AI在线 AI在线

智能体开发实战 | 基于Dify自定义工作流工具构建游戏智能体

作者：AI大模型应用开发 2025-06-12 01:30
前言Dify是一款开源的大语言模型应用开发平台，旨在降低AI应用的开发门槛，帮助开发者和企业快速构建、部署及管理生成式AI应用。 Dify允许用户在画布上构建和测试功能强大的AI工作流。 工作流通过将复杂任务分解为更小的步骤（节点），有效降低了系统的复杂度。

智能体开发实战 | 基于Dify自定义工作流工具构建游戏智能体

前言

Dify是一款开源的大语言模型应用开发平台，旨在降低AI应用的开发门槛，帮助开发者和企业快速构建、部署及管理生成式AI应用。

Dify允许用户在画布上构建和测试功能强大的AI工作流。工作流通过将复杂任务分解为更小的步骤（节点），有效降低了系统的复杂度。这种方法减少了对提示词技术和模型推理能力的依赖，从而提升了 LLM 在处理复杂任务时的性能，同时增强了系统的可解释性、稳定性和容错性。

本文以实现24点游戏为例。24点的游戏规则：给出一组4个随机整数(1至13之间，且不重复)，用加、减、乘、除(可加括号)把给出的4个数字算成24，每个数必须用一次且只能用一次。

这个智能体需要具备如下能力：

  • 出题：生成一组4个随机整数(1至13之间，且不重复)，并确保生成的随机数能计算出24。
  • 校验用户输入的表达式计算结果是否为24。
  • 解题：根据用户给出的随机数，生成答案。

通过设置合适的提示词，为智能体设定角色和处理逻辑。智能体会根据大语言模型对人物设定和回复逻辑的理解，来响应用户问题。因此提示词编写的越清晰明确，智能体的回复也会越符合预期。可以在提示词中指定用工作流作逻辑处理，实现通过prompt无法实现的功能。

创建工作流工具

在http://localhost/apps页面点击“创建空白应用”，选择“工作流”。填写应用名，点击创建。依次创建三个工作流：

  • generate_random_numbers：为24点游戏生成一组随机数
  • check_answer：校验表达式计算结果是否为24
  • generate_answer：根据一组随机数生成24点游戏的答案

工作流1：generate_random_numbers

整体流程如下图：

图片

  • 名称：generate_random_numbers
  • 描述：为24点游戏生成一组随机数
  • 开始节点: 用默认配置，无需添加输入字段
  • 代码执行节点

图片

  • 输入变量：无
  • 输出变量：numbers，类型为Array[Number]
  • 代码：
复制
import random
from itertools import permutations, product

def main() -> dict:
    while True:
        numbers = []
        while len(numbers) < 4:
            num = random.randint(1, 13)
            if num not in numbers:
                numbers.append(num)
        res = generate_answer(numbers)
        # 确保生成的随机数能计算出24
        if res['code'] == 'ok':
            return {'numbers': numbers}

def generate_answer(numbers):
    if len(numbers) != 4:
        return {'code': 'error', 'msg': "随机数个数不正确"}
    
    operations = ['+', '-', '*', '/']
    for num_perm in permutations(numbers):
        for ops in product(operations, repeat=3):
            # 尝试所有不同的括号组合
            expressions = [
                f'(({num_perm[0]} {ops[0]} {num_perm[1]}) {ops[1]} {num_perm[2]}) {ops[2]} {num_perm[3]}',
                f'({num_perm[0]} {ops[0]} ({num_perm[1]} {ops[1]} {num_perm[2]})) {ops[2]} {num_perm[3]}',
                f'({num_perm[0]} {ops[0]} {num_perm[1]}) {ops[1]} ({num_perm[2]} {ops[2]} {num_perm[3]})',
                f'{num_perm[0]} {ops[0]} (({num_perm[1]} {ops[1]} {num_perm[2]}) {ops[2]} {num_perm[3]})',
                f'{num_perm[0]} {ops[0]} ({num_perm[1]} {ops[1]} ({num_perm[2]} {ops[2]} {num_perm[3]}))',
            ]
            for expr in expressions:
                try:
                    if eval(expr) == 24:
                        return {'code': 'ok', 'answer': expr}
                except ZeroDivisionError:
                    continue
    return {'code': 'error'}
  • 结束节点输出变量numbers的参数值为引用“代码执行”节点的输出变量numbers。

图片

  • 运行点击右上角的“运行”，验证是否可以正确输出一组随机数

图片

  • 发布工作流测试通过后，点击右上角的“发布”按钮。
  • 发布为工具发布成功后，点击“发布为工具”

图片

填入工具调用名称和工具描述，并保存。

图片

工作流2：check_answer

整体流程如下图：

图片

  • 名称：check_answer
  • 描述：校验表达式计算结果是否为24
  • 开始节点

     输入参数

     expression：类型为String，显示名称为“表达式”

• 代码执行节点

智能体开发实战 | 基于Dify自定义工作流工具构建游戏智能体

   • 输入变量：

      expression，引用开始节点的expression变量

   • 输出变量：

      code，类型为String 

      msg, 类型为String

  • 代码
复制
def main(expression:str) -> dict:
    try:
        val = eval(expression)
        if val == 24:
            return {'code': 'ok', 'msg':'ok'}
        else:
            return {'code': 'error', 'msg': f"表达式{expression}计算结果为{val}, 不是24"}
    except Exception as e:
        return {'code': 'error', 'msg': f"计算出错。{e}"}
  • 结束节点

     输出变量

        code，引用代码执行节点的code输出变量

        msg, 引用代码执行节点的msg输出变量

  • 测试并发布工作流
  • 发布为工具

     发布成功后，点击”发布为工具“。填入工具调用名称和工具描述，并保存。

图片

工作流3：generate_answer

整体流程如下图：

图片

  • 名称：generate_answer
  • 描述：根据一组随机数生成24点游戏的答案

     开始节点

         输入参数

            numbers：类型为String，显示名称为“一组随机整数，JSON格式”

  • 代码执行节点

智能体开发实战 | 基于Dify自定义工作流工具构建游戏智能体

  • 输入变量

     numbers，引用开始节点的numbers变量

• 输出变量

      code，类型为String

      msg, 类型为String

      answer, 类型为String

   • 代码

复制
from itertools import permutations, product
import json

def main(numbers:str) -> dict:
    numbersArray = json.loads(numbers)
    if len(numbersArray) != 4:
        return {'code': 'error', 'msg': "随机数个数不正确", 'answer':''}
    
    operations = ['+', '-', '*', '/']
    for num_perm in permutations(numbersArray):
        for ops in product(operations, repeat=3):
            # 尝试所有不同的括号组合
            expressions = [
                f'(({num_perm[0]} {ops[0]} {num_perm[1]}) {ops[1]} {num_perm[2]}) {ops[2]} {num_perm[3]}',
                f'({num_perm[0]} {ops[0]} ({num_perm[1]} {ops[1]} {num_perm[2]})) {ops[2]} {num_perm[3]}',
                f'({num_perm[0]} {ops[0]} {num_perm[1]}) {ops[1]} ({num_perm[2]} {ops[2]} {num_perm[3]})',
                f'{num_perm[0]} {ops[0]} (({num_perm[1]} {ops[1]} {num_perm[2]}) {ops[2]} {num_perm[3]})',
                f'{num_perm[0]} {ops[0]} ({num_perm[1]} {ops[1]} ({num_perm[2]} {ops[2]} {num_perm[3]}))',
            ]
            for expr in expressions:
                try:
                    if eval(expr) == 24:
                        return {'code': 'ok', 'msg':'ok', 'answer': expr}
                except ZeroDivisionError:
                    continue
    return {'code': 'error', 'msg': 'error', 'answer':''}
  • 结束节点

图片

  • 输出变量

     code，引用代码执行节点的code输出变量

     msg, 引用代码执行节点的msg输出变量

     answer, 引用代码执行节点的answer输出变量

  • 测试并发布工作流
  • 发布为工具

     发布成功后，点击”发布为工具“。填入工具调用名称和工具描述，并保存。

图片

创建Agent应用

在http://localhost/apps页面点击“创建空白应用”，选择“Agent”。填写应用名，点击创建，进入编排界面。编排界面如下：图片

  • 设置提示词内容为：
复制
你是一个24点游戏助手。
- 开始游戏时，你需要生成一组随机数，提示用户回答，然后使用工作流check_answer校验用户的回答。
- 如果用户表示回答不了问题，请使用工作流generate_answer生成答案。
- 用户可以向你提供一组数字提问如何计算，你需要使用工作流generate_answer生成答案。
  • 添加工具把3个工作流添加为工具。
  • 选择模型使用qwen-plus
  • 调试和预览在下方输入内容和Agent进行游戏互动

图片

  • 测试通过后，点击右上角的“发布”按钮。
  • 发布后，点击“运行”即可打开应用的访问链接。

总结

本文以24点游戏智能体为案例，展示了Dify基于工作流的Agent应用开发。通过把工作流发布为工具，Agent通过推理可以智能调用相应工作流解决问题。

相关标签：
智能体 Dify 游戏智能体

相关资讯

本地部署DeepSeek+DiFy平台构建智能体应用

本地部署DeepSeek+DiFy平台构建智能体应用
在大模型实际应用落地时候，利用智能体平台，构建本地的向量化知识库，基于RAG知识增强技术和大模型的推理能力，提升效率。 本文简要介绍RAG、大模型微调和大模型蒸馏的特点，通用智能体平台，并在本地部署DiFy智能体平台，利用本地部署的DeepSeek模型和知识库构建智能体应用。 1、RAG、微调和蒸馏大模型的落地使用主要有RAG、微调和蒸馏几种方式，每种方式有各自的特点和适用场景。
4/14/2025 12:22:00 AM
大唐小少
智能体常用策略FunctionCalling和ReAct有什么区别？

智能体常用策略FunctionCalling和ReAct有什么区别？
Dify 内置了两种 Agent 策略：Function Calling 和 ReAct，但二者有什么区别呢？ 在使用时又该如何选择呢？ 接下来我们一起来看。
5/27/2025 12:00:00 AM
磊哥
Dify工具插件开发和智能体开发全流程实战

Dify工具插件开发和智能体开发全流程实战
前言Dify是一款开源的大语言模型应用开发平台，旨在降低AI应用的开发门槛，帮助开发者和企业快速构建、部署及管理生成式AI应用。 Dify自1.0.0引入全新插件化架构，模型（Models）与工具（Tools）迁移为插件（Plugins），引入 Agent 策略（Agent Strategies）、扩展（Extensions）类型插件和插件集（Bundles）。 通过全新的插件机制，能够增强 AI 应用的感知和执行能力，拓宽AI在软件操作领域的应用能力。
6/6/2025 10:01:25 AM
AI大模型应用开发
  • 1
资讯热榜
苹果发布全新Xcode 26开发者工具：内置ChatGPT先进AI功能 Microsoft Releases 700 Real AI Cases to Explore New Intelligent Work Models ​微软发布 700 个真实 AI 案例，探索智能化工作新模式 豆包App“一句话P图”功能全新升级 基于SeedEdit 3.0实现全面优化 Li Hang, head of ByteDance AI Lab, resigns; Seed team enters adjustment period DeepSeek前高管秘密创业，新AI Agent项目已获顶级VC押注 苹果向开发者开放本地AI能力，推出全新Foundation Models框架 ​支持MCP！开源智能体开发框架 Rowboat：打造你的智能助手只需几分钟
标签云
人工智能 AI OpenAI AIGC 模型 ChatGPT DeepSeek AI绘画 谷歌 数据 机器人 大模型 Midjourney 用户 智能 开源 微软 GPT Meta 学习 图像 技术 AI创作 Gemini 论文 马斯克 Stable Diffusion 算法 英伟达 代码 Anthropic 芯片 开发者 生成式 蛋白质 腾讯 神经网络 训练 3D 研究 生成 智能体 苹果 计算 机器学习 Sora Claude AI设计 AI for Science GPU AI视频 人形机器人 搜索 华为 百度 场景 大语言模型 xAI 预测 伟达 深度学习 LLM 字节跳动 Transformer Agent 模态 具身智能 神器推荐 工具 文本 视觉 LLaMA 算力 Copilot 驾驶 大型语言模型 API RAG 应用 架构