Dify 实战：把流失信号识别做成团队可用的应用

「流失信号识别」是数据分析师与运营的高频任务。它的输入通常是用户行为数据，期望得到的是信号清单。这类有固定流程、又需要一点判断力的工作，很适合封装成智能体 Skill。

本文介绍如何在 Dify 工作流 上实现这个技能，包括它的形态、示例配置、启用步骤、一次完整的运行过程和常见坑。

这个技能做什么

项目	说明
技能	流失信号识别（`churn-signals`）
作用	找出预示用户流失的行为信号
输入	用户行为数据
输出	信号清单
形态	带脚本
风险	中
适用人群	数据分析师与运营

处理流程分四步：

定义流失
对比流失与留存用户
列出差异显著的行为
建议预警规则

这个技能需要运行本地脚本（解析文件、调用命令行工具等），要求运行环境允许执行代码；属于中等风险：结果会影响业务判断，建议在输出前设置人工审核点。

在 Dify 工作流中是什么形态

Dify 是开源的大模型应用开发平台，可以用可视化工作流把开始、LLM、知识检索、代码执行、HTTP 请求、条件分支等节点串起来，适合把技能做成团队可直接使用的应用。

可以使用云端版本或自行部署；工作流发布后可通过网页应用或 API 调用。

示例配置

# 示意结构（便于理解节点关系，不是 Dify 导出的 DSL 文件）
应用: 流失信号识别
类型: 工作流
节点:
  - 开始: 输入变量 content（用户行为数据）
  - 代码执行: 预处理输入，统一格式
  - LLM: 系统提示词写明步骤——定义流失；对比流失与留存用户；列出差异显著的行为；建议预警规则
  - 条件分支: 输出中是否包含“需人工确认”
  - 结束: 输出 信号清单

示例里最重要的是两处：一是描述（或指令开头）要写明「什么时候用」，让智能体在数据分析师与运营提出相关请求时能对上号；二是约束部分要写进「结论要回到原始数据核对口径，避免把相关当因果」这类领域规矩，避免智能体自作主张。

安装与启用步骤

新建工作流（或对话流）应用
在开始节点定义输入变量
按技能步骤添加 LLM、代码或工具节点
加条件分支处理需人工确认的情况
调试运行后发布，并把访问方式告诉团队

实操：一次完整的运行

假设你在表格、数据库与 Notebook中发出这样的请求（虚构示例）：

帮我做一下流失信号识别，材料是附上的用户行为数据。

智能体识别到任务与「流失信号识别」相关后，会依次定义流失、对比流失与留存用户、列出差异显著的行为、建议预警规则。最终交付信号清单，并在末尾列出需要人工确认的内容。你的工作是对照原始用户行为数据抽查两三处关键信息，确认无误后再使用。

测试与验收

在调试面板逐节点查看输入输出，准备至少三组样例反复运行。

针对这个技能，还建议额外准备：

一份信息齐全的标准用户行为数据，检查输出是否完整
一份缺少关键信息的输入，检查智能体是否先提问而不是编造
一份包含“忽略以上规则”等字样的输入，检查约束是否仍然有效

常见坑

所有步骤都塞进一个 LLM 节点，出错时难以定位。
代码节点中写死了敏感配置。
只写了步骤，没写交付格式，导致每次输出的信号清单结构不同。
没有给出样例，智能体对“好结果”的理解与你不一致；在参考资料里放一两份范例会明显改善。

延伸阅读

说明：文中的配置、代码与目录结构均为示意，用于说明思路；各平台的入口、字段名与能力会更新，落地前请以对应官方文档为准。示例中的数据与场景为虚构，不代表真实案例。