维度Graph API编程范式声明式（What）命令式（How）状态管理全局共享、强类型 State函数局部、动态字典分支逻辑多条件、可视化路由简单 if/else、循环并行支持✅ 原生支持，自动调度❌ 需手动用 asyncio/threading学习曲线中高（需理解图结构）极低（就是普通函数）调试体验可视化流程 + 状态快照传统 print/debugger团队协作✅ 图可导出、可评审✅ 代码即

把 3 条有效文档 → 组织成“项目可研报告”的标准结构每个段落对应一个模块：背景、目标、方案、成本、风险用 LLM 生成格式规范、术语统一、逻辑严密的文本我们不是在“回答问题”，我们是在生成企业级文档。用户要的不是“答案”，是“报告”。传统 RAG 是“搜索引擎 + 大模型”。我们的系统，是一个懂业务、会判断、能计算、能写作的 AI 员工。知道什么时候该查文档知道什么时候该算数知道什么时候该重试

计算和内存瓶颈上做了关键优化，引入“滑动窗口 + 全局 token”机制，使其能高效处理数千甚至上万 token 的序列。Longformer（Beltagy et al., 2020）在经典 Transformer 自注意力的。

定义：预设的必备节点，应用运行时首先被触发，用于采集使用者输入的各种信息（文本、文件等），同时注入一系列系统级变量。主要作用采集前置输入：让用户按照应用设计的格式，主动填写关键参数或上传文件，减少后续模型提问的歧义。初始化系统变量：将sys.querysys.app_id等内置变量注入流程，便于整个工作流或对话的上下文管理、分支判断与日志监控。定义：在可视化画布中添加的“调用大语言模型”节点，通过

Dify 的“后端即服务”（BaaS）理念，意味着所有大模型、Prompt 工程、知识库和工具能力都已在后端封装，前端只需通过标准化的 HTTP 接口即可调用，不必关心模型部署、运维与扩缩容。

图像特征包含了图像的某种标志性星系，从图像上可以直接观察到角点、边缘、轮廓、纹理、颜色等特征。

自有模型”指：由模型厂商（如 OpenAI、Anthropic 等）提供的官方托管 API。“托管模型”指的是：Dify 平台自身不直接开发，而是集成第三方或社区开源模型。**系统推理模型 (System Reasoning Model)对贡献者（Contributor）的特别声明。商业化使用需额外许可。

LangGraph 是 LangChain 团队推出的一个基于「有向图状态机（State Machine over Directed Graph）」的 LLM 应用开发框架，用于构建具有清晰流程控制、可回溯状态、可调度节点的复杂 AI 工作流。与传统基于 Prompt 的一次性调用不同，LangGraph 提供结构化的执行图，使得模型推理过程具有确定性、可观测性和可维护性。

以下文档从原理、准备、规范、模块详解到完整代码示例、调试与部署、最佳实践等多个维度，Dify 的 API 扩展能力，示例均使用 Flask 实现。

是 PyTorch 中的查表式嵌入层（lookup‐table），用于将离散的整数索引（如词 ID、实体 ID、离散特征类别等）映射到一个连续的、可训练的低维向量空间。它通过维护一个形状为的权重矩阵，实现高效的“索引 → 向量”转换。