Dify 1.5.0：真正可用的实时工作流调试功能

摘要： Dify v1.5.0 重构了工作流的构建与调试体验。通过引入“上次运行追踪”、“逐步执行控制”及全局“变量检查面板”，开发者可直观查看节点状态、直接修改变量并单步测试，彻底告别黑盒式排查和昂贵的重复 API 调用，显著提升 AI 应用开发效率。

构建 AI 应用的挑战：从黑盒到透明

构建 AI 应用程序意味着要处理复杂的逻辑链条。你的生产环境工作流可能以知识检索节点开始，接着调用工具获取实时数据，通过多个 LLM（大语言模型）节点进行推理，最后利用模板节点整合所有信息。这套流程功能强大，但调试起来却异常困难。

当最终输出结果不如预期时，最关键的问题是：故障出在哪里？ 是 RAG（检索增强生成）抓取了无关文档？工具返回了错误数据？还是 LLM 的推理过程出现了偏差……在传统工作流中，这一切都像是一个“黑盒”。

你在一端输入参数，在另一端等待结果，只能祈祷一切正常。一旦出现问题，你就不得不陷入日志的海洋，并重新运行整个工作流来寻找线索。这是一个基于猜测而非洞察的过程，既浪费时间又消耗 API 成本。

开发者需要的是透明度和控制权，而不是像侦探一样去翻找日志。这就是为什么 Dify 1.5.0 对工作流的构建和调试进行了彻底重构，旨在将 AI 应用的开发转变为真正的实时迭代过程。

之前的局限性

在 Dify v1.4.x 及更早版本中，我们提供单步执行功能，允许开发者单独测试各个节点。但这种方法存在明显的局限：

• 无结果存储：
  当你切换到下一个步骤时，前一个节点的输出就会消失，导致每次调试都必须从头开始。
• 手动输入变量：
  每一次调试都需要重新键入该节点所需的所有变量，无法复用上游的结果。
• 视野受限：
  你必须逐个检查日志中的每个节点，永远看不到完整的数据全景图。
• 昂贵的重跑成本：
  发现问题意味着要重启整个工作流，包括那些已经成功执行且消耗大量 API 调用的前置步骤。

当工作流表现不佳时，开发者被迫扮演侦探角色，逐一检查每个节点的输出来寻找问题根源。这种被动的方式不仅浪费开发时间，还迫使团队在猜测而非扎实理解的基础上进行构建。

Dify v1.5.0：真正的所见即所得（WYSIWYG）开发环境

Dify 1.5.0 直面上述痛点，引入了真正可视化的实时调试体验：

1. 上次运行追踪与逐步控制 (Last Run Tracking and Step-by-Step Control)

• 上次运行记录：
  现在，每个节点都会自动保存其最后一次成功执行的结果。无论你是单步测试还是全链路运行，每个节点都会捕获该次运行的输入、输出和元数据。这就像是为每个节点配备了“黑匣子”，为调试或全流程运行提供坚实、可追溯的证据链。

• 变量交接 (Variable Handoff)：
  这种追踪机制实现了真正的逐步执行。当变量检查面板中包含了某个节点所需的数据时，你可以直接运行该节点。系统会自动获取依赖关系，并在执行后更新监控视图。这就像在 Jupyter Notebook 中独立运行单元格一样——选择任意一个节点并点击运行，工作流会自动处理所有数据关联。

2. 变量检查面板 (Variable Inspect Panel)

我们在画布底部新增了一个变量检查（Variable Inspect）面板。这个全局控制中心实时显示整个工作流中的所有变量及其内容。你不再需要穿梭于各个节点的输入输出之间寻找线索，一切都在一个清晰的视图中呈现。

其真正的威力在于直接编辑功能。你可以直接在监控面板中修改大多数变量的值，测试不同数据对下游节点的影响，而无需重新运行昂贵的上游操作（如复杂的 LLM 调用或 API 请求）。

这两项升级相辅相成，使工作流开发更加透明。每个节点的状态都被保存并可视化展示，每次调试都能精准定位问题并快速验证修复效果。复杂 AI 应用的开发变得像搭积木一样简单直观。

实战演练：构建一个 AI 投资研究助手

让我们通过一个具体案例来看看新功能的实际应用。

我们要构建的工作流如下：
开始 → [并行] 知识检索（从数据库拉取财报） & Exa Web Scraper（抓取互联网数据）→ 模板节点合并内容 → LLM 处理所有内容 → 最终输出

这里有一个常见的新手错误：你不熟悉知识检索的输出格式，导致模板节点未能正确包含数据库内容。虽然模板节点本身运行“正常”，但由于缺少关键数据，LLM 接收到的输入是不完整的。结果就是输出质量平庸。

旧方式：痛苦的侦探游戏

以前，输出质量差意味着要经历一个痛苦的过程：

1. 寻找问题：
   翻遍运行历史，逐个点击节点检查输出，最终发现模板节点丢弃了知识库内容（尽管它显示“成功”）。
2. 修复与测试：
   回到编辑模式修改模板代码，然后面临两个糟糕的选择：
   • 重跑整个工作流：包括缓慢的知识检索和网页抓取。
   • 仅调试 LLM 节点：但需要手动输入修正后的模板输出结果。
3. 循环往复：
   如果对结果仍不满意，就得重复上述整个过程。

这不仅浪费时间，还会产生不必要的 API 成本，特别是在多轮调试期间。

新方式：精准高效

现在你可以这样操作：

1. 运行完整工作流：
   点击一次“运行”。每个节点的结果都会自动保存到变量监控面板中，让你清晰查看所有输出。
2. 定位问题：
   通过变量检查面板，你立即发现 Exa 网页搜索正常，但模板节点的输出了缺失知识库内容。

1. 精准修复：
   直接修补模板节点的代码，使其正确整合知识库数据。

1. 逐步测试：
   • 仅运行模板节点：它会自动从监控面板中获取上游数据，并更新其输出结果。

*   **仅运行 LLM 节点**：它会自动使用修复后的模板输出作为输入。你可以立即看到结果，无需重新运行上游步骤。

1. 持续迭代：
   如果 LLM 的输出仍需改进，你可以调整提示词（Prompt）设计并仅重跑该节点。每次更改只需几秒钟即可验证效果。

对比总结

效率的提升显而易见。

总结

我们希望 Dify 1.5.0 的核心升级能为复杂的 AI 开发带来确定性和可见性。通过实时交互和透明的状态管理，开发者可以更快地验证想法、精准定位问题，并充满信心地构建生产就绪的 AI 应用程序。