在传统的自动化流程中，每个工具调用都是预先编排的固定动作。然而，当面对复杂问题时，这种刚性结构就像让钢琴家只能机械地按乐谱演奏。Workflow 主要是对具体任务的执行进行约束，但随着 LLM 推理能力的增强，我们可以逐步将 Workflow 中可信的部分交由 LLM 执行。近日，Dify 正式推出了 Agent 节点 Strategy 类型插件，我们将在接下来的部分介绍这一功能。
核心概念：Agent Node 与 Strategy 的关系
在 Dify 的 Workflow 中，Agent 节点的作用是让某些环节不再需要固定的流程和工具模式，而是可以交由 LLM 自主决策与判断。代理策略是一个可扩展的模板，用于定义标准输入内容和输出格式。通过开发特定的代理策略界面功能，您可以实施各种代理策略，例如 CoT（思维链）/ ToT（思维树）/ GoT（思维图）/ BoT（思维支柱），并实现语义内核等复杂策略。
在 Dify 中，Agent Node 承载了 Agent Strategy，并与上下游节点连接，类似于 LLM 节点，它解决一个具体任务并将最终响应返回给下游。
-
Agent Node（执行单元） 工作流中的「决策中心」，负责调度资源、管理状态、记录完整推理过程。 -
Agent Strategy（决策逻辑） 可插拔的推理算法模块，定义工具使用规则和问题解决范式。
这种解耦设计，就像将汽车的引擎与控制系统分离，让开发者可以独立升级「动力系统」，而不影响整车架构。我们预置了两种经典 Agent Strategy：
-
ReAct：思考-行动-观察的经典推理链
-
Function Calling：函数式精准调用
你可以直接在 Marketplace 中下载这些策略。更重要的是，我们推出了开放的策略开发标准。在 Dify，任何开发者都可以：
-
通过 CLI 工具快速创建策略插件 -
自定义配置表单和可视化组件 -
对接学术前沿算法（如 Tree-of-Thoughts）
这意味着 Dify 将成为 AI 推理策略的「创新试验场」，每个用户都能享受社区共建的红利。
功能全景图
在 Workflow 中，Agent 节点使得多步工具推理可以实现自主思考。一个最小的 Agent Strategy 至少需要定义 LLM API 和工具的使用方式。
对普通用户
-
拖拽即用
从工具面板直接拖入 Agent 节点，三步完成配置：
-
选择推理策略 -
绑定工具/模型 -
设置提示词模板
实时查看：-
总耗时/Token 消耗 -
多轮思考过程 -
工具调用轨迹
对开发者
定义一个 Agent Strategy，就是在定义以下模块，规定语言模型如何：
-
处理用户查询；
-
选择合适的工具；
-
使用正确的参数执行这些工具；
-
处理结果；
-
确定任务何时完成。
标准化开发套件：包含策略配置组件库（如 Model Selector/Tool Editor 等）、结构化日志接口、沙盒测试环境。
策略的定义包括其身份和元数据、必需的参数（如模型、工具、查询等）、参数的类型和约束，以及实现源代码的位置。
代理的执行流程分为三个主要阶段：初始化、迭代循环和回答。在初始化阶段，系统会设置好所需的参数、工具和上下文。接着进入迭代循环，在这个阶段，系统会准备包含当前上下文的提示，并使用工具信息调用大型语言模型（LLM）。然后，系统解析 LLM 的响应，以确定是调用工具还是获得最终答案。如果需要调用工具，系统会执行相应的工具，并用工具的输出结果更新上下文。这个循环会持续进行，直到任务完成或达到预设的最大迭代次数为止。最后，在最终阶段，系统会返回最终的答案或结果。
通过 YAML 文件定义策略，例如，定义一个 function_calling.yaml 配置文件：
parameters:- name: modeltype: model-selectorscope: tool-call&llm- name: toolstype: array[tools]- name: max_iterationstype: numberdefault: 5extra:python:source: function_calling.py
这种声明式架构使策略配置如填写表格般简单，同时支持：
-
参数动态校验（类型/范围/依赖关系） -
多语言标签自动渲染
未来展望：持续迭代更多可能
未来，我们计划增加更多适合开发者的组件库，如：
-
知识库调用 -
Chatflow 中的 memory -
错误处理及重试 -
更多的官方 Agent 策略
用户可以自主从社区下载不同策略并将其装载到不同节点中，以解决不同任务。在尝试 Agent Node 时，可以用三节点的 Chatflow 简单了解其运行原理，并模拟 Agent 的能力。解决复杂任务时，可以尝试使用路由和交接的方式，将 Agent 节点视为 LLM 节点的扩展，分步骤解决问题。
比如，通过 Agent 节点实现 OpenAI ChatGPT-4o with Task 的能力（图来自社区贡献者 Pascal）。
