Dify工作流节点-http请求

向量数据库大模型云通信

AI时代 你不是一个旁观者。文末可领DSL文件及token福利。

定义

HTTP 请求节点允许通过 HTTP 协议发送服务器请求,适用于获取外部数据、调用 webhook、生成图片、下载文件等多种情景。它使你能够向指定的网络地址发送定制化的 HTTP 请求,实现 Dify 应用与各种外部服务的互联互通。

该节点支持常见的 HTTP 请求方法:

  • GET

用于请求服务器发送某个资源。

  • POST

用于向服务器提交数据,通常用于提交表单或上传文件。

  • HEAD

类似于 GET 请求,但服务器不返回请求的资源主体,只返回响应头。

  • PATCH

通常用于对资源进行部分更新。(原文描述为获取传输路径,可能略有偏差,PATCH 更常用于部分更新)

  • PUT

用于向服务器上传资源,通常用于更新已存在的资源或创建新的资源。

  • DELETE

用于请求服务器删除指定的资源。

HTTP 请求配置

你可以通过配置 HTTP 请求的多个方面,包括 URL请求头 (Headers)查询参数 (Query Parameters)请求体 (Body) 内容以及认证信息 (Authentication) 等。

场景一:发送应用互动内容至特定服务器

你可以在 HTTP 请求的不同部分动态插入 Dify 工作流中的变量。例如,在处理客户评价的场景中,可以将用户名、客户 ID、评价内容等变量嵌入到请求的 URL、请求头或请求体中,以定制化地调用外部 API(如自动回复、更新 CRM 信息或获取特定客户资料)。

HTTP 请求节点的返回值包括响应体 (Response Body)状态码 (Status Code)响应头 (Response Headers) 和可能的文件 (Files) 。值得注意的是,如果响应中包含了文件,该节点能够自动将其保存下来,供流程后续步骤使用。这简化了处理带有文件附件的 API 响应。

场景二:发送文件

你可以使用 HTTP PUTPOST 请求将应用内的文件变量发送至其他 API 服务。在配置请求的 Body 时,选择 binary 类型,并在其值中选中需要发送的文件变量。这种方式常用于文件传输、文档存储服务(如上传到 S3)、媒体处理接口等场景。

示例: 假设你正在开发一个文档管理应用,需要将用户上传的 PDF 文件同步发送到第三方存档服务,可以通过 HTTP 请求节点,将代表该 PDF 文件的变量配置在请求体的 binary 部分进行传递。

picture.image

高级功能

错误重试

针对节点运行时可能发生的暂时性异常情况(如网络抖动、服务器临时不可用),再次重试往往能解决问题。启用错误重试 功能后,节点将在发生特定类型的错误时,按照预设策略自动进行重试。

你可以调整以下参数来设置重试策略:

  • 最大重试次数

设定节点最多尝试重新运行的次数(上限为 10 次)。

  • 重试间隔

设定每次重试之间等待的时间(单位:毫秒,最大间隔 5000 ms)。

异常处理

HTTP 节点在执行过程中可能会遇到网络请求超时、请求被目标服务器限制(如速率限制)、认证失败等无法通过重试解决的异常情况。为了避免这些异常中断整个工作流的执行,应用开发者可以配置异常处理 分支。

配置步骤如下:

  1. 在 HTTP 请求节点的高级设置中启用 “ 异常处理 ”。
  2. 选择一个异常处理方案(例如:继续执行后续节点、结束流程并返回特定错误信息等)并进行相应配置。

通过合理的异常处理配置,可以使你的 Dify 应用在面对外部服务不稳定时表现得更加健壮。需了解更多应对异常的处理办法,请参考 Dify 文档中的异常处理章节。

原文链接:https://docs.dify.ai/zh-hans/guides/workflow/node/http-request

关注我可领DSL文件及token福利

往期工作流文章

10分钟构建基于 Dify 的智能文章仿写工作流:配置指南,效率飙升300%!

20分钟从零到一构建Dify智能客服工作流教程(附DSL文件下载)

使用 Dify 打造自己的免费 AI 写作神器

Dify工作流教程|以电费单分析为例详细讲解工作流编排过程

告别手工录票!Dify 工作流分享:打造多票据识别机器人(附DSL文件)

更多工作流案例,请到公众号主页查看

dify相关资源

如果对你有帮助,欢迎点赞收藏 备用。


回复 DSL 获取公众号DSL文件资源

回复 入群 获取二维码,我拉你入群

回复 tk 获取免费token资源

0
0
0
0
关于作者
关于作者

文章

0

获赞

0

收藏

0

相关资源
火山引擎大规模机器学习平台架构设计与应用实践
围绕数据加速、模型分布式训练框架建设、大规模异构集群调度、模型开发过程标准化等AI工程化实践,全面分享如何以开发者的极致体验为核心,进行机器学习平台的设计与实现。
相关产品
评论
未登录
看完啦,登录分享一下感受吧~
暂无评论