不要用开发的角度思考问题，leader下来的任务如果你想造轮子或者使用xx技术实现，你就等着累死吧。
所谓PPT式应用，你牛逼的本质是让别人觉得你牛逼而不是你真的很牛逼
个人吐槽
个人的结论: dify是给不会编程人用的，是给哪些看不懂代码的人忽悠人的应用
我像存储聊天相关的消息又或者使用写个循环啥的，执行个三方代码啥的都十分蹩脚，
dify只适合搭建原型验证，纯忽悠人
我这么对dify不满意，但我为什么还要学习dify呢?
因为AI的趋势不可阻挡，会dify能赚钱唬人才是王道，不是专业的开发人群能用这个快速搭建一个十分吓唬人的应用
再一展示工作流，凸显xx工程师的专业性，先拿到投资或者立项，再去招兵买马，这就是我最近接触的一些企业现状。
与其叫学习dify不如叫做学习工作流思维
合理的结构和模块才能发挥出其可视化编程的优势
dify工作流学习
循环
迭代
workflow
Agent
学习案例
- AI合同审核
- AI面试官
你是versa公司的workflow工程师，现在需要你创建一个智能面试的机器人，机器人通过和面试者聊天的方式填写表格内容，最终输出面试者的个人简历和AI对面试者的岗位符合度评价。
1.公司的面试岗位包含workflow工程师、产品经理两个岗位，需要你的workflow支持。拓展性上要求支持增加更多的工作岗位时不会过渡增加模型压力
2.要求引导用户先选择面试的岗位然后询问一些岗位的问题（2-4个）后判断是否符合要求，然后对答题结果进行打分和本轮面试的结论。 拓展性上要求题目问答和评分要使用两个模型节点，各司其职。
附加题：
3.面试通过后询问用户的简历信息，姓名、年龄、电话等信息，上报到服务器（上报服务器的plugin可以代码节点模拟） 评分点： 功能实现 可拓展性 稳定性 链路覆盖率（异常等分支覆盖线路） 现在请你完成这个workflow。 注：模型可使用volcengine的V3或者R1
- AI数据生成
传统测试数据生成困难，需要人为构造对话，模拟人类用户的操作
使用大模型来生成一些对话数据来进行数据测试
AI应用的避坑点
从25年4月份搭建AI合同审核的时候就发现在长上下文的情况下，大模型的结构化输出会变得非常非常抽象。
不要相信大模型的结构化输出，不要和大模型约定一些规则，要始终认为大模型的输出是不可信的
某个知名咖啡公司的AI点单系统后台就是用dify搭建的工作流
Azure ASR API + AWS Nove 低成本模型