Dify 工作流中的loop节点：原理、用法与典型场景

在自动化内容生成和数据处理领域，如何让流程像人一样“多轮思考、逐步完善”，一直是智能系统设计的难点。dify 工作流中的 loop（循环）节点，正是为了解决这一问题而生。它让复杂任务能够像人类专家一样，分步递进、反复打磨，最终输出高质量的成果。本文将结合实际 DSL 配置和官方权威说明，深入剖析 loop 节点的原理、用法及其在内容创作等场景中的应用。

一、loop 节点的工作原理

loop 节点本质上是一个“自动化循环控制器”。它允许你在工作流中设定一段流程，让这段流程按照指定的次数或条件反复执行。每一轮循环，系统都会根据上一次的结果进行调整和优化，直到满足终止条件为止。这种机制，极大地提升了自动化流程的灵活性和智能性。

1. loop 节点与迭代（iteration）节点的区别

• • 循环（Loop）节点：适用于每一轮都依赖上一轮结果的任务。比如内容递进式生成、逐步优化等。每一轮的输入都与上一轮的输出紧密相关。
• • 迭代（Iteration）节点：适用于每一轮任务彼此独立、可并行处理的场景。比如批量处理一组数据，每一项互不影响。

2. loop 节点的关键配置

loop 节点包含以下几个核心配置项：

• • 循环终止条件：设置循环何时停止。例如，变量 x < 50 时停止循环。
• • 最大循环次数：限制最多执行的轮次，避免无限循环。例如，最多执行 10 轮。
• • 循环变量：用于在循环的不同轮次间传递数据，并在循环结束后继续供下游节点使用。例如，num 记录当前轮次，verse 记录内容，每轮更新。
• • 退出循环节点：循环体内可设置“退出循环”节点，满足条件时立即终止循环。只要终止条件或退出节点任一触发，循环即刻结束。

如果未配置任何退出条件，则循环将持续运行（相当于 while (true)），直到达到最大循环次数。

二、loop 节点的典型应用场景

1. 递进式内容生成

以小说或长文创作为例，loop 节点可以让系统像作家一样，分章节、分段落逐步写作。每一轮，系统都会参考前文内容，续写新的段落，并将所有内容拼接成完整的作品。这样不仅保证了内容的连贯性，还能让每一部分都经过“思考”与“创新”。

实例一：多轮递进式长文创作（小说/报告/剧本）

需求场景

希望自动生成一篇分多段递进的长文，每一段都基于上一段内容进行扩展和创新，最终合成为一篇结构完整、逻辑连贯的作品。

工作流结构

1. 1. 开始节点：输入主题或大纲。
2. 2. LLM 节点（首轮）：根据主题/大纲生成开篇。
3. 3. loop 节点：设定循环变量（如 num=0，content=开篇内容），最大循环次数（如 5）。

• • LLM 节点（循环体）：每轮基于上一轮内容递进续写。
• • 代码节点：将新内容拼接到总内容。
• • 变量赋值节点：更新 num、content。
• • 终止条件：num 达到最大轮数或内容达到目标长度。

• 4. 结束节点：输出完整长文。

关键 prompt 设计

首轮 LLM prompt

你是一位擅长结构化写作的作家。请根据以下主题/大纲，生成一篇引人入胜的开篇段落，要求内容有吸引力、逻辑清晰，并为后续发展埋下伏笔。

主题/大纲：{{#sys.query#}}

写作要求：
- 语言生动，细节丰富
- 结尾留有悬念，引导后续内容
- 字数控制在200-300字

循环体 LLM prompt

你是一位小说/报告/剧本的专业作者。请在保持风格一致的前提下，基于前文内容递进续写新一段，要求内容自然衔接、情节推进，并适当引入新元素。

前文内容：
{{#loop.content#}}

写作要求：
- 逻辑连贯，情节递进
- 适当加入对话、环境描写或人物心理
- 每段字数200-300字
- 结尾为下文发展埋下线索或悬念
- 不要重复前文内容

说明

• • 每轮循环都将 content 变量更新为最新内容，最终拼接输出。
• • prompt 明确要求递进、创新、风格统一，避免机械重复。
• 



---

实例二：自动多轮头脑风暴与方案优化

需求场景

希望针对某个问题或创意主题，自动进行多轮头脑风暴，每轮都基于前一轮的结果进行补充、完善和优化，最终输出一份高质量的创意方案或解决思路。

工作流结构

1. 1. 开始节点：输入问题或主题。
2. 2. LLM 节点（首轮）：生成初步创意/方案。
3. 3. loop 节点：设定循环变量（如 round=0，idea=初步方案），最大循环次数（如 4）。
• • LLM 节点（循环体）：每轮基于上一轮方案进行补充和优化。
• • 代码节点：将新方案与前一轮方案合并或替换。
• • 变量赋值节点：更新 round、idea。
• • 终止条件：round 达到最大轮数或方案已足够完善。
• 4. 结束节点：输出最终优化后的方案。

关键 prompt 设计

首轮 LLM prompt

你是一位创新顾问。请针对以下问题/主题，提出一份结构清晰、具有可行性的初步创意方案。

问题/主题：{{#sys.query#}}

要求：
- 方案分点阐述，条理清晰
- 每个要点简明扼要，突出创新性
- 结尾提出一个可进一步优化的方向

循环体 LLM prompt

你是一位资深创新顾问。请在上一轮方案的基础上，进一步补充、完善和优化内容，力求使方案更具创新性和可操作性。

上一轮方案：
{{#loop.idea#}}

优化要求：
- 针对每个要点，提出更具体的实施细节或改进建议
- 增加新的创意点或补充遗漏环节
- 检查并修正逻辑漏洞或不合理之处
- 结尾提出下轮可优化的方向
- 避免重复前文内容

说明

• • 每轮都对方案进行“打磨”，最终输出一份经过多轮完善的高质量创意方案。
• • prompt 强调创新、细化、查漏补缺，确保每轮都有实质性进步。

---

实例要点解析

这两个实例分别展示了 loop 节点在“内容递进生成”和“多轮优化完善”两大典型场景下的最佳实践。每个实例的 prompt 都经过精心设计，既保证了每轮输出的质量，又能充分发挥循环递进的优势。你可以根据实际需求，灵活调整循环变量、终止条件和 prompt 内容，打造属于自己的高效智能工作流。

2. 多轮对话与问答

在智能客服、AI 助手等场景，loop 节点可以模拟多轮对话。每一轮，系统根据用户的提问和之前的对话内容生成回复，直到达到设定的对话轮数或用户满意为止。这种方式让对话更加自然、连贯，贴近真实的人机交流体验。

3. 批量数据处理

loop 节点还可以用于批量处理任务。例如，对一组数据逐条进行摘要、翻译或改写，每处理一条就将结果累加，最终输出所有结果的合集。这种用法在数据清洗、内容批量生成等场景尤为常见。需要注意的是，如果每轮处理互不依赖，建议使用迭代节点。

4. 自动优化与递进完善

在内容优化、自动修正等场景，loop 节点可以让系统多轮打磨同一份内容。每一轮都基于上一次的结果进行润色或纠错，直到内容达到理想状态。这种“反复打磨”的机制，正是许多专家在写作或处理复杂任务时常用的方法。

5. 依赖前一轮结果的复杂任务

如自动生成随机数直到满足某一条件、逐步完善方案、自动调参等，loop 节点都能胜任。例如，生成 1-100 的随机数，直到小于 50 时停止，每轮都依赖上一次的结果。

三、loop 节点的配置要点

• • 变量初始化：合理设置循环变量的初始值，确保每一轮都能正确传递状态。
• • 循环体设计：每一轮的节点要紧密衔接，数据流畅通，避免信息丢失。
• • 终止条件明确：既可以用固定轮数，也可以用变量判断，防止流程陷入死循环。
• • 结果合成：通过代码节点或变量赋值，将每一轮的输出有序累加，最终形成完整成果。
• • 退出循环节点：可在循环体内灵活插入，满足条件时立即终止循环。

四、loop 节点的优势

loop 节点让自动化流程具备了“多轮思考、逐步完善”的能力。它不仅提升了内容生成的质量和连贯性，还能大幅度提高批量处理和自动优化的效率。无论是内容创作、对话生成，还是数据处理，loop 节点都能让你的工作流更贴近人类专家的工作方式。

五、结语

Dify 的 loop 节点，是将“人类专家的多轮推敲”能力引入自动化流程的关键工具。只需合理配置循环变量和终止条件，就能让系统像作家、编辑、数据分析师一样，分步递进、反复打磨，最终输出高质量的成果。无论你是内容创作者、产品经理，还是数据工程师，掌握 loop 节点的用法，都能让你的智能工作流如虎添翼。