从 0 到 1 搭建企业级 AI Agent：Dify + LangChain 实战指南

最新推荐文章于 2026-06-22 09:53:35 发布

原创最新推荐文章于 2026-06-22 09:53:35 发布 · 256 阅读

2 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

写在前面

2026 年开年以来，AI Agent 已经从"锦上添花"变成了"生产力刚需"。上周帮一个电商客户搭建客服 Agent，从需求沟通到上线只用了 3 天——这在两年前根本不敢想。

今天这篇文章，我想聊聊怎么用 Dify + LangChain 快速搭建一个能真正干活的企业级 Agent。不整虚的，直接上代码和踩坑经验。

为什么选 Dify + LangChain？

先说结论：Dify 负责低代码编排，LangChain 负责复杂逻辑定制。

去年我试过纯代码方案（LangChain + FastAPI），也试过纯低代码（Coze、扣子），最后发现：

纯代码：灵活但开发周期长，改个提示词都要重新部署
纯低代码：上手快，但遇到复杂业务逻辑就捉襟见肘

Dify 的聪明之处在于它把两者结合了——日常用可视化工作流，遇到复杂场景可以嵌入自定义代码节点。

实战：搭建一个智能客服 Agent

第一步：环境准备

# 使用 Docker Compose 一键部署 Dify
git clone https://github.com/langgenius/dify.git
cd dify/docker
docker compose up -d

访问 http://localhost:3000 就能看到管理后台。初次登录会要求设置管理员账号，记得用强密码。

第二步：配置知识库

客服 Agent 的核心是"知道该说什么"。我们先把产品文档、FAQ、售后政策丢进知识库。

Dify 支持多种格式：PDF、Word、Markdown、甚至直接贴 URL。我一般这样处理：

# 商品退换货政策

## 适用条件
- 签收后 7 天内可申请无理由退货
- 商品需保持完好，包装齐全
- 定制类商品不支持退货

## 操作流程
1. 在订单页面点击"申请售后"
2. 选择退货原因并上传照片
3. 等待客服审核（1-2 个工作日）
4. 审核通过后寄回商品
5. 仓库收货后 3 天内退款

踩坑提醒：文档切片大小很关键。我测试过，500-800 token 的切片效果最好。太小了上下文不完整，太大了检索精度下降。

第三步：设计工作流

这是最关键的一步。我的客服 Agent 工作流长这样：

用户提问 → 意图识别 → 分支处理
                    ├─ 查订单 → 调用订单 API
                    ├─ 退换货 → 检索知识库 + 生成回复
                    ├─ 投诉建议 → 转人工 + 记录工单
                    └─ 闲聊 → 直接回复

在 Dify 里用可视化编辑器拖拽就能完成。重点说两个节点：

1. 意图识别节点

提示词我打磨了 3 个版本，最终用的是这个：

你是一个电商客服意图分类器。请根据用户问题判断意图类型：

可选类型：
- order_query: 查询订单状态、物流信息
- return_exchange: 退换货相关
- complaint: 投诉或建议
- chitchat: 闲聊或其他

用户问题：{{query}}

只返回类型名称，不要解释。

准确率大概 92%，剩下的 8% 靠人工复核。

2. 知识库检索节点

这里有个技巧：**开启"多路召回"**。

单一向量检索容易漏掉关键信息。我配置了：

向量检索：Top 3 相关文档
关键词检索：Top 2 匹配文档
然后让 LLM 自己融合这些信息

第四步：嵌入自定义代码

有些场景工作流搞不定，比如要调用内部 CRM 系统。这时候用 Dify 的"代码节点"：

# 代码节点：查询用户会员等级
def main(user_id: str) -> dict:
    import requests
    
    # 调用内部 CRM API
    response = requests.get(
        f"https://crm.internal/api/member/{user_id}",
        headers={"Authorization": f"Bearer {CRM_TOKEN}"}
    )
    
    if response.status_code == 200:
        data = response.json()
        return {
            "level": data["member_level"],
            "points": data["points"],
            "discount": data["discount_rate"]
        }
    else:
        return {"error": "用户信息获取失败"}

代码节点支持 Python 和 JavaScript，还能装第三方库。不过注意：别在里面写太复杂的逻辑，超时了会很麻烦。

第五步：测试与迭代

上线前我一般会做三轮测试：

单元测试：每个节点单独测，确保输入输出符合预期
场景测试：模拟真实用户对话，覆盖 20+ 常见场景
压力测试：用脚本并发请求 100 次，看响应时间和错误率

真实数据：我们这套系统上线后，客服人力减少了 60%，用户满意度反而从 4.2 升到了 4.6。

性能优化技巧

跑了一段时间后，我总结了几个优化点：

1. 缓存热点问答

有些问题天天被问（比如"发什么快递"），每次都调 LLM 太浪费。我在 Dify 前面加了层 Redis 缓存：

import redis
import hashlib

cache = redis.Redis(host='localhost', port=6379)

def get_cached_answer(question: str) -> str | None:
    key = f"qa:{hashlib.md5(question.encode()).hexdigest()}"
    return cache.get(key)

def cache_answer(question: str, answer: str, ttl=3600):
    key = f"qa:{hashlib.md5(question.encode()).hexdigest()}"
    cache.setex(key, ttl, answer)

缓存命中率能达到 35%，省了不少 token。

2. 流式输出

用户等不起完整的回复。Dify 支持 SSE 流式输出，前端这样接：

const response = await fetch('/api/chat', {
    method: 'POST',
    body: JSON.stringify({ query: userInput })
});

const reader = response.body.getReader();
while (true) {
    const { done, value } = await reader.read();
    if (done) break;
    const chunk = new TextDecoder().decode(value);
    // 逐字显示到界面上
    appendToChat(chunk);
}

首屏延迟从 2 秒降到 200 毫秒，体验提升巨大。