把「隐私影响评估」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（功能说明），按什么顺序处理，交付什么（评估报告），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
技能隐私影响评估（privacy-impact）
作用为新功能做隐私影响初步评估
输入功能说明
输出评估报告
形态纯提示词
风险中
适用人群安全工程师与开发团队

处理流程分四步：

  1. 列出收集的数据
  2. 说明用途与保存
  3. 识别风险
  4. 提出缓解措施并建议法务确认

这个技能纯指令型，不需要额外脚本或外部连接，复制到大多数平台都能用；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: 隐私影响评估
类型: 工作流
节点:
  - 开始: 输入变量 content（功能说明）
  - 模板转换: 预处理输入，统一格式
  - LLM: 系统提示词写明步骤——列出收集的数据；说明用途与保存；识别风险；提出缓解措施并建议法务确认
  - 条件分支: 输出中是否包含“需人工确认”
  - 结束: 输出 评估报告

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」，让智能体在安全工程师与开发团队提出相关请求时能对上号；二是约束部分要写进「扫描结论需人工复核，涉及生产的动作走变更流程」这类领域规矩，避免智能体自作主张。

安装与启用步骤

  1. 新建工作流（或对话流）应用
  2. 在开始节点定义输入变量
  3. 按技能步骤添加 LLM、代码或工具节点
  4. 加条件分支处理需人工确认的情况
  5. 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

假设你在代码、配置与云环境中发出这样的请求（虚构示例）：

用隐私影响评估技能处理这份功能说明，输出评估报告。

智能体识别到任务与「隐私影响评估」相关后，会依次列出收集的数据、说明用途与保存、识别风险、提出缓解措施并建议法务确认。最终交付评估报告，并在末尾列出需要人工确认的内容。你的工作是对照原始功能说明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功能说明，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，导致每次输出的评估报告结构不同。
  • 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。