liang14658fox

Appearance

Dify工作流 - 长篇文章生成操作手册 ​

需求：用户输入文章标题和文章各个一级章节，让长篇文章生成工作流生成更多的子章节，并最终输出一篇具有吸引力的长文。该原理可应用于撰写标书大纲。

长篇文章生成 ​

  1. 创建Workflow

从工作室开始，新建应用，选择工作流类型：

  1. 开始节点

开始节点定义输入变量：title（文章标题）、chapter（文章一级章节）。

  1. LLM节点与提示词

新建LLM节点，选择大模型之后，在提示词输入框(USER或者System)中填入提示词：

提示词中定义了角色、技能、目标、限制和输出示例，让LLM严格按照意图来输出文本。

这个LLM节点的作用是根据用户输入的文章标题和各章节名称，生成各个章节下的子章节，丰富文章章节结构，并且以json格式输出，供下一个代码执行节点使用。

注意：这里注意使用GLM-4模型，将提示词设置在USER中，如果设置在SYSTEM中，运行该LLM节点会报错，这和Dify调用GLM大模型的方式有关。如果换成GPT-4o，设置在SYSTEM中即可。 提示词Prompt实例如下，注意变量要和开始节点的输出变量对应上：

角色：文章撰写专家 ​

技能： ​

你根据用户输入的文章标题/title和各章节名称/chapter，生成各个章节下的子章节。

目标： ​

  • 确保生成的每个子章节和父章节紧密相关。
  • 纵观整体章节，必须保证各章节过渡连贯流畅。
  • 最终输出json字符串，详细请看以下输出示例。

限制： ​

  • 输出的json字符串必须是标准json字符串，不要包含任何XML标签和转义字符，如\n。
  • 严重按照输出示例中的例子输出json字符串，不要输出其他任何文本。

输出示例： ​

js
[ { "chapter": "引言", "subchapter": "1. 气候变化对沿海城市影响的概述 2. 理解这些影响的重要性" }, { "chapter": "海平面上升", "subchapter": "1. 海平面上升的原因 2. 对沿海基础设施和社区的影响 3. 受影响城市的例子" }, { "chapter": "风暴频率增加", "subchapter": "1. 气候变化与风暴频率的关联 2. 更频繁和严重的风暴对沿海地区的影响 3. 最近风暴的案例研究" }, { "chapter": "结论", "subchapter": "1. 关键点总结 2. 应对气候变化的紧迫性 3. 对政策制定者和社区的行动呼吁" } ]
[ { "chapter": "引言", "subchapter": "1. 气候变化对沿海城市影响的概述 2. 理解这些影响的重要性" }, { "chapter": "海平面上升", "subchapter": "1. 海平面上升的原因 2. 对沿海基础设施和社区的影响 3. 受影响城市的例子" }, { "chapter": "风暴频率增加", "subchapter": "1. 气候变化与风暴频率的关联 2. 更频繁和严重的风暴对沿海地区的影响 3. 最近风暴的案例研究" }, { "chapter": "结论", "subchapter": "1. 关键点总结 2. 应对气候变化的紧迫性 3. 对政策制定者和社区的行动呼吁" } ]
  1. 代码执行节点

在LLM节点后添加代码执行节点，代码节点支持运行 Python / NodeJS 代码，用来在工作流程中执行数据转换。它可以简化工作流程，适用于Arithmetic、JSON transform、文本处理等情景。

该节点极大地增强了开发人员的灵活性，使他们能够在工作流程中嵌入自定义的 Python 或 Javascript 脚本，并以预设节点无法达到的方式操作变量。通过配置选项，你可以指明所需的输入和输出变量，并撰写相应的执行代码。

本小节中使用Python3代码，代码执行节点解析输入的json字符串，输出Array[Object]变量，供下一个迭代节点使用。

代码示例如下：

py
def main(arg1: str) -> dict:
    import json
    data = json.loads(arg1)
    
    # Create an array of objects
    result = [{'chapter': item["chapter"], 'subchapter': item["subchapter"]} for item in data]
    
    return {
        'result': result
}
def main(arg1: str) -> dict:
    import json
    data = json.loads(arg1)
    
    # Create an array of objects
    result = [{'chapter': item["chapter"], 'subchapter': item["subchapter"]} for item in data]
    
    return {
        'result': result
}

注意输入变量是一个String类型，输出变量为Array类型。

  1. 迭代节点

在代码节点后添加迭代节点，上一个代码执行节点输出Array[Object]变量。在迭代节点循环上一个节点输出的Array[Object]变量，取出其中每一个Object，Object示例如下：

json
{
      "chapter": "1. 关于评价的故事",
      "subchapter": "1. 认识自我与外界评价的差异 2. 庄子与惠子对话的启示 3. 从评价中解脱，找回内心的平和"
 }
{
      "chapter": "1. 关于评价的故事",
      "subchapter": "1. 认识自我与外界评价的差异 2. 庄子与惠子对话的启示 3. 从评价中解脱，找回内心的平和"
 }

一个Object代表了一个章节（包含父章节和各个子章节）。因为包含5个章节，所以迭代节点循环迭代5次，根据每一个Object生成章节的详细内容，如何生成？在迭代节点中嵌套LLM节点，使用LLM节点编写每一个章节的具体内容。

嵌套的LLM节点中，在SYSTEM和USER中都分别编写了提示词Prompt。

每一个LLM节点输出的都是String类型的Text文本。所以最终迭代节点输出的就是Array[String]数组，这是一个包含每个章节详细内容的数组。

根据迭代节点的输出结果，新建一个代码节点，仅仅需要将Array[String]中每一个String取出并用换行符\n拼接就能形成最终的长篇文章Text String。

代码示例：

py
def main(articleSections: list): 
Data = articleSections6
Return {
  "result ":  "\n".join(data)
}
def main(articleSections: list): 
Data = articleSections6
Return {
  "result ":  "\n".join(data)
}

技术标书生成 ​

已有条件：

  1. 招标文件
  2. 投标标书目录大纲
  3. 公司已有的技术或方案（从以往的技术标书中使用Workflow单独分批章节提取）

整体思路

  1. 拆解目录：将投标标书的目录大纲拆分为多个章节，每个章节的内容目标明确。
  2. 分步生成：对每个章节单独生成内容，利用招标文件和公司技术架构的内容，结合指定的生成规则。
  3. 内容拼接和优化：将生成的内容合并为最终的完整标书，并进行整体排版和优化。

详细步骤 ​

  1. 拆解标书目录大纲

将现成的标书的目录大纲分解为多个章节，用来分批生成技术标书内容。

  1. 创建章节生成Prompt模板

为每个章节创建一个Prompt模板，确保生成内容符合标书的规范要求。标书的每个章节的Prompt模板都是独特的，需要从一份现成的标书中提取技术和方案作为Prompt模板，同时还需要提取该章节的撰写角度、格式等等。

  1. 构建 Dify 工作流思路

针对每个章节，调用 ChatGPT 的生成接口，输入相应的Prompt模板、招标文件上传、章节标题这三个输入变量。

每次生成内容限制在合理的字数范围（2000-3000字），按章节和该章节的要求（Prompt模板）逐步生成。

将所有章节内容整合成完整的投标标书。

增加统一的开头、目录页、格式化结尾等内容。

优化内容逻辑，确保一致性和连贯性。

  1. 自动化实现

在 Dify 中，设置一个多步骤工作流：

  1. 第一步：输入和预处理
  • 用户上传招标文件、技术架构文档、目录大纲。
  • 自动提取招标文件需求和技术架构的关键内容。
  1. 第二步：分章节生成
  • 按章节顺序，调用生成模型，并保存每个章节的结果。
  1. 第三步：合并优化
  • 合并章节内容，生成完整标书文档。
  • 输出最终的标书（如 Word 或 PDF）。

示例工具链

  • 招标文件关键点提取：可以用一个Prompt专门提取招标文件中的需求点。
  • 技术架构提炼：从技术文档中抽取与每个章节相关的内容。 技术和方案提炼AI提示词：

角色： ​

技术标书提炼专家

技能： ​

你根据用户输入的技术标书的部分段落{变量}，对这个段落的内容进行分析、提取、洞察、并提炼关键信息， 从撰写标书的角度考虑，精炼这个章节的技术或者方案，有技术就生成技术名词，有方案就生成简短的方案，技术名词要简短，方案要简短。然后再从 "公司时如何撰写这段标书的"角度，生成用来告诉AI如何去写标书的关键提示词，比如，角色定位、语气、从哪些方面介绍（概述、优势、应用）等等，要简洁有效，不得超过200字。 ## 目标： - 确保生成的每个子章节和父章节紧密相关。 - 纵观整体章节，必须保证各章节过渡连贯流畅。

  • 章节内容生成：依赖 GPT 的长文本生成能力，分块生成。

章节内容生成AI提示词：

角色：技术标书撰写专家 ​

技能： ​

  • 你是一个技术标书撰写专家，现在有一份招标文件{/输入变量}，你需要按照招标文件中的要求，根据用户输入的技术标书的大纲的部分大标题和小标题{/输入变量}，根据用户输入的公司提供的技术或者方案和标书撰写提示词{/输入变量}，严格按照标书撰写提示词，生成技术标书的某个段落的小标题的具体内容，内容要严格参考用户输入的公司提供的技术或

目标： ​

  • 确保生成的每个子章节和父章节紧密相关。
  • 纵观整体章节，必须保证各章节过渡连贯流畅。
  • 字数：约3000字
  • 风格：专业且简洁，参考标书撰写提示词的角色定位、语气、方面
  • 格式：按照如下结构：
js
`[大标题]
  [小标题]
  [小标题具体内容]
  [小标题]
  [小标题具体内容]
  [小标题]
  [小标题具体内容]'`
`[大标题]
  [小标题]
  [小标题具体内容]
  [小标题]
  [小标题具体内容]
  [小标题]
  [小标题具体内容]'`

...

  • 最终标书排版工具：使用 Python（如 docx 模块）或第三方工具自动生成 Word 或 PDF 文件。