同一个 AI 助理先给市场部做了知识问答机器人，技术部说「我们也要一个」——两个部门共用助理，答案会串吗？客户 A 的上下文出现在客户 B 的回答里，在单档案场景下不是「会不会」的问题，是「迟早」的问题。本文讲透 Hermes Agent 的 Profile 多档案机制：一份档案 = 一套完全独立的数据（记忆/技能/会话/配置），机器人各接各的档案、各配各的入口——隔离靠物理分档案，不靠权限配置、

RAG 知识库实战：三大深坑与修复方案 本文基于 Dify 1.16.x 实测，详细记录了 RAG 知识库落地过程中的三个典型问题及解决方案： 流程图截断问题：PDF 矢量图仅提取1/4高度，通过扩展渲染区域（包含所有文本块）和增加尺寸检测机制，176张流程图全部完整提取，矮图从2张降为0。 限流风暴问题：embedding 配额不足导致建库失败，发现不同模型配额差异（10 RPM vs 1800

本文介绍了一种基于Dify平台的自动化测试用例生成方案，通过LLM技术解决传统人工编写测试用例的效率和质量问题。该方案具有以下特点： 业务痛点：传统测试用例编写存在耗时长、边界场景覆盖不全、优先级划分模糊、格式不统一等问题。 解决方案：利用Dify工作流实现： 自动拆解功能描述为测试点（功能/边界/异常） 智能分级（P0-P3优先级） 生成完整用例（前置条件/步骤/预期结果） 输出标准化CSV格式

企业里最值钱的知识锁在手册里——几百页设备文档、故障记录，平时没人翻、出事翻不到。本文讲一种生产环境验证过的落地形态：AI 执行体做入口与调度，Dify 承载知识库与问答应用，把「翻手册」变成「聊天里问一句」，答案带手册出处、置信度与示意图。为什么知识要放 Dify 不放 AI 执行体自己带（18 条用例双跑实测）、链路每个环节的设计取舍、三个生产里排过的坑——检索配置丢失、LLM 空输出、改写丢

不是所有 AI 项目都要上平台、建知识库、画流程图——盯告警、整理文档、做一个内部固定工具，一个纯 AI 执行体就够：不部署 Dify、不建知识库、不画流程，交付物是执行体加一份技能/规则。本文讲这类「轻量独立形态」能干的活（值守监控、文档数据处理、技能型内部工具）、不能干的活（知识规模化的场景/流程要业务方可视化的场景/多人在线服务），每类给真实样例与踩过的坑，附适用判断信号表。AI 值守、文档

上一篇文章说「门户机器人用 Dify 答，因为展示场景要确定性」。有读者问：Hermes 通过 skill 约束，不是也可以做到确定性吗？这篇文章正面回答这个问题：确定性分三层——流程、行为、输出。skill 约束能锁住行为层和部分输出层，但锁不住流程层，因为流程决策权始终在 LLM 手里。用我们自己的四个实测案例证明：文本约束是概率性服从，结构约束才是确定性执行。

我们门户有两个自用机器人（「知鱼」「AI 机器人」），用的是 Dify 回答，而不是把本机的 skill 复制到云端 Hermes Agent。很多人问：Hermes 不是更强吗？为什么不用？这篇文章复盘当时的决策：公开展示面要的是确定性（回答稳定、可审计、可发布），这是 Dify workflow 的结构优势；而 Hermes 的自主执行能力，留给内部交付场景。判断标准只有一条：这个场景要的是「

Agent 怎么验收？考卷选「约束敏感型」任务（无约束不自觉、有约束会遵守），六维评估（成功率/达标率/修正/成本/稳定性/退化），取证可复现。v1 考卷漏「事实准确」用例，格式全对但事实错误的输出满分通过——报告类任务必带事实核对。

多轮对话里，Agent 会记住你说过的要求并跨轮执行——「对话即约束」，8 轮对话链 30/30 用例全过。但「先查技能」这类行为纪律不靠对话形成，必须靠配置。8 轮内无退化，重要要求说一句「写入记忆」更稳。

200 多次实验的结论汇总成七条铁律：结构化约束、纪律进身份、记忆粗粒度、触发词精准窄、小技能单文件大技能拆 refs、约束有甜点区、验收用考卷+六维。每条带实测数据和适用边界，可直接复制使用。