2.3 · 应用类型与执行模式（Application Types and Execution Modes）

应用编排与外部知识接入 · 本章是 Dify DeepWiki 中文译文的独立章节页，保留原始链接、源码锚点、模块标签和章节层级。

项目Dify 章节2.3 状态全文译文模块工作流与编排、智能体运行时、入库与解析、图谱与关系

项目要点页2.5 参考项目项目章节目录Dify DeepWiki 原始章节Application Types and Execution Modes 上一章2.2 下一章2.4

源码线索

api/core/app/app_config/entities.py
api/core/app/apps/advanced_chat/app_config_manager.py
api/core/app/apps/advanced_chat/app_generator.py
api/core/app/apps/advanced_chat/app_runner.py
api/core/app/apps/advanced_chat/generate_task_pipeline.py
api/core/app/apps/agent_chat/app_generator.py
api/core/app/apps/base_app_generator.py
api/core/app/apps/chat/app_generator.py
api/core/app/apps/completion/app_generator.py
api/core/app/apps/message_based_app_generator.py

模块标签

工作流与编排
智能体运行时
入库与解析
图谱与关系
系统架构

中文译文

应用类型与执行模式（中文译文）

原始 DeepWiki 页面：https://deepwiki.com/langgenius/dify/2.3-application-types-and-execution-modes

翻译时间：2026-05-27T08:44:30.498Z

翻译模型：deepseek-chat

原文字符数：14937

项目：Dify (dify)

--- 好的，作为一名资深技术文档翻译专家，我将严格遵循您的要求，对这份 DeepWiki 技术文档进行全文翻译和润色。

---

应用类型与执行模式

目的与范围

Dify 支持多种不同的应用类型，每种类型都针对不同的使用场景而设计。本文档描述了以下内容：

AppMode 枚举及其取值。
每种模式如何决定应用的行为和执行流程。
应用模式、AppModelConfig 和 Workflow 实体之间的关系。
“简易 UI”（基于提示词）应用与基于工作流应用之间的区别。
用于处理流式响应和阻塞响应的任务管线架构。

---

应用模式枚举

所有 Dify 应用都有一个 mode 字段，用于确定其类型和执行行为。可用的模式在 AppMode 枚举中定义。

graph TB
    AppMode["AppMode (StrEnum)"]

    AppMode --> COMPLETION["COMPLETION<br/>'completion'"]
    AppMode --> CHAT["CHAT<br/>'chat'"]
    AppMode --> WORKFLOW["WORKFLOW<br/>'workflow'"]
    AppMode --> ADVANCED_CHAT["ADVANCED_CHAT<br/>'advanced-chat'"]
    AppMode --> AGENT_CHAT["AGENT_CHAT<br/>'agent-chat'"]

    COMPLETION --> EasyUI["简易 UI 应用<br/>(MessageBasedAppGenerator)"]
    CHAT --> EasyUI
    AGENT_CHAT --> EasyUI

    WORKFLOW --> WorkflowBased["基于工作流的应用<br/>(WorkflowAppGenerator)"]
    ADVANCED_CHAT --> WorkflowBased

来源：api/models/model.py:49-69, api/core/app/apps/message_based_app_generator.py:46-46, api/core/app/apps/workflow/app_generator.py:60-60

---

执行管线架构

Dify 使用标准化的管线架构来管理应用请求的生命周期，从输入验证到流式响应生成。

任务管线层次结构

BasedGenerateTaskPipeline 是所有应用执行逻辑的基础。管线负责消费来自 AppQueueManager 的事件，并将其转换为流式或阻塞响应。

classDiagram
    class BasedGenerateTaskPipeline {
        +process()
        +_to_stream_response()
        +_to_blocking_response()
    }
    class EasyUIBasedGenerateTaskPipeline {
        +process()
        -_task_state: EasyUITaskState
    }
    class WorkflowAppGenerateTaskPipeline {
        +process()
        -_graph_runtime_state: GraphRuntimeState
    }
    class AdvancedChatAppGenerateTaskPipeline {
        +process()
        -_task_state: WorkflowTaskState
    }

    BasedGenerateTaskPipeline <|-- EasyUIBasedGenerateTaskPipeline
    GraphRuntimeStateSupport <|-- WorkflowAppGenerateTaskPipeline
    GraphRuntimeStateSupport <|-- AdvancedChatAppGenerateTaskPipeline

来源：api/core/app/task_pipeline/based_generate_task_pipeline.py:1-50, api/core/app/task_pipeline/easy_ui_based_generate_task_pipeline.py:69-72, api/core/app/apps/workflow/generate_task_pipeline.py:75-75, api/core/app/apps/advanced_chat/generate_task_pipeline.py:141-141

---

简易 UI（基于提示词）模式

这些模式由 MessageBasedAppGenerator 管理，并使用 EasyUIBasedGenerateTaskPipeline。与完整的可视化工作流相比，它们的特点是配置更简单（系统提示词 + 大语言模型（LLM）设置）。

补全模式

模式值： "completion" 代表单轮文本补全。用户提供输入，应用生成单个响应。它不支持对话历史或对话名称生成 api/core/app/task_pipeline/easy_ui_based_generate_task_pipeline.py:123-128。

对话与智能体对话模式

模式值： "chat", "agent-chat" 这些模式支持多轮对话。Agent Chat 通过自主工具调用能力扩展了标准对话。标准对话应用每轮只调用一次大语言模型（LLM），而 Agent 对话可能涉及多次“思考”和工具调用。

关键组件：

MessageCycleManager：处理辅助任务，如生成对话名称和管理标注 api/core/app/task_pipeline/easy_ui_based_generate_task_pipeline.py:109-112, api/core/app/task_pipeline/easy_ui_based_generate_task_pipeline.py:125-127。
EasyUITaskState：跟踪 LLMResult，其中包含提示消息和使用情况 api/core/app/task_pipeline/easy_ui_based_generate_task_pipeline.py:100-107。

来源：api/core/app/apps/message_based_app_generator.py:46-63, api/core/app/task_pipeline/easy_ui_based_generate_task_pipeline.py:69-85

---

基于工作流的模式

这些模式执行由 GraphEngine 管理的、由相互连接的节点组成的可视化图。

工作流模式

模式值： "workflow" 执行一个可视化图。它通常不保留对话历史状态。它使用 WorkflowAppGenerator 和 WorkflowAppRunner api/core/app/apps/workflow/app_generator.py:60-60, api/core/app/apps/workflow/app_runner.py:12-12。

高级对话模式

模式值： "advanced-chat" 将可视化工作流执行与对话记忆相结合。它允许在保持对话界面的同时实现复杂的逻辑（循环、条件）。

高级对话的执行流程：

运行器初始化：AdvancedChatAppRunner 准备 GraphRuntimeState api/core/app/apps/advanced_chat/app_generator.py:23-23。
系统变量：通过 build_system_variables 将对话上下文（例如 dialogue_count、conversation_id、user_id）注入到工作流中 api/core/app/apps/advanced_chat/generate_task_pipeline.py:175-184。
状态管理：使用 WorkflowTaskState 来跟踪工作流运行的生命周期 api/core/app/apps/advanced_chat/generate_task_pipeline.py:191-192。

来源：api/core/app/apps/advanced_chat/generate_task_pipeline.py:141-157, api/core/app/apps/workflow/generate_task_pipeline.py:75-88

---

技术数据流：代码实体空间

下图弥合了高层应用概念与处理执行的具体代码实体之间的差距。

graph TD
    subgraph "请求入口 (api/controllers/)"
        API["API 路由处理器"]
    end

    subgraph "生成器 (api/core/app/apps/)"
        MBAG["MessageBasedAppGenerator"]
        WAG["WorkflowAppGenerator"]
        ACAG["AdvancedChatAppGenerator"]
    end

    subgraph "管线 (api/core/app/task_pipeline/)"
        EUIP["EasyUIBasedGenerateTaskPipeline"]
        WFP["WorkflowAppGenerateTaskPipeline"]
        ACAP["AdvancedChatAppGenerateTaskPipeline"]
    end

    subgraph "运行器与状态 (api/core/workflow/)"
        ACAR["AdvancedChatAppRunner"]
        WFAR["WorkflowAppRunner"]
        GE["GraphEngineLayer"]
        GRS["GraphRuntimeState"]
    end

    API -->|Chat/Completion| MBAG
    API -->|Workflow| WAG
    API -->|Advanced Chat| ACAG

    MBAG --> EUIP
    WAG --> WFP
    ACAG --> ACAP

    WFP --> WFAR
    ACAP --> ACAR
    WFAR --> GE
    ACAR --> GE
    GE --> GRS

来源：api/core/app/apps/message_based_app_generator.py:75-81, api/core/app/apps/workflow/app_generator.py:23-26, api/core/app/apps/advanced_chat/app_generator.py:23-26, api/core/app/apps/workflow/app_generator.py:41-43

---

任务状态与事件流

执行进度通过专门的队列事件进行通信，这些事件被封装在 StreamResponse 对象中。

支持的流式事件

QueuePingEvent：心跳保活事件 api/core/app/entities/queue_entities.py:44-44。
QueueTextChunkEvent：用于对话/补全的标准文本片段 api/core/app/entities/queue_entities.py:47-47。
QueueAgentThoughtEvent：由 Agent 应用使用，用于展示推理过程和工具调用 api/core/app/entities/queue_entities.py:19-19。
QueueWorkflowStartedEvent / QueueWorkflowSucceededEvent：工作流执行的生命周期事件 api/core/app/entities/queue_entities.py:51-52。
QueueNodeStartedEvent / QueueNodeSucceededEvent：单个节点状态转换的事件 api/core/app/entities/queue_entities.py:42-43。
QueueHumanInputFormFilledEvent：当工作流在用户交互后恢复时触发 api/core/app/entities/queue_entities.py:30-30。

状态实体

类	用途	来源
`EasyUITaskState`	存储简单应用的 `LLMResult` 和元数据	`api/core/app/task_pipeline/easy_ui_based_generate_task_pipeline.py:100-107`
`WorkflowTaskState`	跟踪基于工作流应用的任务状态和响应数据	`api/core/app/entities/task_entities.py:68-68`
`GraphRuntimeState`	工作流引擎的核心状态，包含变量池	`api/core/app/apps/workflow/generate_task_pipeline.py:122-122`

---

实现细节：响应处理

BasedGenerateTaskPipeline 实现了将内部队列事件转换为外部响应的过程。

阻塞模式与流式模式

流式模式：管线生成 StreamResponse 对象，这些对象通常会被转换为服务器推送事件（SSE） api/core/app/task_pipeline/easy_ui_based_generate_task_pipeline.py:130-131。
阻塞模式：管线消费整个生成器，将结果累积在 TaskState 中，并返回一个单一的 BlockingResponse（例如 ChatbotAppBlockingResponse） api/core/app/task_pipeline/easy_ui_based_generate_task_pipeline.py:135-163。

# 来自 api/core/app/task_pipeline/easy_ui_based_generate_task_pipeline.py:142-146
for stream_response in generator:
    match stream_response:
        case ErrorStreamResponse():
            raise stream_response.err
        case MessageEndStreamResponse():
            # 累积使用情况和元数据，用于最终的阻塞响应

来源：api/core/app/task_pipeline/easy_ui_based_generate_task_pipeline.py:135-163, api/core/app/apps/workflow/generate_task_pipeline.py:139-170