可以从终端直接运行应用和工作流。 可以被脚本和 CI 流程调用。 可以把 Dify 纳入更标准的工程化链路。 可以把“人工点开网页执行”变成“系统自动触发执行”。
谁可以从命令行触发哪些工作流。 触发后的日志、权限和审计怎么留。
下拉选择。 文件上传。 多文件上传。
从固定选项里确认一个处理策略。 上传附件、截图、审批材料。 让不同角色按标准格式补全信息。
人工介入时能不能收标准化字段。 是否能把附件保留下来。 是否能把人审结果回写到后续流程里。
图片生成。 报告生成。 长文本总结。 多步调用后的异步结果回传。
任务状态。 超时策略。 结果回传。 失败重试。 用户等待体验。
流程图。 截图。 架构图。 标注说明。
这次会话对应哪一个 trace。 检索走了什么路径。 哪些文档被拿出来了。 最终答案是怎么拼出来的。
更清晰的错误提示。 更稳定的工作流执行。 更快的停止和启动响应。 更完整的通知展示。 更顺手的工作流编辑体验。
先在测试环境验证升级链路，尤其是数据库迁移和插件回填。 检查 .env 和 docker-compose 是否需要同步更新。 看看有没有工作流会用到 HITL、文件上传和结构化输入。 检查哪些流程会调用慢模型，提前设计轮询、超时和失败回退。 复查 RBAC、OpenAPI 和插件权限配置，不要因为版本更新就默认放宽权限。 如果你在做 RAG，拿一份带图的 Excel 或混合文档重新测一遍，确认导入和检索链路没丢上下文。
不要把 difyctl 理解成“可以绕过治理直接自动化”。 不要把 HITL 表单理解成“有人工按钮就够了”，结构化字段和审计也很重要。 不要把慢模型轮询理解成“不会超时了”，异步任务一样需要状态管理。 不要把知识导入改进理解成“知识库天然可信”，来源、版本和权限仍然要管。 不要跳过升级后的迁移和回填步骤，尤其是插件自动升级策略。
Data for AI：数据如何支撑 AI。 AI for Data：AI 如何反过来改造数据治理。
