用Dash开发基于Dify的Agent Chain（1）

如果想把Dify平台上开发的多个AI Agent无缝集成到一个Dash应用中，还要让它们之间能互相调用、协同工作，这事靠不靠谱？答案是肯定的。先说个核心判断：基于Dify搭建的多个Agent，不仅可以在Dash中实现流畅集成，还能通过构建Agent Chain来完成复杂的综合任务。当然，真正的完全自动化调度还有距离，但在现阶段，实现Agent之间的相互调用已经非常实用了。

这篇文章会从实战出发，带你具体了解Dify平台上的四个AI Agent如何配置，以及如何在Dash应用中把它们拧成一股绳。项目代码会直接拆开来讲，逻辑和实现路径都摆在明面上。

基于Dify搭建智能体

目前，这个项目里配置了4个智能体，分别是意图识别、制度专家、智能助手和创作大师。整个工作流程是这样的：用户抛出的问题，先交给意图识别Agent来判断究竟属于哪一类，然后由它决定下一步该调用哪个智能体来接手——这就好比安排任务时，先找个懂行的来“分流”，再把活派给最对口的人。

特别说明一下，这篇文章不会把智能体的提示词全部铺开讲，篇幅有限，后面会单独开一个专题来详细聊提示词的设计思路。这里先把Agent的基本概况列出来。

意图识别Agent

这个Agent是整个链条的“总闸”，用来判断用户的意图，并根据识别结果调用相应的智能体。

制度专家

一个基于RAG技术实现的公司制度助手，专门用来解答员工关于公司制度的问题，答案来源是内部知识库。

创作大师

顾名思义，这是一位专攻小红书文案的创作助手。你给个主题，它就帮你产出风格地道的文案。

智能助手

一个通用的聊天助手。当用户的问题既不属于制度范畴，也不适合创作文案时，就由这个Agent来兜底。

基于Dash构建智能体链

这个项目是在之前《用Dash搭建Dify多智能体应用》的基础上做了改进，最大的变化在于：由

项目结构保持得比较清晰：

AgentChain/
├── asserts/
│   ├── ├── imgs/
│   ├── callback.js
│   ├── style.css
├── apis/
│   ├── dify_api.py
├── views/
│   ├── commom.py
├── app.py
├── config.py
├── requirements.txt

Dify接口封装

在dify_api.py中，我们封装了Dify的chat-messages接口。Dify其实还提供上传文件、获取会话历史等接口，但目前这个阶段没用到，所以没做多余封装。保持干净，够用就行。

class difyServer():
    def __init__(self, dify_service_url):
        self.dify_service_url = dify_service_url

    def chat(self, query, api_key, conversation_id="", user="", stream=True):
        headers = {
            'Authorization': f'Bearer {api_key}',
            'Content-Type': 'application/json',
        }

        json_data = {
            'inputs': {},
            'query': query,
            'response_mode': 'streaming',
            'conversation_id': f"{conversation_id}",
            'user': user,
            'auto_generate_name':True
        }

        return requests.post(f'{dify_service_url}/v1/chat-messages', headers=headers, json=json_data, stream=stream)

智能体配置

在config.py中，把前面提到的四个Agent以及Dify接口地址统一做了配置。每个Agent都有独立API Key和标题，还配了个颜色标识，方便Dash端做UI区分。

dify_service_url = "your_dify_api_host"

DifyAppGroup = {
    "Router": {
        "apikey":"app-your-dify-app-api-key",
        "title":"SpaceAI",
        "type":"Chatflow",
        "color": "#357f37",
    },
    "RuleQA":{
        "apikey":"app-your-dify-app-api-key",
        "title":"制度专家",
        "type":"Chatflow",
        "color": "#DB7093",
    },
    "GenealQA":{
        "apikey":"app-your-dify-app-api-key",
        "title":"智能助手",
        "type":"Agent",
        "color": "#87CEFA",
    },
    "RedBookQA":{
        "apikey":"app-your-dify-app-api-key",
        "title":"创作大师",
        "type":"Agent",
        "color": "#FF4981",
    },
}

处理Agent链

实现Agent链的关键在于：Dify在

在Dash中获取约定参数的过程，是通过一个routerParams标识来实现的：

// 提取工作流传出参数，并保存到session中
let paramsContent = '';
const paramsRegex = /```routerParamsn([sS]*?)n```/g;
let match;
while ((match = paramsRegex.exec(newCache)) !== null) {
      paramsContent += match[1] + 'n'; 
      newCache = newCache.replace(match[0], ''); 
  }
window.dash_clientside.set_props(
      "app-router-store",
      {
          "data": paramsContent.trim()
      }
  )

拿到Agent编号之后，根据配置信息去调用对应的智能体即可。值得留意的是，这里的回调逻辑并不复杂——检查是否已完成路由判断，然后从配置中取出目标Agent信息，再构造出对应的UI展示。

@app.callback(
    [
        Output("agent-call-container", "children"),
        Output("is-finished-answer-store", "data", allow_duplicate=True),
        Output("consume-agent-store", 'data', allow_duplicate=True),
    ],
    [
        Input("app-router-store", "data"),
        Input("is-finished-answer-store", "data"),
    ],
    State("consume-agent-store", "data"),
    prevent_initial_call=True,
)
def call_router_agent(app, is_finish, consume_info):
    '''根据路由结果调用agent '''
    if all([app, is_finish]):
        agent = json.loads(app).get("agent")
        consume_info.update({
            "is_consume":False,
            "app":agent,
        })
        agent_config = DifyAppGroup.get(agent)

        return [
            fac.AntdSpace([
                    fac.AntdText(
                        "智能体",
                        strong=True,
                        style={'fontSize': 16}
                    ),
                    fac.AntdTag(
                        color=agent_config.get("color", "#5846ff"), 
                        content=f'@ {agent_config.get("title", "")}'),
                    fac.AntdText(
                        "为您解答！",
                        strong=True,
                        style={'fontSize': 16}
                    ),
                ], 
                size=2, 
                style={"marginTop":"8px"}
            ),
            False,
            consume_info
            ]

    return [dash.no_update, dash.no_update, dash.no_update]

说白了，这套机制的本质就是：意图识别Agent作为调度中枢，根据用户意图输出结构化的调度指令，然后Dash应用负责解析指令、切换目标Agent。整个过程对用户是透明的，用户只看到最终结果，底层的跳转和调度完全由链条自动完成。

这才是Agent链的核心逻辑——不是简单的串联，而是有判断、有分工的协作。当然，目前只是初步实现了自动调用，更复杂的任务拆分和多轮协作，还有不少优化空间，后续会继续迭代。