在 Dify 工作流中实现“自动补全”，通常指以下三种场景。您可以根据具体需求选择对应的实现方案：

1. 输入补全：引导用户完善问题或查询条件。

2. 输出补全：自动生成或完善模型回复的内容。

3. 代码补全：在 IDE 等场景中，自动补全代码（如 SQL）。

场景一：输入补全（引导用户完善问题）

此场景适用于用户问题不完整时，AI 自动引导用户补充必要信息，而非直接拒答。

实现思路

1. 意图与参数提取：使用 LLM​ 节点分析用户问题，提取关键参数（如时间、地点、类型等）。

2. 条件判断：使用 IF/ELSE​ 或 Question Classifier​ 节点，判断参数是否齐全。

3. 信息补全：若参数缺失，则通过 Template​ 或 LLM​ 节点生成引导性问题，询问用户缺失的信息。

4. 最终处理：若参数齐全，则将完整信息传递给后续节点（如知识库检索、API 调用）进行处理。

核心技巧

在 Prompt 中明确设定 AI 的行为逻辑，例如：

“如果缺少以下任何信息：[信息A]、[信息B]、[信息C]，请用一个友好的问句向用户询问，不要自己编造答案。只有在所有信息都齐全时，才进行下一步操作。”

场景二：查询补全（知识库检索优化）

当用户在知识库中进行模糊搜索时（如仅输入“粉尘浓度”），系统可自动将问题补全为更精确、可检索的语句（如“金属露天矿爆破作业粉尘浓度限值是多少？”）。

推荐方案：在 Dify 工作流中编排

1. 开始节点：接收用户输入的 user_query。

2. LLM 节点 (查询扩展)：使用专门的 Prompt，让 LLM 将模糊的 user_query扩展为适合检索的完整问句 expanded_query。

   • Prompt 示例：

     你是一个查询理解助手。请将用户的自然语言问题改写成一个适合在知识库中检索的、完整且严谨的问句。要求：补全问题中缺失的关键信息（如时间、地点、设备类型等），但不得改变用户原意。输出：只返回改写后的问题，不要包含任何解释或多余文字。

     用户输入：{{user_query}}

3. 知识库检索节点：使用 expanded_query作为查询语句进行检索。

4. 后续节点：将检索结果传递给 LLM，生成最终答案并输出。

多轮对话补全

为处理多轮对话，可以将对话历史（Chat History）也作为输入变量传递给“查询扩展”LLM 节点，使补全更精准。

场景三：输出补全（优化 AI 回复）

此场景旨在让 AI 生成的回复更完整、规范，例如自动补齐示例、步骤或注意事项。

实现方法

• 结构化指令：在 Prompt 中强制规定输出格式，例如：“回答必须包含以下四个部分：1. 结论；2. 原因；3. 示例；4. 注意事项。”

• 后置补全：在生成初步回复后，增加一个 LLM 节点​ 作为“润色器”，专门检查并补充缺失的部分。

• 规则兜底：使用 IF/ELSE 节点​ 判断前序 LLM 的输出是否满足特定条件（如包含代码块），若不满足，则通过 Template 节点​ 自动补充预设内容（如“示例代码：...”）。

场景四：代码补全（以 SQL 为例）

Dify 可用于构建 SQL 代码补全功能，其核心流程如下：

1. 开始节点：接收当前不完整的 SQL 语句 current_sql。

2. 表名提取：使用 LLM 节点​ 或代码解释器，从 current_sql中提取涉及的表名。

3. 获取表结构：通过 HTTP 请求节点​ 调用后端 API，获取这些表的详细结构信息（字段名、类型等）。

4. SQL 补全：将 current_sql、表结构信息等整合到 Prompt 中，调用 LLM 节点生成补全后的 SQL。

   • Prompt 核心：

     你是一个专业的数据库专家。请根据以下信息补全 SQL 语句：

     • 当前 SQL：{{current_sql}}

     • 涉及的表结构：{{table_schema}}

     • 其他上下文：{{context}}

       要求：只输出补全后的完整 SQL，不要包含任何解释。

5. 结束节点：返回补全后的 SQL 语句。

💡 通用设计技巧

无论哪种场景，以下技巧都能提升自动补全的效果：

• 明确指令：在 Prompt 中清晰定义何时需要补全，以及如何补全（是提问、填充默认值还是生成内容）。

• 分离职责：将“判断与提取”和“生成与补全”的逻辑拆分到不同的 LLM 节点中，使流程更清晰，也便于单独调试。

• 利用历史：在多轮对话中，务必将对话历史（Chat History）作为上下文变量，这是实现连贯补全的关键。

• 善用变量聚合器 (Variable Aggregator)：在不同分支（如“已补全”和“未补全”）中，使用变量聚合器将结果统一输出，简化下游逻辑。