构建复杂的AI工作流时，我们常常面临一个困境：如何让自动化流程在关键时刻“停一停”，引入人类的判断和决策？无论是内容审核、数据验证，还是复杂的业务审批，纯自动化的AI有时无法完全替代人类的专业判断。Dify作为领先的Agentic Workflow构建平台，在1.15版本中，其“人工介入”功能为解决这一痛点提供了优雅的解决方案。本文将手把手带你深入Dify 1.15的“人工介入”功能，从核心概念到实战配置，再到最佳实践，为你构建真正“人机协同”的智能应用提供完整指南。

1. 人工介入：为何它是AI工作流的关键一环

在深入实操之前，我们首先要理解“人工介入”在AI工作流中的核心价值。它远不止是一个简单的“暂停”按钮。

1.1 从纯自动化到人机协同的范式转变

早期的AI应用追求全流程自动化，但现实业务场景复杂多变。例如，一个自动生成的营销文案可能需要品牌经理的最终审核；一个从数据库查询生成的报告可能需要数据专员确认其准确性；一个客户服务对话在涉及敏感退款时可能需要转接人工坐席。纯自动化流程在这些场景下显得僵化且存在风险。

Dify 1.15的“人工介入”节点，正是为了在这些关键决策点搭建一座桥梁。它将工作流的控制权暂时交还给人类操作者，待其做出判断、提供输入或进行修改后，流程再继续自动化执行。这种模式实现了“自动化效率”与“人类智慧”的最佳结合。

1.2 人工介入的核心应用场景

理解应用场景能帮助我们更好地设计工作流：

内容审核与批准：AI生成的新闻稿、社交媒体帖子、产品描述在发布前需要人工审核。
数据验证与修正：从非结构化数据（如扫描件、图片）中提取的信息，需要人工核对关键字段（如金额、日期、姓名）。
复杂决策分支：基于AI分析的客户投诉分类，对于高风险投诉（如涉及法律问题）需要人工专员介入处理。
创造性工作的迭代：AI生成的初步设计方案、代码框架，需要设计师或工程师评审并提供反馈，AI再基于反馈进行优化。
异常处理：当工作流运行遇到AI无法处理的异常输入或边界情况时，自动触发人工处理流程。

1.3 Dify 1.15 中人工介入节点的能力边界

在Dify的工作流画布中，“人工介入”是一个独立的节点。它的核心能力包括：

暂停工作流：执行到该节点时，工作流会暂停，并生成一个待处理任务。
向指定操作员（可以是单个用户、用户组或通过变量指定）发送通知。
提供一个交互界面，操作员可以查看上下文信息、AI的中间结果，并进行操作（如审批、驳回、修改文本、选择选项等）。
接收操作员的输入，并将这些输入作为变量传递给工作流的后续节点。
支持超时与默认操作：设置等待时间，若超时无人处理，可按预设规则自动继续（如自动批准或驳回）。

2. 环境准备与基础概念

在开始构建带有人工介入的工作流之前，你需要一个可运行的Dify环境。这里我们以本地Docker部署为例，这是最快速且隔离的体验方式。

2.1 部署Dify

确保你的系统已安装Docker和Docker Compose。通过官方仓库快速启动：

# 克隆Dify的Docker部署仓库（请以官方最新文档为准） git clone https://github.com/langgenius/dify.git cd dify/docker # 复制环境变量示例文件并编辑（主要配置数据库、Redis等） cp .env.example .env # 使用docker-compose启动所有服务 docker-compose up -d

启动后，访问http://localhost:3000即可进入Dify控制台。首次进入需要创建管理员账户。

2.2 理解Dify工作流的核心构件

要使用人工介入，你需要对Dify工作流的基础组件有清晰认识：

变量（Variables）：用于在不同节点间传递数据。分为：
- 输入变量：工作流开始时的参数。
- 上下文变量：节点运行时产生的中间数据。
- 输出变量：工作流最终返回的结果。
节点（Nodes）：构成工作流的模块，如LLM（大语言模型）、知识库检索、代码执行、HTTP请求等。“人工介入”也是一个特殊节点。
边（Edges）：连接节点的箭头，代表执行顺序和数据流向。
触发器（Triggers）：启动工作流的方式，如HTTP API、定时任务、Webhook等。

3. 人工介入节点配置详解

让我们进入核心环节，在Dify工作流编辑器中配置“人工介入”节点。

3.1 添加与基础配置

在Dify控制台创建一个新的“工作流”应用。
从左侧节点库中，找到“人工介入”节点，将其拖拽到画布中。
选中该节点，右侧会出现其配置面板。关键配置项如下：

基础设置：

节点标题：为你的人工介入步骤起个名字，如“文案审核”、“数据校验”。
操作员：指定处理此任务的人。这是核心配置，有三种模式：
- 指定成员：从Dify用户列表中选择一个或多个具体用户。
- 变量：通过上游节点输出的变量（如{{assigned_reviewer}}）来动态指定操作员。这非常适合基于规则的路由，例如将不同地区的订单分配给对应的区域经理。
- 所有成员：工作空间内的所有成员都会收到通知（需谨慎使用）。

界面与表单配置：

描述：向操作员说明此步骤需要做什么。例如：“请审核以下AI生成的产品描述，检查是否有事实错误或品牌调性不符之处。”
表单：定义操作员需要填写或选择的内容。这是接收人工输入的关键。
- 添加字段：支持文本输入、下拉选择、单选、多选等类型。
- 变量名：为每个字段设置一个变量名（如review_comment,approval_status），后续节点可以通过{{review_comment}}引用这些值。

高级选项：

超时：设置等待时间（如30分钟）。超时后，工作流将根据“超时后”的选项继续。
超时后：可选继续（并可使用默认值填充表单）或终止工作流。
允许操作员重新分配：开启后，收到任务的操作员可以将任务转给其他成员。

3.2 一个简单的配置示例

假设我们构建一个“社交媒体帖子生成与审核”工作流。

第一个节点是LLM，提示词为“生成一条关于新品咖啡机的推特文案”。
第二个节点就是我们刚添加的人工介入节点。
- 操作员：指定为你的市场部同事“张三”。
- 描述：“请审核AI生成的推特文案，并给出修改意见或直接批准。”
- 表单：添加两个字段。
  - 字段1：类型单选，标签“审核结果”，选项“批准”、“驳回”，变量名approval_result。
  - 字段2：类型文本输入，标签“修改意见”，变量名revision_notes。
第三个节点是条件判断节点，根据{{approval_result}}的值决定流程走向。
- 如果等于“批准”，则流向HTTP请求节点，调用推特发布API。
- 如果等于“驳回”，则流向另一个LLM节点，提示词为“根据以下意见修改文案：{{revision_notes}}”，然后可能再次进入审核循环或结束。

4. 完整实战案例：构建一个带人工校验的智能周报生成器

我们将构建一个完整的工作流，它每周自动生成项目周报，但需要项目经理确认关键数据后，才通过邮件发送给团队。

4.1 案例需求与设计

输入：项目名称、本周起止日期。
流程：
1. 数据获取：模拟从内部系统（如Jira）获取本周任务完成列表。
2. 报告生成：LLM总结任务列表，生成格式化的周报草稿。
3. 人工介入：将周报草稿和关键指标（如完成率）发送给项目经理审核。项目经理可以修改报告内容，并确认是否发送。
4. 条件分支：如果确认发送，则调用邮件服务发送周报；如果驳回，则结束流程并通知生成者。
输出：发送成功的确认信息或驳回通知。

4.2 分步构建工作流

步骤1：创建工作流并设置输入变量在Dify中创建新工作流，添加两个输入变量：project_name(字符串)，week_end(字符串，格式YYYY-MM-DD)。

步骤2：模拟数据获取节点由于直接连接Jira需要复杂配置，我们先用一个“代码执行”节点模拟数据。选择Python，编写以下代码：

# 模拟从数据库或API获取的任务数据 tasks = [ {"id": "TASK-101", "title": "设计登录页面UI", "status": "已完成", "owner": "张三"}, {"id": "TASK-102", "title": "开发用户认证API", "status": "进行中", "owner": "李四"}, {"id": "TASK-103", "title": "编写项目文档", "status": "未开始", "owner": "王五"}, ] output = { "task_list": tasks, "total_tasks": len(tasks), "completed_tasks": len([t for t in tasks if t['status'] == '已完成']) } print(output)

此节点的输出将自动成为上下文变量，如{{task_list}}。

步骤3：LLM生成周报草稿添加一个LLM节点。配置模型（如GPT-4），并编写提示词：

你是一位专业的项目经理助理。请根据以下任务数据，为项目【{{project_name}}】撰写一份简洁的周报（截至{{week_end}}）。 任务列表：{{task_list}} 周报结构应包括： 1. 本周概要（完成率：{{completed_tasks}}/{{total_tasks}}） 2. 已完成工作 3. 进行中工作 4. 下周计划 5. 风险与问题 请使用专业、积极的语气。

将此节点的输出变量命名为draft_report。

步骤4：配置人工介入节点这是核心。拖入“人工介入”节点。

操作员：设置为变量{{project_manager}}。这意味着我们需要在流程开始时或上游节点中定义这个变量。我们可以在工作流开始时增加一个“变量赋值”节点来模拟，设置project_manager为”pm@company.com”。
描述：“【{{project_name}}】项目周报（{{week_end}}）已生成草稿，请审核内容并确认是否发送给团队。”
表单：
- 字段1：文本输入，标签“周报最终版”，变量名final_report。关键技巧：在“默认值”中，填入{{draft_report}}。这样审核者打开时，文本框中已经预填了AI生成的草稿，可以直接编辑。
- 字段2：单选，标签“发送决策”，选项“确认发送”、“需要修改”，变量名send_decision。
- 字段3：文本输入，标签“修改意见（如选择‘需要修改’）”，变量名modification_feedback，非必填。

步骤5：添加条件分支添加“条件判断”节点。设置条件：如果{{send_decision}}等于”确认发送”，则进入“是”分支；否则进入“否”分支。

步骤6：配置分支动作

“是”分支（发送邮件）：添加“HTTP请求”节点，配置你的邮件服务Webhook（如SendGrid、阿里云邮件推送）。在请求体中，引用{{final_report}}作为邮件内容。
“否”分支（通知生成者）：可以添加另一个“HTTP请求”节点，调用企业微信/Slack等机器人，通知周报生成者：“周报被PM驳回，意见：{{modification_feedback}}”。或者，更简单地添加一个“文本输出”节点，显示驳回信息。

步骤7：设置输出在流程末尾，添加一个“答案”节点，根据不同的分支，组合输出信息，如“周报已发送”或“周报待修改”。

4.3 运行与测试

保存工作流后，点击右上角“发布”。然后在“概览”页使用“测试”功能。

输入project_name: “电商平台重构”，week_end: “2024-10-27”。
点击“运行”。
工作流会在“人工介入”节点暂停。此时，你需要以操作员（我们模拟的pm@company.com）的身份登录Dify。
在Dify顶部的“待处理”任务通知中，找到并处理这个任务。你可以修改文本，选择“确认发送”。
处理完成后，返回测试界面，可以看到工作流继续执行，并最终输出结果。

5. 高级技巧与最佳实践

掌握了基础操作后，以下技巧能让你的“人工介入”工作流更强大、更可靠。

5.1 动态操作员分配

不要硬编码操作员。通过上游节点动态决定谁来处理。

示例：在“工单分类”LLM节点后，根据工单类型输出assignee变量（如”tech_support”或”billing_department”）。然后在人工介入节点的“操作员”设置中选择变量，并填入{{assignee}}。你需要在Dify中提前创建好这些用户组或用户。

5.2 为操作员提供充足的上下文

人工决策需要信息。除了在“描述”中写清楚，更要利用好“表单”的默认值。

将上游的关键输出，如AI生成的内容、检索到的知识库片段、计算出的数据指标，以只读或默认值的形式预填在表单字段中。这样操作员无需来回切换页面就能掌握全部情况。

5.3 设置合理的超时与重试机制

对于时效性强的任务（如订单审核），必须设置超时。

策略：超时时间设置为业务允许的最大等待时间（如2小时）。在“超时后”选择继续，并为表单设置合理的默认值（如将审批状态默认设为“驳回”，并填入超时原因）。这样可以避免工作流无限期挂起，阻塞后续流程。

5.4 与外部系统集成

Dify的人工介入任务通知目前主要在平台内。为了更及时，可以：

在人工介入节点之前，添加一个“HTTP请求”节点，调用企业IM（钉钉、飞书、Slack）的机器人Webhook，发送一个包含任务链接的通知给操作员。
将Dify的“操作员”与你的公司统一账号系统（如LDAP）对接，确保任务能准确分配给对的人。

5.5 工作流版本管理与权限

当你的工作流应用于生产环境时：

版本控制：在修改工作流前，使用Dify的“发布新版本”功能。这样可以在出现问题时快速回滚。
权限隔离：在Dify的企业版中，可以利用团队和权限管理功能，严格控制哪些成员可以处理特定工作流中的人工介入任务，确保数据安全和职责清晰。

6. 常见问题与排查思路

在实际使用中，你可能会遇到以下问题：

问题现象	可能原因	排查与解决思路
工作流在人工介入节点一直“运行中”，无人收到通知。	1. 指定的“操作员”账号不存在或未登录。 2. 工作流未成功发布。 3. 使用了变量指定操作员，但该变量为空或值无效。	1. 检查Dify用户列表，确认操作员账号状态。 2. 确保点击了“发布”按钮，并在应用“概览”页测试，而非仅在编辑器调试。 3. 在人工介入节点前添加“调试”节点，打印出用于分配操作员的变量值，确保其正确。
操作员处理任务后，工作流不继续执行。	1. 处理任务的操作员账号与触发工作流的账号不同，测试界面未自动刷新。 2. 工作流后续节点存在配置错误（如无效的变量引用）。	1. 让处理任务的操作员在“待处理”列表中操作。测试时，请用同一个浏览器账号触发并处理任务，或手动刷新测试结果页面。 2. 检查条件判断、HTTP请求等后续节点的配置，确认引用的变量名（如`{{approval_result}}`）与人工介入节点表单中定义的完全一致。
表单中引用的上游变量（如`{{draft_report}}`）显示为空白。	1. 上游节点未成功运行或未输出该变量。 2. 变量名拼写错误。 3. 在“默认值”中引用变量时，使用了错误的语法。	1. 逐一检查上游每个节点的运行状态和输出。 2. 仔细核对变量名，Dify中变量名区分大小写且不允许有空格。 3. 确保在“默认值”框中直接写入`{{variable_name}}`格式，而不是`{variable_name}`或其他格式。
超时设置未生效。	1. “超时”和“超时后”配置未保存。 2. 系统时间或时区问题（Docker部署时常见）。	1. 确认节点配置已保存，并重新发布工作流。 2. 检查Dify服务器容器的时区设置，确保与业务所在地时区一致。可以在docker-compose.yml中为服务设置环境变量`TZ=Asia/Shanghai`。

7. 总结：让人工智能与人类智慧共舞

Dify 1.15的“人工介入”功能，将AI工作流从封闭的自动化管道，升级为开放的人机协同系统。通过本文的拆解，你应该已经掌握了：

核心概念：理解了人工介入在复杂业务场景中的必要性及其作为“决策开关”和“质量阀门”的角色。
配置细节：从操作员指定、表单设计到超时处理，完成了节点配置的完整学习。
实战构建：跟随“智能周报生成器”案例，体验了从设计、配置到测试的端到端流程。
进阶技巧：学习了动态分配、上下文优化、超时处理等提升生产可用性的方法。
排错指南：拥有了应对常见问题的排查清单。

真正的智能应用，不在于完全取代人类，而在于如何让机器更高效地处理规则性任务，同时将宝贵的、需要创造力和复杂判断的环节无缝地交还给人类。Dify的“人工介入”节点，正是实现这一愿景的精巧工具。现在，你可以尝试将这一功能应用到你的内容审核、数据清洗、客户服务或内部审批流程中，构建出既高效又可靠的下一代AI应用。