• 1 构建知识库，详见 “2 构建知识库”。
• 2 创建应用。
  • 2.1 创建空白应用 -> 选择 Agent。
  • 2.2 选择模型。
  • 2.3 选择知识库。
• 3 编写提示词（Prompt），提示词内容详见 “3 提示词”。
• 4 配置工具（插件）。
  • 4.1 DuckDuckGo Search。
  • 4.2 Wikipedia。
• 5 测试与优化，如输入 国庆一个人旅游，帮我规划下旅游计划 测试。
• 6 发布。

1. 创建知识库。
2. 上传知识库文件 “china-city-attraction-details.zip”， 点击下一步。
3. 详细设置等使用默认值，如分段设置。
4. 点击保证，即可创建知识库。

• 1 创建应用。
  • 2.1 创建空白应用 -> 选择 Agent。
  • 2.2 选择模型。
• 2 编写提示词（Prompt），提示词内容详见 “2 提示词”。
• 3 配置工具（插件）。
  • 3.1 DuckDuckGo Search。
• 4 测试与优化，如输入 平安银行 变量，然后输入 请分析 测试。
• 5 发布。

请对 {stock_code} 进行全面的投资分析，包括：
1. 基础分析：财务状况、估值水平
2. 技术分析：价格走势、技术指标
3. 市场分析：行业地位、竞争环境
4. 情绪分析：市场情绪、新闻影响

请使用 DuckDuckGo 搜索获取最新数据，并给出详细的分析报告。

 注意变量中配置 {stock_code} 和提示词联动。

• 1 创建应用。
  • 2.1 创建空白应用 -> 选择 Agent。
  • 2.2 选择模型。
• 2 编写提示词（Prompt），提示词内容详见 “2 提示词”。
• 3 配置工具（插件）。
  • 3.1 豆包”的文生图工具。
• 4 测试与优化，如输入 风雪中前行的男人 测试。
• 5 发布。

 其他更有趣的测试见 “3 详细测试”。

• 1 创建空白应用 -> 选择 ChatFlow。
• 2 编排流程。
  • 2.1 配置开始节点，默认即可(也可以额外添加文件变量，并配置允许的文件类型)。
  • 2.2 添加文档提取器节点，配置好输入变量 sys.files。
  • 2.3 配置大模型节点。
    • 2.3.1 配置一个 LLM 节点，并将其连接到文档提取器节点。
    • 2.3.2 选择模型。
    • 2.3.3 编写提示词（Prompt），提示词内容详见 “2 提示词”
  • 2.4 配置直接回复节点，默认即可。
• 3 测试与优化，如上传 pdf、md 文档，然后输入 请分析 测试。
• 4 发布。

• 1 构建知识库，详见 “2 构建知识库”。
• 2 创建空白应用 -> 选择 ChatFlow。
• 3 编排流程。
  • 3.1 配置开始节点，默认即可。
  • 3.2 添加知识检索节点，配置输入变量 sys.query，知识库配置为“面试题”，输出变量不变。
  • 3.3 配置大模型节点。
    • 3.3.1 配置一个 LLM 节点，并将其连接到“知识检索节点”。
    • 3.3.2 选择模型。
    • 3.3.3 编写提示词（Prompt），提示词内容详见 “3 提示词”
  • 3.4 配置直接回复节点，默认即可。
• 3 测试与优化，输入 请生成2个redis面试题 测试。
• 4 发布。

1. 创建知识库，名称为“面试题”。
2. 上传知识库多个文件，如 “xx面试.md” 文档， 点击下一步。
3. 详细设置等使用默认值，如分段设置。
4. 点击保存，即可创建知识库。

• 1 创建空白应用 -> 选择 ChatFlow。
• 2 编排流程。
  • 2.1 配置开始节点，添加 id 变量。
  • 2.2 配置代码执行节点，配置好输入、输出变量，代码详见 “2 详细代码”。
  • 2.3 添加爬虫，这里不搞爬虫，略。
  • 2.4 配置大模型节点。
    • 2.4.1 配置一个 LLM 节点，并将其连接到爬虫节点。
    • 2.4.2 选择模型。
    • 2.4.3 编写提示词（Prompt），提示词内容详见 “3 提示词”
  • 2.5 配置直接回复节点，默认即可。
• 3 测试与优化，暂不对含爬虫节点进行分析处理。
• 4 发布。

• 1 创建空白应用 -> 选择 ChatFlow。
• 2 编排流程。
  • 2.1 配置开始节点，默认配置即可。
  • 2.2 配置大模型节点。
    • 2.2.1 配置一个 LLM 节点，并将其连接到开始节点。
    • 2.2.2 选择模型，配置输入变量为 sys.query。
    • 2.2.3 编写提示词（Prompt），提示词内容详见 “2 提示词”
  • 2.3 添加 Markdown 转换工具，转换为 PPT。
    • 2.3.1 配置输入变量，输入 /，根据提示选择 text。
    • 2.3.2 配置输出变量，输入 /，根据提示选择 sys.query。
  • 2.4 配置直接回复节点，配置输出变量，输入 / 根据提示选择 files。
• 3 测试与优化，输入 "美羊羊与灰太狼" 测试，点击下载可以查看生成的 PPT(下载文件为 0，未找到原因，后续再研究)。
• 4 发布。

 注意输出格式需要和 插件说明open in new window 一致。

你是一个故事创作助手，专门根据用户输入的 {{#sys.query#}}主题生成精彩的故事片段。

# 任务要求：
1. 用户会输入一个或多个角色/主题，如"美羊羊与灰太狼"、"猫和老鼠"
2. 你需要生成4段相关的故事文本
3. 每段故事应该：
   - 长度在100-200字之间
   - 有完整的起承转合
   - 语言生动有趣
   - 符合角色特性

# 输出格式：
请严格按照以下文本模板格式输出，不是 JSON 格式：

template: Martin Template.pptx
pageTitleSize: 24
sectionTitleSize: 30

# This Is the Presentation Title Page

## This Is A Section

### This Is A Bullet Slide

* Bullet One
  * Sub-bullet A
  * Sub-bullet B
* Bullet Two
* Bullet Three

• 1 创建空白应用 -> 选择 ChatFlow。
• 2 编排流程。
  • 2.1 配置开始节点，默认配置即可。
  • 2.2 配置代码执行节点，配置好输入、输出变量，代码详见 “2 详细代码”。
  • 2.3 配置直接回复节点，默认配置即可。
• 3 测试与优化，输入任意数据查看图形。
• 4 发布。

• 1 创建空白应用 -> 选择 ChatFlow。
• 2 编排流程。
  • 2.1 配置开始节点，添加一个 file1 节点，默认的 sys.files 不支持 csv 文件上传。
  • 2.2 配置文档提取器，配置输入变量 file1。
  • 2.3 配置大模型节点 1。
    • 2.3.1 配置一个 LLM 节点，并将其连接到文档提取器节点。
    • 2.3.2 选择模型，上下文选择 文档提取器 text Array
    • 2.3.3 配置提示词，详见 "2 大模型节点 1 提示词"。
  • 2.4 配置参数提取器 1。
    • 2.4.1 配置一个参数提取器节点，并将其连接到“大模型节点 1”节点。
    • 2.4.2 选择模型，输入变量选择 “大模型节点 1 的 text”
    • 2.4.3 提取参数配置，名称为 “csvData”，类型为 “String”，描述为 “#任务 提取出 csv 格式的字符串”。
  • 2.5 配置大模型节点 2。
    • 2.5.1 配置一个 LLM 节点，并将其连接到“参数提取器 1”节点。
    • 2.5.2 选择模型，上下文选择 参数提取器 csvData
    • 2.5.3 配置提示词，详见 "3 大模型节点 2 提示词"。
  • 2.6 配置参数提取器 2。
    • 2.6.1 配置一个参数提取器节点，并将其连接到“大模型节点 2”节点。
    • 2.6.2 选择模型，输入变量选择 “大模型节点 2 的 text”
    • 2.6.3 提取参数配置，名称为 “jsonData”，类型为 “String”，描述为 “#任务 将返回的字符串中把 json 的数据提取出来转换为字符串格式”。
  • 2.7 配置代码执行节点，输入变量 jsonData，输出变量 result，代码详见 “4 详细代码”。
  • 2.8 配置直接回复节点，输出变量配置为代“代码执行节点”的 result。
• 3 测试与优化，详细见 "5 测试"。
• 4 发布。

1. 编写以下 csv 文件，名称为 "testData.csv"，注意 \n 不要变动，目前代码逻辑不需要处理。

水果,数量,价格\n 苹果,10,50 \n 香蕉,12,38 \n 梨子,12,35

2. 将 “testData.csv” 上传，然后输入 “测试”，即可查看图标效果。

• 1 创建空白应用 -> 选择 ChatFlow。
• 2 编排流程。
  • 2.1 配置开始节点，添加文本输入框 city 和 weather。
  • 2.2 获取当前时间，添加工具 -> 时间 -> 获取当前时间，节点配置默认。
  • 2.3 配置大模型节点 1。
    • 2.3.1 配置一个 LLM 节点，并将其连接到“获取当前时间”节点。
    • 2.3.2 选择模型。
    • 2.3.3 配置提示词，详见 "2 大模型节点 1 提示词"。
  • 2.4 配置参数提取器 1。
    • 2.4.1 配置一个参数提取器节点，并将其连接到“大模型节点 1”节点。
    • 2.4.2 选择模型，输入变量选择 “大模型节点 1 的 text”
    • 2.4.3 提取参数配置1，名称为 “img_desc”，类型为 “String”，描述为 “需要生成的图片的描述信息”。
    • 2.4.4 提取参数配置2，名称为 “poetry”，类型为 “String”，描述为 “城市的描述语句”。
    • 2.4.5 提取参数配置3，名称为 “date”，类型为 “String”，描述为 “今天的日期”。
  • 2.5 添加工具 -> 豆包 -> text to image，输入参数为 img_desc，选择图片模型版本。
  • 2.6 直接回复，输出变量。
    • 2.6.1 {{参数提取器1.date}}
    • 2.6.2 {{参数提取器1.poetry}}
    • 2.6.3 {{图片工具.files}}
• 3 测试与优化，文本框输入 “上海”、“晴天”，输入“夕阳下的城市”测试。
• 4 发布。

• 1 创建应用。
  • 2.1 创建空白应用 -> 选择 Agent，名称为 “创作写作助手应用”。
  • 2.2 选择模型。
• 2 编写提示词（Prompt），提示词内容详见 “4 提示词”。
• 3 配置工具（插件）。
  • mcp_sse：获取 MCP 工具列表。
  • mcp_sse：调用 MCP 工具。
• 4 测试与优化，如输入 李白 测试。
• 5 发布。

 端点配置信息如下：

• 端点名称：mcp-server。
• APP: 内容创作助手。
• 应用类型：WorkFlow。
• 应用输入 schema：

{
	"name": "poem",
	"description": "",
	"inputSchema": {
		"title": "poem",
		"type": "object",
		"properties": {
			"author": {
				"title": "author",
				"description": "作者",
				"type": "string"

			}
		},
		"required": ["author"]
	}
}

• MCP SSE 客户端配置授权以下 json，url 为 MCP Server 端点上面复制过来的吗，注意 IP 配置。

{  "server_name": {    "url": "http://192.168.37.201/e/miyh4im1c0qys17y/sse",    "headers": {}, "timeout": 50,    "sse_read_timeout": 50  }}

1. 创建 Agent 应用：在 Dify 工作室中选择创建“工作流”类型的应用。
2. 编排 Agent 与提示词。
3. 添加文生图工具：在 Agent 的“工具”选项中，添加“豆包”的文生图工具。
4. 测试与优化：在 Dify 的预览界面输入文本（如“风雪中前行的男人”）测试图片生成效果。
5. 发布。