用 Dify 工作流实现「数据质量巡检」：节点设计与搭建步骤

把「数据质量巡检」交给智能体，难点不在模型能力，而在流程是否说清楚：输入是什么（数据表），按什么顺序处理，交付什么（质量报告），哪些事不能做。Skill 就是把这些写下来的载体。

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	数据质量巡检（`data-quality-check`）
作用	检查数据的完整性、一致性与及时性
输入	数据表
输出	质量报告
形态	带脚本
风险	低
适用人群	数据分析师与运营

处理流程分四步：

定义检查规则
运行检查
标出异常
建议负责人

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；风险较低，但输出仍需快速过目再使用。

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: 数据质量巡检
类型: 工作流
节点:
  - 开始: 输入变量 content（数据表）
  - 代码执行: 预处理输入，统一格式
  - LLM: 系统提示词写明步骤——定义检查规则；运行检查；标出异常；建议负责人
  - 条件分支: 输出中是否包含“需人工确认”
  - 结束: 输出 质量报告

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）：

这是今天的数据表，按团队的数据质量巡检流程处理一下。

智能体识别到任务与「数据质量巡检」相关后，会依次定义检查规则、运行检查、标出异常、建议负责人。最终交付质量报告，并在末尾列出需要人工确认的内容。你的工作是对照原始数据表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数据表，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，导致每次输出的质量报告结构不同。
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。