企业官网建设流程全解析

46个Dify工作流合集：导入即用的翻译、数据分析与图表生成指南

【免费下载链接】Awesome-Dify-Workflow分享一些好用的 Dify DSL 工作流程，自用、学习两相宜。 Sharing some Dify workflows.项目地址: https://gitcode.com/GitHub_Trending/aw/Awesome-Dify-Workflow

Awesome-Dify-Workflow 是一个收录了 46 个 Dify 工作流（DSL）的开源合集，覆盖文档翻译、CSV 数据分析、JSON 数据清洗、图表渲染和知识库问答等常用场景。每个流程都是一个可直接导入的 YAML 文件：导入你的 Dify 账号、配上模型 API 就能跑通完整链路，适合刚接触 Dify 的新手，也适合想基于现成方案做二次改造的开发者。

Dify工作流的典型用途：先判断它能不能接住你的需求

📌 打开 DSL 目录 之前，先看看这四个高频需求，判断这个合集里有没有对应现成方案：

• 用自然语言分析表格数据：手上有一份业务 CSV，想直接问"各区域销售额排名"而不是手写 Python。runLLMCode.yml 支持上传文件后用中文提问，自动写 pandas 代码并执行返回结果；仓库里还有配套的 数据分析.7z（查库、解读、出图的完整示例）和用 sandbox 读取解析文件的 File_read.yml。
• 成批的文档翻译：中译英.yml 按"直译→指出问题→意译"三步走，输出贴近英文论文习惯的译文；全书翻译.yml 先切块长文再逐块迭代，处理整本书；DuckDuckGo翻译+LLM二次翻译.yml 用传统翻译引擎做第一遍直译，省 Token 的同时保质量。
• 数据清洗与可视化输出：大模型输出的 JSON 缺引号、多括号时，json-repair.yml 能把它修复成可解析格式；只换语言不换结构时用 json_translate.yml 迭代翻译；结果要直接进聊天窗口，matplotlib.yml 和 chart_demo.yml 都能把图表渲染出来。
• 知识库与搜索问答：Document_chat_template.yml 是知识库聊天的模板；图文知识库 让检索结果按"图配文"展示；搜索大师.yml 接 SearXNG 搜索再用 Jina 抓正文，适合搜索增强问答。

Dify工作流导入教程：从注册账号到第一次运行

导入前注意版本：Dify 0.13.0 及以上才能导入这些工作流（该版本线已支持多任务并行、会话变量、表单和 echart 渲染），要用 Agent 节点则建议直接上最新 1.0 版本。部署方式二选一：熟悉 Docker 的话按官方教程本地部署；只想快速体验，官方云服务的免费额度可以创建最多 5 个流程，后期再充值。注册账号后，先去模型设置里添加模型 API——部分工作流预置了特定模型的配置，你没有对应提供商时，记得在 LLM 节点里换成自己的。

然后到仓库的 DSL 目录 按 README 里的描述挑文件。导入有两条路：在 Dify 里点击"导入 DSL"，直接粘贴该 yml 文件的线上 URL；或者把整个仓库克隆到本地再上传文件：

git clone https://gitcode.com/GitHub_Trending/aw/Awesome-Dify-Workflow

导入后最常做的两处调整：把 LLM 节点里的模型换成你账号里有的，再按业务改提示词模板。最后用右侧试运行面板点运行：按开始节点声明的输入填写（翻译流程填文本，分析流程传文件），逐个节点核对输出。逻辑没问题后，可以把流程发布为工具再嵌进 ChatBot——这个仓库里所有 DSL 都是工作流模式，天然支持这种复用。

代表性Dify工作流拆解：数据分析、JSON清洗与图表出图

上传CSV后用自然语言提问：runLLMCode 的数据分析流程

场景：你导出一份销售 CSV，想用中文提问而不是写代码。做法：在开始节点上传文件并输入查询，例如"帮我算月度均值"。关键节点有五个——先用代码节点读 CSV（pandas 取前 5 行，并统计总行数、列数、列名生成数据样本），把样本和你的问题一起交给 LLM（默认 deepseek-coder）生成 pandas 代码；再用正则从回复里抽出 python 代码块；然后通过 HTTP 请求调用 sandbox 的执行接口运行代码——因为代码节点无法直接执行 LLM 生成的内容，README 里专门解释了这条设计；最后解析 stdout 输出成 Markdown 返回。效果：一句自然语言换来一张现成的数据表格和结论。

清洗和翻译JSON数据：json-repair 与 json_translate 搭配用法

大模型生成的 JSON 经常"差一口气"：少个引号、多个括号，下游程序直接解析失败。json-repair.yml 就是为这种场景准备的，结构极简：开始→代码执行→结束，在代码节点里完成修复，输入坏 JSON、输出可解析 JSON。

翻译侧的 json_translate.yml 节点链路更完整：代码节点先"抽取"出需要翻译的字段，交给迭代器逐条处理，内部走"解析→翻译（LLM 只碰内容字段）"，再"合并、组装"回 JSON，最后输出。效果是一份中文商品描述 JSON 变英文后，结构、键名和无需翻译的字段原样保留。API 数据标准化、多语言本地化都可以直接套用这两条流程。

在Dify聊天窗口直接渲染图表：matplotlib 出图配置

想让图表出现在对话里而不是另存文件，matplotlib.yml 只用三个节点：开始→代码执行→直接回复。代码节点用 matplotlib 绘图（示例是正弦曲线），把图片存进内存缓冲再编码成 base64 字符串；"直接回复"节点把它拼成描述内嵌到回复里，聊天窗口即可渲染。这种 base64 内嵌方式顺便规避了图片跨域问题。两个注意点：官方 sandbox 对 matplotlib 有权限限制，作者建议换用他开源的增强版沙箱 dify-sandbox-py；另一条出图路线是 chart_demo.yml，用 echart 语法在回复内容里渲染图表，还能接 SQL 查询拼数据。

让知识库问答带上图片：图文知识库配置方法

做客服或文档问答时，纯文字回答往往不够直观。图文知识库目录 里除了示例流程，还附带了 markdown 样例文档（如 Dify 使用教程示例）。核心做法：知识库文档中的图片以远程图片链接形式写入，检索命中后回复会按"图配文"渲染出来。如果你手上是图文 Word 但没有远程图床，README 的常见问题一节有对应的处理思路说明。

Dify工作流常见问题与提效技巧速查

🔧 以下问题都来自 README 的 FAQ，按"症状→处理办法"整理：

• sandbox 运行 pandas / numpy / matplotlib 报operation not permitted→ 官方沙箱权限限制，换用作者开源的增强版沙箱 dify-sandbox-py，其中的科学计算库都经过测试可用。
• sandbox 缺 pandas 等第三方库→ 把依赖写入/docker/volumes/sandbox/dependencies/python-requirements.txt，重启 sandbox 生效。
• 节点间传递字符串提示超限制→ 修改 .env 中CODE_MAX_STRING_LENGTH: 1000000、TEMPLATE_TRANSFORM_MAX_LENGTH: 1000000，然后重启容器。
• 拿到图片 URL，markdown 写在回复里却不显示→ 图片服务不支持跨域访问，换成支持跨域的图床，或像 matplotlib.yml 那样转 base64 内嵌。
• 知识库上传大文件，改了上传限制还是失败→ .env 里 nginx 相关的配置也要一并修改，改完重启容器。
• 知识库处理永久排队→ 在 .env 中设置LOG_FILE=/app/logs/server.log，重启容器。
• 上传 PDF 出现乱码→ 先把 PDF 转成 Markdown 再上传。
• 管理员密码忘记了→ 执行docker exec -it docker-api-1 flask reset-password重置。
• 希望定时执行某个流程→ Dify 本身不带调度，README 的常见问题一节给出了社区定时任务方案的指向，可按需接入。

Dify工作流分类速查表

下一步：挑一个工作流先跑起来

这个合集里所有工作流都可以免费使用，画布结构也都足够简单，导入后逐节点看一遍，比看十篇文章都更能理解 Dify 工作流是怎么搭的。建议从你最常做的一件事入手：常分析数据就从 runLLMCode 开始，常翻译文档就先导入中译英，跑通一次后再改提示词做自己的版本。遇到报错时，优先翻 README 的常见问题一节，里面覆盖了沙箱、文件限制、密码重置等大部分高频问题。

本合集持续更新中，README 的 DSL 目录会按月份新增工作流，使用中的疑问也可以参考其中的常见问题和作者联系方式获取支持。

【免费下载链接】Awesome-Dify-Workflow分享一些好用的 Dify DSL 工作流程，自用、学习两相宜。 Sharing some Dify workflows.项目地址: https://gitcode.com/GitHub_Trending/aw/Awesome-Dify-Workflow