5 · 工作流引擎与节点执行（Workflow Engine and Node Execution）

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5 状态全文译文模块系统架构、测试、发布与运维、接口与服务契约、配置治理

项目要点页2.5 参考项目项目章节目录Dify DeepWiki 原始章节Workflow Engine and Node Execution 上一章4.7 下一章5.1

源码线索

api/.importlinter
api/core/app/file_access/__init__.py
api/core/app/file_access/controller.py
api/core/app/file_access/scope.py
api/core/workflow/node_factory.py
api/core/workflow/node_runtime.py
api/core/workflow/workflow_entry.py
api/services/plugin/plugin_migration.py
api/services/plugin/plugin_service.py
api/services/rag_pipeline/rag_pipeline.py

模块标签

系统架构
测试、发布与运维
接口与服务契约
配置治理
图谱与关系

中文译文

工作流引擎与节点执行（中文译文）

原始 DeepWiki 页面：https://deepwiki.com/langgenius/dify/5-workflow-engine-and-node-execution

翻译时间：2026-05-27T08:44:33.818Z

翻译模型：deepseek-chat

原文字符数：17058

项目：Dify (dify)

---

工作流引擎与节点执行

目的与范围

本文档描述了 Dify 中的工作流执行引擎，该引擎通过基于节点的执行模型来编排基于图的应用程序逻辑。引擎处理定义为有向无环图（DAG）的工作流，其中节点代表操作（大语言模型调用、HTTP 请求、代码执行等），边定义了数据流。

本页面涵盖以下内容：

工作流定义与生命周期管理
节点类型及其执行语义
变量管理与节点间的数据传递
执行追踪与状态持久化
节点工厂模式与依赖注入

有关底层执行逻辑的详细信息，请参见工作流定义与执行模型。

---

架构总览

工作流执行架构

graph TB
    subgraph "执行入口"
        WorkflowEntry["WorkflowEntry<br/>(core/workflow/workflow_entry.py)"]
        WorkflowAppRunner["WorkflowAppRunner<br/>(core/app/apps/workflow/app_runner.py)"]
        RagPipelineService["RagPipelineService<br/>(services/rag_pipeline/rag_pipeline.py)"]
    end

    subgraph "工作流模型"
        Workflow["Workflow<br/>(models/workflow.py)"]
        WorkflowRun["WorkflowRun<br/>(models/workflow.py)"]
        NodeExecution["WorkflowNodeExecutionModel<br/>(models/workflow.py)"]
    end

    subgraph "图引擎 (graphon)"
        Graph["Graph<br/>(graphon/graph.py)"]
        GraphEngine["GraphEngine<br/>(graphon/graph_engine)"]
        GraphRuntimeState["GraphRuntimeState<br/>(graphon/runtime.py)"]
        VariablePool["VariablePool<br/>(graphon/runtime.py)"]
    end

    subgraph "节点系统"
        NodeFactory["DifyNodeFactory<br/>(core/workflow/node_factory.py)"]
        LLMNode["LLMNode<br/>(graphon/nodes/llm)"]
        HttpRequestNode["HttpRequestNode<br/>(graphon/nodes/http_request)"]
        CodeNode["CodeNode<br/>(graphon/nodes/code)"]
        HumanInputNode["HumanInputNode<br/>(graphon/nodes/human_input)"]
    end

    WorkflowAppRunner --> WorkflowEntry
    RagPipelineService --> WorkflowEntry
    WorkflowEntry --> Workflow
    WorkflowEntry --> NodeFactory

    NodeFactory --> Graph
    NodeFactory --> GraphRuntimeState

    Graph --> GraphEngine
    GraphEngine --> LLMNode
    GraphEngine --> HttpRequestNode
    GraphEngine --> CodeNode
    GraphEngine --> HumanInputNode

    GraphEngine --> NodeExecution
    GraphRuntimeState --> VariablePool

来源： api/core/workflow/workflow_entry.py:139-180, api/services/workflow_service.py:101-131, api/services/rag_pipeline/rag_pipeline.py:44-55, api/core/workflow/node_factory.py:15-18

工作流引擎采用分层架构：

入口层 - WorkflowEntry 初始化 GraphEngine 并管理用于子图的 _WorkflowChildEngineBuilder api/core/workflow/workflow_entry.py:48-82。
模型层 - Workflow 存储图定义，WorkflowRun 追踪执行过程，WorkflowNodeExecutionModel 记录节点级别的结果 api/models/workflow.py:76-85, api/services/workflow_service.py:114-131。
图引擎 - 编排逻辑位于 graphon 包中，通过 GraphEngine 和 GraphRuntimeState 管理节点调度与状态 api/core/workflow/workflow_entry.py:33-41。
节点层 - 具体的节点实现执行业务逻辑，通过 DifyNodeFactory 实例化，该工厂使用 resolve_workflow_node_class 解析类 api/core/workflow/node_factory.py:123-134。

---

工作流定义与生命周期

工作流模型结构

Workflow 模型存储完整的图定义。关键字段包括版本控制系统，其中 VERSION_DRAFT 用于编辑器环境 api/services/workflow_service.py:134-161。

图配置结构

图定义包含节点和边的数组。DifyNodeFactory 使用 GraphInitParams 在执行期间保存此配置 api/core/workflow/node_factory.py:72-93。节点通过 get_node_type_classes_mapping 映射到类，该函数会执行所有节点模块的副作用导入 api/core/workflow/node_factory.py:105-120。

工作流生命周期状态

工作流存在草稿版本或已发布版本。WorkflowService 管理生命周期，包括检查工作流是否存在以及获取相应版本 api/services/workflow_service.py:133-172。

---

节点类型与执行

节点工厂模式

DifyNodeFactory 负责节点实例化，注入执行所需的 GraphInitParams 和 GraphRuntimeState。它还提供 DifyPreparedLLM 和 DifyToolNodeRuntime 以满足节点特定需求 api/core/workflow/node_factory.py:24-32。

graph TB
    subgraph "DifyNodeFactory 依赖注入"
        DNF["DifyNodeFactory<br/>(core/workflow/node_factory.py)"]
        GIP["GraphInitParams<br/>(graphon/entities.py)"]
        GRS["GraphRuntimeState<br/>(graphon/runtime.py)"]

        DNF -->|注入| GIP
        DNF -->|注入| GRS

        DNF -->|创建| LLM["LLMNode<br/>(DifyPreparedLLM)"]
        DNF -->|创建| Tool["ToolNode<br/>(DifyToolNodeRuntime)"]
        DNF -->|创建| HTTP["HttpRequestNode<br/>(graphon_ssrf_proxy)"]
    end

来源： api/core/workflow/node_factory.py:24-54, api/core/workflow/workflow_entry.py:89-92

核心节点类型

节点类型	类	用途	关键依赖
大语言模型	`LLMNode`	模型推理	`ModelInstance`, `LLMFileSaver` `api/tests/integration_tests/workflow/nodes/test_llm.py:78-89`
HTTP 请求	`HttpRequestNode`	外部 API 调用	`ssrf_proxy`, `HttpRequestNodeConfig` `api/tests/integration_tests/workflow/nodes/test_http.py:77-87`
代码	`CodeNode`	Python/JS 执行	`CodeExecutor`, `CodeNodeLimits` `api/core/workflow/node_factory.py:14-17`
知识库	`KnowledgeRetrievalNode`	检索增强生成（RAG）查询	`RagPipelineService` `api/services/rag_pipeline/rag_pipeline.py:96-104`
人工输入	`HumanInputNode`	用户交互	`DifyHumanInputNodeRuntime` `api/core/workflow/node_factory.py:26-34`

有关节点实例化的详细信息，请参见节点工厂与依赖注入。

节点执行流程

节点在 GraphEngine 内执行。像 RAG 这样的专用管线使用 RagPipelineTransformService 将标准数据集转换为基于工作流的执行图 api/services/rag_pipeline/rag_pipeline_transform_service.py:31-81。

大语言模型节点实现： 使用 DifyPromptMessageSerializer 为不同的模型模式格式化消息 api/tests/integration_tests/workflow/nodes/test_llm.py:72-75。请参见大语言模型节点实现。
HTTP 和代码节点： HttpRequestNode 使用 Executor 处理复杂的请求体数据，包括嵌套的对象变量 api/tests/unit_tests/core/workflow/nodes/http_request/test_http_request_executor.py:59-77。请参见HTTP 请求与代码执行节点。
知识库检索： KnowledgeRetrievalNode（通常是 rag-pipeline 工作流类型的一部分）管理检索设置和索引技术 api/services/rag_pipeline/rag_pipeline_transform_service.py:70-77。请参见知识库检索节点。
人工输入： 通过 DifyHumanInputNodeRuntime 处理，支持交付渠道配置 api/services/workflow_service.py:21-25。请参见人工输入节点与暂停-恢复机制。

---

变量管理与数据流

VariablePool 架构

VariablePool 是执行数据的中央仓库。在工作流入口过程中，它会使用系统变量和用户输入进行初始化 api/services/rag_pipeline/rag_pipeline.py:90-93。

变量解析与加载

VariableLoader 的实现（例如 DraftVarLoader）负责从数据库检索变量值。它支持多线程加载，用于存储在外部存储中的大型变量 api/services/workflow_draft_variable_service.py:80-163。

graph LR
    subgraph "变量管理"
        VP["VariablePool<br/>(graphon/runtime.py)"]
        VL["VariableLoader<br/>(graphon/variable_loader.py)"]
        DVL["DraftVarLoader<br/>(services/workflow_draft_variable_service.py)"]
        Storage["外部存储<br/>(extensions/ext_storage.py)"]

        VL <|-- DVL
        DVL -->|查询| DB["PostgreSQL/MySQL"]
        DVL -->|获取大型变量| Storage
        DVL -->|填充| VP
        VP -->|被解析| Node["节点执行"]
    end

来源： api/services/workflow_draft_variable_service.py:110-163, api/core/workflow/variable_pool_initializer.py:25-38

---

执行追踪与状态

WorkflowRun 和 NodeExecution

WorkflowRun： 追踪工作流实例的整体执行过程 api/services/rag_pipeline/rag_pipeline.py:104。
WorkflowNodeExecutionModel： 记录节点的具体执行情况，包括其状态、输入和输出 api/services/workflow_service.py:114-131。

WorkflowService 提供 get_node_last_run 方法来检索历史执行数据，这对于工作流编辑器中的"从节点运行"功能至关重要 api/services/workflow_service.py:114-131。

---

测试与模拟系统

Dify 结合使用集成测试和模拟工厂来验证工作流逻辑。MockNodeFactory（在子页面中引用）允许对复杂图进行表驱动测试，而无需实际的大语言模型或 HTTP 调用。

有关详细信息，请参见工作流测试与模拟系统。

---

子系统总结

工作流定义与执行模型 — 核心引擎和图逻辑。
节点工厂与依赖注入 — 如何通过 DifyNodeFactory 构建和配置节点。
大语言模型节点实现 — 模型推理、使用追踪和提示词处理。
HTTP 请求与代码执行节点 — 通过 SSRF 代理和沙箱代码执行实现外部集成。
知识库检索节点 — 工作流中的 RAG 集成与管线转换。
人工输入节点与暂停-恢复机制 — 人机交互与表单交付。
工作流测试与模拟系统 — 自动化工作流测试和变量模拟的基础设施。

来源： api/core/workflow/workflow_entry.py:139-180, api/services/workflow_service.py:101-131, api/core/workflow/node_factory.py:105-134