home / skills / wwwzhouhui / skills_collection / dify-dsl-generator

dify-dsl-generator skill

safe

This skill generates complete Dify DSL/YML workflows from user requirements, selecting nodes, parameters, and edges for compliant, ready-to-import files.

npx playbooks add skill wwwzhouhui/skills_collection --skill dify-dsl-generator

Review the files below or copy the command above to add this skill to your agents.

Files (6)

SKILL.md

14.5 KB

---
name: dify-dsl-generator
description: 专业的 Dify 工作流 DSL/YML 文件生成器，根据用户业务需求自动生成完整的 Dify 工作流配置文件，支持各种节点类型和复杂工作流逻辑
version: 1.0.0
---

# Dify DSL 工作流生成器

专业的 Dify 工作流 DSL/YML 文件自动生成工具，基于对 86+ 实际工作流案例的深度学习，能够根据用户的业务需求自动生成符合 Dify 规范的完整工作流配置文件。

## 核心功能

- ✅ **完整DSL生成**: 自动生成包含 app、dependencies、workflow 的完整 YML 文件
- ✅ **多节点支持**: 支持 start、llm、answer、code、http-request、if-else、tool 等所有节点类型
- ✅ **智能连接**: 自动生成节点间的 edges 连接关系
- ✅ **参数配置**: 智能推荐模型参数、提示词配置
- ✅ **插件集成**: 自动识别并配置所需的 Dify 插件依赖
- ✅ **规范格式**: 严格遵循 Dify 0.3.0 版本的 DSL 规范

## 使用方法

### 基础用法
```
生成一个 Dify 工作流用于 [业务需求描述]
```

### 详细用法
```
帮我生成一个 Dify 工作流 DSL 文件:
- 功能: [工作流要实现的功能]
- 输入: [用户输入的内容]
- 处理步骤: [详细的处理逻辑]
- 输出: [期望的输出结果]
- 使用插件: [需要的插件，可选]
```

## Dify DSL 文件结构

基于对 86+ 真实工作流案例的学习，Dify DSL YML 文件遵循以下结构:

### 1. App 配置

```yaml
app:
  description: '工作流描述'
  icon: 🤖
  icon_background: '#FFEAD5'
  mode: advanced-chat  # 或 workflow, agent-chat
  name: 工作流名称
  use_icon_as_answer_icon: false
```

**模式说明:**
- `advanced-chat`: 高级对话模式(chatflow)
- `workflow`: 工作流模式
- `agent-chat`: AI Agent 模式

### 2. Dependencies 依赖

```yaml
dependencies:
- current_identifier: null
  type: marketplace
  value:
    marketplace_plugin_unique_identifier: 插件唯一标识符
```

**常用插件:**
- `langgenius/openai_api_compatible`: OpenAI 兼容接口
- `bowenliang123/md_exporter`: Markdown 导出器
- 其他市场插件根据需求添加

### 3. Workflow 工作流

```yaml
kind: app
version: 0.3.0
workflow:
  conversation_variables: []
  environment_variables: []
  features:
    file_upload:
      enabled: false
    speech_to_text:
      enabled: false
    text_to_speech:
      enabled: false
  graph:
    edges: []
    nodes: []
```

## 节点类型详解

### Start 开始节点

```yaml
- data:
    desc: ''
    title: 开始
    type: start
    variables:
    - label: 用户输入
      max_length: 1000
      options: []
      required: true
      type: paragraph  # 或 text-input, select, file
      variable: query
  id: 'start'
  position:
    x: 100
    y: 300
  type: custom
  width: 244
  height: 90
```

**变量类型:**
- `paragraph`: 段落文本(多行)
- `text-input`: 单行文本
- `select`: 下拉选择
- `file`: 文件上传
- `number`: 数字

### LLM 大语言模型节点

```yaml
- data:
    context:
      enabled: false
      variable_selector: []
    model:
      completion_params:
        temperature: 0.7
        max_tokens: 2000
      mode: chat
      name: gpt-4
      provider: openai
    prompt_template:
    - id: 唯一ID
      role: system
      text: 系统提示词
    - id: 唯一ID
      role: user
      text: 用户提示词 {{#变量引用#}}
    title: LLM节点
    type: llm
    vision:
      enabled: false
  id: '节点ID'
  position:
    x: 400
    y: 300
  type: custom
```

**常用模型provider:**
- `openai`: OpenAI
- `langgenius/openai_api_compatible/openai_api_compatible`: 兼容接口
- `anthropic`: Claude
- `alibaba`: 通义千问

**变量引用格式:**
- `{{#节点ID.输出变量#}}`: 引用其他节点的输出
- `{{#sys.query#}}`: 引用系统变量(用户输入)
- `{{#节点ID.text#}}`: 引用LLM输出文本

### Code 代码执行节点

```yaml
- data:
    code: |
      import json

      def main(arg1: str, arg2: str) -> dict:
          # 处理逻辑
          result = process(arg1, arg2)
          return {
              "result": result,
              "status": "success"
          }
    code_language: python3
    outputs:
      result:
        type: string
      status:
        type: string
    title: 代码执行
    type: code
    variables:
    - value_selector:
      - '前置节点ID'
      - 输出变量
      variable: arg1
  id: '节点ID'
  position:
    x: 700
    y: 300
  type: custom
```

**代码语言:**
- `python3`: Python 3
- `javascript`: JavaScript (部分版本支持)

**输出类型:**
- `string`: 字符串
- `number`: 数字
- `object`: 对象
- `array[string]`: 字符串数组
- `array[number]`: 数字数组
- `array[object]`: 对象数组

### HTTP Request 节点

```yaml
- data:
    authorization:
      config: null
      type: no-auth
    body:
      data: '{"key": "{{#变量#}}"}'
      type: json
    headers: ''
    method: post
    timeout:
      max_connect_timeout: 0
      max_read_timeout: 0
      max_write_timeout: 0
    title: HTTP请求
    type: http-request
    url: https://api.example.com/endpoint
  id: '节点ID'
  position:
    x: 1000
    y: 300
  type: custom
```

**HTTP方法:**
- `get`: GET 请求
- `post`: POST 请求
- `put`: PUT 请求
- `patch`: PATCH 请求
- `delete`: DELETE 请求

**认证类型:**
- `no-auth`: 无认证
- `api-key`: API Key
- `bearer`: Bearer Token

### If-Else 条件判断节点

```yaml
- data:
    cases:
    - case_id: case1
      conditions:
      - comparison_operator: contains
        id: 条件ID
        value: 期望值
        variable_selector:
        - '节点ID'
        - 变量名
      id: case1
      logical_operator: and
    logical_operator: or
    title: 条件判断
    type: if-else
  id: '节点ID'
  position:
    x: 1300
    y: 300
  type: custom
```

**比较运算符:**
- `contains`: 包含
- `not contains`: 不包含
- `is`: 等于
- `is not`: 不等于
- `empty`: 为空
- `not empty`: 不为空

**逻辑运算符:**
- `and`: 与
- `or`: 或

### Tool 工具节点

```yaml
- data:
    provider_id: 工具提供者ID
    provider_name: 工具提供者名称
    provider_type: builtin  # 或 api
    title: 工具调用
    tool_configurations: {}
    tool_label: 工具标签
    tool_name: 工具名称
    tool_parameters:
      参数名:
        type: mixed
        value: '{{#变量#}}'
    type: tool
  id: '节点ID'
  position:
    x: 1600
    y: 300
  type: custom
```

**工具类型:**
- `builtin`: 内置工具(如搜索、天气等)
- `api`: API 工具
- `plugin`: 插件工具

### Answer 直接回复节点

```yaml
- data:
    answer: |
      {{#LLM节点ID.text#}}

      {{#代码节点ID.result#}}
    title: 直接回复
    type: answer
    variables: []
  id: answer
  position:
    x: 1900
    y: 300
  type: custom
```

### Variable Aggregator 变量聚合器节点

```yaml
- data:
    advanced_settings: null
    desc: ''
    groups:
    - group_name: 分组1
      output_type: string
      variables:
      - value_selector:
        - '节点ID'
        - 变量名
        variable: 输出变量名
    title: 变量聚合器
    type: variable-aggregator
  id: '节点ID'
  position:
    x: 2200
    y: 300
  type: custom
```

### Parameter Extractor 参数提取器节点

```yaml
- data:
    instruction: 提取指令说明
    is_array: false
    model:
      completion_params: {}
      mode: chat
      name: gpt-4
      provider: openai
    parameters:
    - description: 参数描述
      name: 参数名
      required: true
      type: string
    query:
    - role: user
      text: '{{#输入变量#}}'
    reasoning_mode: prompt
    title: 参数提取
    type: parameter-extractor
  id: '节点ID'
  position:
    x: 2500
    y: 300
  type: custom
```

## Edges 连接关系

```yaml
edges:
- data:
    isInIteration: false
    isInLoop: false
    sourceType: start
    targetType: llm
  id: 源节点ID-source-目标节点ID-target
  source: '源节点ID'
  sourceHandle: source
  target: '目标节点ID'
  targetHandle: target
  type: custom
  zIndex: 0
```

**连接规则:**
1. 每个节点至多有一个入边(start 节点除外)
2. 节点可以有多个出边(if-else 等分支节点)
3. 最终必须连接到 answer 节点或其他输出节点
4. `sourceType` 和 `targetType` 必须与实际节点类型匹配

## Position 坐标布局

**推荐布局:**
- 起始 X: 100
- 节点间距 X: 300-400
- Y 坐标: 保持在同一水平线(300)或根据分支适当调整
- 分支节点的子节点 Y 坐标: ±150

**示例布局:**
```
Start(100,300) → LLM(400,300) → Code(700,300) → Answer(1000,300)
```

**分支布局:**
```
                    → Branch1(1100,150)
If-Else(800,300) →
                    → Branch2(1100,450)
```

## 生成工作流步骤

### 1. 需求分析
- 理解用户的业务需求
- 确定工作流类型(chatflow/workflow/agent)
- 识别所需的节点类型
- 规划处理流程

### 2. 节点设计
- 设计开始节点的输入变量
- 规划 LLM 节点的提示词
- 确定代码执行逻辑
- 配置 HTTP 请求参数
- 设计输出格式

### 3. 流程连接
- 建立节点间的逻辑关系
- 配置变量传递
- 处理条件分支
- 确保流程闭环

### 4. DSL 生成
- 生成符合规范的 YAML 格式
- 配置唯一的节点 ID
- 设置合理的坐标位置
- 添加必要的依赖插件

### 5. 验证检查
- 检查 YAML 格式正确性
- 验证变量引用完整性
- 确认节点连接合理性
- 检查必填字段完整性

## 实际案例学习

基于 86+ 真实工作流案例的学习总结:

### 案例1: 图片 OCR 识别工作流

**需求**: 上传图片 → OCR 识别 → 提取文字

**节点流程**:
1. Start(file input) →
2. LLM(vision enabled, OCR) →
3. Answer(display result)

**关键配置**:
- Start 节点: type: file, allowed_file_types: [image]
- LLM 节点: vision.enabled: true, vision.configs.variable_selector 指向文件变量
- 系统提示词: "仅输出识别到的图片中的文字信息"

### 案例2: 文本生成 HTML 工作流

**需求**: 文本描述 → 生成HTML代码 → 保存为文件

**节点流程**:
1. Start(text input) →
2. LLM(generate HTML) →
3. Parameter Extractor(extract HTML code) →
4. Tool(md_exporter, save file) →
5. Answer(return file URL)

**关键配置**:
- LLM 提示词: "生成 HTML 程序，仅输出 HTML 代码"
- Parameter Extractor: 提取 HTML 代码块
- Tool: 使用 md_exporter 插件保存文件

### 案例3: 数据查询可视化工作流

**需求**: 用户问题 → SQL 查询 → 图表展示

**节点流程**:
1. Start(query input) →
2. LLM(generate SQL) →
3. HTTP Request(database API) →
4. Code(format data) →
5. LLM(generate chart HTML) →
6. Answer(display chart)

**关键配置**:
- LLM1: Text-to-SQL 生成
- HTTP: 调用数据库查询 API
- Code: 格式化 JSON 数据为图表数据格式
- LLM2: 生成 ECharts/Chart.js HTML

### 案例4: AI Agent 工作流

**需求**: 复杂任务 → Agent 自主规划 → 调用工具 → 返回结果

**节点流程**:
1. Start(task input) →
2. LLM(reasoning, with tools) →
3. Multiple Tool nodes(parallel) →
4. Variable Aggregator(collect results) →
5. LLM(summarize) →
6. Answer(final response)

**关键配置**:
- mode: agent-chat
- LLM 配置: 启用多个 tool
- Tool 并行执行: 多个 edges 从 LLM 指向不同 Tool
- Variable Aggregator: 聚合多个 Tool 的输出

## 常用提示词模板

### Text-to-SQL

```
你是一个专业的 SQL 专家。根据用户的自然语言问题生成准确的 SQL 查询语句。

数据库schema:
{{#数据库结构#}}

用户问题: {{#sys.query#}}

要求:
1. 只输出 SQL 语句，不要有其他说明
2. 确保 SQL 语法正确
3. 使用合适的 JOIN 和 WHERE 条件
```

### 数据提取

```
从以下文本中提取指定信息:

文本内容:
{{#输入文本#}}

提取要求:
- 提取所有日期
- 提取所有人名
- 提取所有金额

以 JSON 格式输出:
{
  "dates": [],
  "names": [],
  "amounts": []
}
```

### HTML 生成

```
根据用户需求生成完整的 HTML 页面。

需求: {{#用户需求#}}

要求:
1. 生成完整的 HTML 文档
2. 包含必要的 CSS 样式
3. 添加必要的 JavaScript 交互
4. 确保代码格式规范
5. 只输出 HTML 代码，不要 markdown 代码块标记
```

## 注意事项

### 必须遵守的规则

1. **唯一ID生成**: 每个节点必须有唯一的 ID(建议使用时间戳: `1747991890414`)
2. **变量引用格式**: 必须使用 `{{#节点ID.变量名#}}` 格式
3. **节点类型匹配**: edges 中的 sourceType 和 targetType 必须与节点实际类型一致
4. **必填字段**: 不能省略 YAML 中的必填字段
5. **YAML格式**: 严格遵循 YAML 缩进规范(2空格)

### 常见错误避免

1. ❌ 变量引用错误: `{{节点ID.变量}}`
   ✅ 正确格式: `{{#节点ID.变量#}}`

2. ❌ 缺少节点连接: 节点孤立未连接
   ✅ 确保所有节点都在 edges 中有连接关系

3. ❌ ID 重复: 多个节点使用相同 ID
   ✅ 每个节点使用唯一 ID

4. ❌ Position 重叠: 多个节点坐标相同
   ✅ 合理规划节点位置，避免重叠

5. ❌ 依赖缺失: 使用插件但未在 dependencies 中声明
   ✅ 使用插件时必须添加对应的 dependency

## 输出格式

生成的 DSL 文件必须是完整的、可直接导入 Dify 的 YAML 格式:

```yaml
app:
  # App 配置

dependencies:
  # 依赖列表

kind: app
version: 0.3.0

workflow:
  conversation_variables: []
  environment_variables: []
  features:
    # 功能配置
  graph:
    edges:
      # 连接关系
    nodes:
      # 节点定义
```

## 质量标准

### 合格标准(必达)
- ✅ YAML 格式正确，可以被解析
- ✅ 包含完整的 app、dependencies、workflow 配置
- ✅ 至少包含 start 和 answer 节点
- ✅ 节点间有正确的连接关系
- ✅ 变量引用格式正确
- ✅ 所有必填字段完整

### 优秀标准(建议)
- 🌟 提示词设计专业，符合业务需求
- 🌟 节点布局美观，逻辑清晰
- 🌟 包含适当的错误处理(if-else 判断)
- 🌟 使用合适的插件提升功能
- 🌟 代码执行节点健壮性强
- 🌟 变量命名语义化

## 触发关键词

自动触发 dify-dsl-generator skill 的关键词:
- "生成 Dify 工作流"
- "创建 Dify DSL"
- "Dify YML 文件"
- "工作流配置文件"

## 更新日志

### v1.0.0 (2025-11-22)
- ✅ 初始版本
- ✅ 基于 86+ 真实案例学习
- ✅ 支持所有主要节点类型
- ✅ 完整的 DSL 生成能力
- ✅ 智能节点连接
- ✅ 规范格式输出

## 技术支持

参考资源:
- Dify GitHub: https://github.com/langgenius/dify
- DSL 案例仓库: https://github.com/wwwzhouhui/dify-for-dsl
- Dify 官方文档: https://docs.dify.ai

Overview

This skill is a professional Dify workflow DSL/YML generator that converts plain business requirements into complete, import-ready Dify configuration files. It supports all major node types, automatic edge wiring, plugin dependency detection, and produces YAML that follows Dify 0.3.0 DSL rules. Use it to speed up workflow authoring, reduce manual errors, and enforce consistent structure and IDs.

How this skill works

Provide a short specification of the desired workflow (purpose, inputs, processing steps, outputs, optional plugins) and the skill generates a full app/dependencies/workflow YAML file. It designs start nodes, LLM prompts, code/http/tool/condition nodes, variable mappings, edges, positions, and recommended model parameters. The generator validates IDs, variable reference formats, and typical YAML constraints so output is import-ready for Dify.

When to use it

You need a ready-to-import Dify DSL for a new chatflow, workflow, or agent.
You want to convert a business process description into an executable workflow quickly.
You need consistent, validated YAML that follows Dify 0.3.0 conventions.
You require multi-node flows with LLM, code, HTTP, tool, and conditional logic.
You want automatic plugin/dependency configuration for external integrations.

Best practices

Describe inputs, processing steps, and expected outputs clearly and concisely.
Specify required plugins or external APIs to ensure dependencies are included.
Provide example inputs or schemas for data-driven nodes (SQL, JSON, files).
Review suggested prompt templates and adjust system/user prompts for domain needs.
Use unique, timestamp-based node IDs and keep node variable names semantic.

Example use cases

Image OCR: file upload start -> vision-enabled LLM -> answer node returning recognized text.
HTML generator: text input -> LLM to produce HTML -> parameter-extractor -> md_exporter tool -> answer with file URL.
Data query: user question -> LLM generates SQL -> HTTP request to DB API -> code node formats results -> LLM builds chart HTML -> answer displays chart.
AI agent: task input -> LLM planner -> parallel tool calls -> variable aggregator -> LLM summarizer -> final answer.

FAQ

What input format does the generator expect?

A short structured brief: workflow purpose, inputs, step-by-step processing, expected outputs, and optional plugins. The more concrete the brief (example inputs, schemas), the better the generated DSL.

Will the YAML be import-ready for Dify?

Yes. Generated YAML follows Dify 0.3.0 DSL rules, includes app, dependencies, workflow sections, valid node IDs, edges, and standard variable reference formats so it can be imported directly.