「研究问题打磨」是研究人员与学生的高频任务。它的输入通常是研究想法，期望得到的是研究问题。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
技能研究问题打磨（research-question）
作用把模糊的想法打磨为可研究的问题
输入研究想法
输出研究问题
形态纯提示词
风险低
适用人群研究人员与学生

处理流程分四步：

  1. 明确对象与变量
  2. 检查可行性
  3. 写假设
  4. 列出所需数据

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；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: 研究问题打磨
类型: 工作流
节点:
  - 开始: 输入变量 content（研究想法）
  - 模板转换: 预处理输入，统一格式
  - LLM: 系统提示词写明步骤——明确对象与变量；检查可行性；写假设；列出所需数据
  - 条件分支: 输出中是否包含“需人工确认”
  - 结束: 输出 研究问题

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」，让智能体在研究人员与学生提出相关请求时能对上号；二是约束部分要写进「引用必须回到原文核对，绝不编造文献」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

假设你在文献库、数据与写作工具中发出这样的请求（虚构示例）：

帮我做一下研究问题打磨，材料是附上的研究想法。

智能体识别到任务与「研究问题打磨」相关后，会依次明确对象与变量、检查可行性、写假设、列出所需数据。最终交付研究问题，并在末尾列出需要人工确认的内容。你的工作是对照原始研究想法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研究想法，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，导致每次输出的研究问题结构不同。
  • 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。