前言
让大家知道如何通过知识库的能力，获取指定的结果。这在很多的应用场景是非常有用的能力。
比如依赖有大量规则文档的行业，就会大大减少查找核对的工作。经常看到律师朋友，医生朋友发朋友圈说，AI不行啊，老是”胡说八道”，出现幻觉。
这其实是高估了大语言模型的能力，即使是垂直领域做过SFT，也不可能精确的回答准真正匹配规则的内容。并且微调训练成本也不低，不可能随时更新语料（标注数据）。通过RAG的方法，就可以在特定场景下，严格通过给出的文档内的规则，给出结果。
01. 动手做一做基于上一节课的流程，在大模型节点后新增一个工具节点，选择搜索"天气"，点中"高德天气预报"。
选择这个主要是前面知识库的地区名和code对照表，就是高德的。另外这个接口也比较简单，输入就是一个adcode，输出就是今天该地区的天气结果。
添加之后，连接LLM节点和新增节点，再连接新增节点和结束节点。修改参数(一定要先连接)，"天气预报"的输入，选择"LLM"的text。然后把结束节点的输出也改为"天气预报"的 ...
前言
让大家知道如何通过工具插件来获取互联网的实时数据，结合大语言模型，才能让结果更加有用。
目前应该已经掌握了知识库的使用，工具插件的使用，并要熟练掌握”LLM”的多次使用。更高阶的知识，是LLM内模型能力的掌握（比如哪家的模型，擅长于什么任务？使用多大的模型，既能满足工作需求，又节约使用费用？），但这可以放在后面再学习。
复习了上节课的内容后，我们继续AI学习之旅。今天教大家使用代码节点，进一步对流程中产生的中间数据，进行”加工”处理，来满足要求。
比如，我们用了高德的”天气预报”工具，得到了今天和将来3天的天气预报数据。但我们只需要拿今天的天气情况，把它整合进我们自己的应用”每日智选”的页面内。
01.动手做一做
基于上一节课的流程，在”天气预报”节点之后，新增一个”代码执行”的节点。
添加之后，连接”天气预报”节点和新增节点；再连接新增节点和结束节点。新增参数(一定要先连接)，”代码执行”的输入，选择”天气预报”的text。然后把结束节点的输出也改为”代码执行”的text。
点击”发布”，保存。提示”操作成功”。就可以进行测试了。测试如下：
02. 代码执行的开 ...
我们继续AI学习之旅，今天教大家使用TTS节点，来生成语音播报的音频数据。
学习完成，你将掌握生成语音文件的方法，可以将自己的文字直接变为播客内容。
**01.**动手做一做
基于上一节课的流程，在”代码执行”节点之后，新增一个”Text To Speech”的节点。
添加之后，连接”代码执行”节点和新增节点；再连接新增节点和结束节点。新增参数(一定要先连接)，”Text To Speech”的输入，选择”代码执行”的text。
TTS节点需要有模型，这里选择SiliconCloud的fish-speech-1.5。
硅基流动配置非常简单，直接点配置弹出对话框后，跟着”从SiliconFlow获取API Key”的向导，打开官网，注册后创建API Key，然后复制到Dify的配置框，即可。
新增模型之后，在”系统模型设置”的文本转语音模型，选中fishaudio。
同时新增节点，记得选择声音的类型，包括了4男4女的备选声音，可以都测试一下，看看是否满足自己的需要。
“结束”节点的输出改为”Text To Speech”的files（这里注意不要再选成text ...
除了语音生成，我们还有几种形态的生成，需要继续完成。今天教大家使用Jinja模版，将内容进行格式输出。
学习完成，你将掌握生成内容时，可以用固定的模版，填入动态变化的内容，来生成文案内容等。
01. 动手做一做
基于上上一节课的流程，在”代码执行”节点之后，新增一个”模版转换”的节点。
添加之后，连接”代码执行”节点和新增节点，再连接新增节点和结束节点（这里先移除语音输出处理，后面会加回来，要多路生成不同的内容）。新增参数(一定要先连接)”模版转换”的输入，选择”代码执行”的Object。这里注意，需要将”代码执行”节点也做一些调整。
输出的时候，要按字典而非之前的字符串输出。输出变量也选对象输出。
新增节点修改参数，输入模版内容，不变的内容和动态内容分开，动态内容的值需要有双大括号转义。
点击”发布”，保存。提示”操作成功”。就可以进行测试了。测试如下：
结果输出是一个按模版填入动态获取内容的整段文案结果。
02. 补充说明
今天的任务，也非常简单，但为什么是中级水平呢？原因是，这里的Jinja模版的使用，也需要一定的编程经验。
Jinja原本是Pyth ...
今天我们将要开启企业应用之旅，让Dify真正的在企业中用起来。
学习完成，你将能配置后台的文件存储改为S3或兼容S3的Minio对象存储。
**01.**动手做一做今天的动手实验，与运维相关。如果不感兴趣，可以划走。
首先，需要让Dify知道使用对象存储方式来保存文件。
进入到项目下的docker目录，打开由.env.example文件复制而来的.env文件。找到文件存储配置段，大概在第293行，改动STORAGE_TYPE为S3。
S3除了可以是AWS的S3服务，还可以是兼容S3的对象存储，如Minio等。注意这里，如果对象存储服务是Minio，S3_ENDPOINT需要为实际Minio的API地址，S3_BUCKET_NAME可以改为实际用的桶名，如difyai。而ACCESS_KEY和SECRET_KEY，分别是Minio的用户名和密码，并非像S3使用的KEY。
接着，需要重新启动Dify所有服务。使用命令docker compose restart。
如果测试没有生效，可以reload环境变量文件，或者简单点重启Linux服务器。
上述操作完成之后，接下来就是使用部分。
将C ...
今天我们将要继续企业应用之旅，让Dify也变成一个简单的BI系统，可以让数据变成有图有真相。
学习完成，你将能举一反三，让数据自己说话。
**01.**动手做一做今天的动手实验，需要有处理数据的代码能力。如果对你来说难度太大，建议收藏慢慢学习。
首先，我们简化核心步骤，把不相干的节点全部删除。掌握了之后，可以集成进前面课程有关数据SQL的部分
既然是和数据相关，那准备的部分必然涉及到数据库。假设我们有一个数据表名为automation，记录了企业中，对订单进行自动化处理的情况。
该表设计的思路是，针对每个订单，都会进行自动化处理，并记录处理结果。并且按业务规则，运行失败时会进行一定次数的重试，以避免因资源等环境问题导致的暂时失败，而影响可以自动化的任务。
记录自动化处理的结果字段为code，0表示不符合自动化处理条件，1表示自动化处理成功，大于1的值表示自动化程序内部的错误。
我们需要按照订单的日期来查询按天统计的订单处理情况。查询语句和结果如下图所示。
有了上述准备之后，开始进行Dify应用开发。
添加”SQL Execute”节点(如果没有，需要安装插件后，进入工具选择， ...
今天我们将要继续企业应用之旅，让Dify变成一个超级中间站，能将开源的大几千MCP服务为我所用。
学习完成，你将会让自己的Dify也拥有更专业的使用MCP的能力。
**01.**准备环节我们之前详细学习了MCP所有关键的内容，是时候来表演了。
不过Dify是一个服务端运行的系统，它不像本地可以为MCP服务去准备运行环境。如果让Dify集成stdio方式的MCP，那改动就有点大了。
但是现存海量的MCP服务，绝大多数都是stdio方式，所以关键一点就是打通这个使用方式上的差异。
因此使用一个叫mcp-proxy的工具，就来的如此的顺理成章。(如果听不懂stdio的话，请复习前面的博文)
大模型的得力干将MCP(5) - 应用场景和发展方向，窥探先机，不容错过
为了不影响本地电脑的环境配置等，我们同样以容器的方式，去运行这个mcp-proxy。
根据它的说明文档，有两个地方需要修改为自己的。
重新打包一下镜像，加入uv运行环境。新建一个mcp-proxy.Dockerfile文件，内容如下：
2.以上述镜像，加入需要代理的MCP服务，我们以mysql_mcp_server为例。新 ...
本文适用对象：初级水平
目标：利用迭代的方法，对多个数据条目进行相同的处理
上一节Dify应用实战课，我们继续对新项目智能医疗分诊助手，进行了分解学习。
今天我们又将暂停一下，先学一下循环的处理。
学习完成，你将掌握如何对多条相同形式的数据，按照遍历处理的方法，进行加工处理。
**01.**动手做一做今天的任务会新开一个workflow，完成后可以合并至”每日智选”应用内。
再复习一下”每日智选”的内容，通过获取天气API，得到天气信息，输出到图片和语音中。而现在最主要的内容，是热点新闻和解读。接下来会获取每日热点新闻10条，然后填充进结果图。
添加节点”HTTP请求”，配置该节点为获取热点新闻。
接着在其后，添加节点”LLM”，设置如下，上下文选择”HTTP请求”的请求结果。提示词填写：
123456789根据获得的 上下文 内容，对其进行内容提取：1\. 需要得到author\_name新闻来源，title新闻标题和url文章链接2.严格按照json格式输出，参照key为类型，值为内容的形式，不需要解释。3.新闻来源需要有影响力的媒体，不要采收自媒体类型的。4.一次提取只需要10 ...
本文适用对象：初级水平
目标：对一个结果可能出现多种情况，进行条件分支处理
上一节Dify应用实战课，我们学习了迭代循环处理。而新项目，智能医疗分诊助手，暂停了一期，现在我们继续。
今天我们学习和上节课循环处理类似的方法，分支条件处理。
学习完成，你将掌握如何对一个结果可能存在多种情况时，按不同情况的值，进行不同的处理。
**01.**动手做一做今天的任务基于智能分诊应用”医小助”。在”问题分类器”的”分类2”后新增一个”LLM”节点。
如图所示，添加提示词内容“对
提及的有关视力的部分，进一步进行识别处理，处理结果输出为如下json格式，
1234567{ "type": 0, "result":"","raw":""}如果是咨询近视有关的，将type设置为1；如果是咨询眼睛疾病，将type设置为2；对输入的问题的解释结果，设置为result的值。”
这次我们把大模型的输出格式修改一下，如下图
接着添加”代码”节点，将上一步生成的JSON结果，提取问题 ...
上一节Dify应用实战课，我们继续对新项目，智能医疗分诊助手，进行了分支条件的拆解。
今天我们学习数据库的查询操作。
学习完成，你将掌握如何对数据库中的数据进行获取。
**01.**动手做一做今天的任务基于智能分诊应用”医小助”。在”条件分支”的”case1”后新增一个”SQL查询”节点。
但是，需要先准备一下插件的安装(v1.0.0之后，已经升级需要安装插件)。
插件安装之后，按下图所示进行添加，先点击”工具”，再找到刚才安装的”Database”，展开后选中”SQL Execute”。
第一次使用会让先授权，按下图步骤进行设置。直接点”去授权”，不用管下面的API端点。这个以后有需要再说。
授权之后，如果再用”数据库”工具，就不会再要求进行授权了。授权需要输入的内容如下：
1mysql+pymysql://root:123456@192.168.0.101:3306/hospital
如果用的postgresql或者sqlite，就查询一下插件的说明文档即可。
现在我们就可以填入查询SQL语句了
1SELECT name, title, description FRO ...
