如何用 Python 高效编排复杂的 LLM 对话流

在一次产品迭代中，我们尝试利用Dify平台为现有功能构建一个对话式工作流。其核心设计是：通过LLM解析用户的自然语言输入，将其转化为结构化的JSON数据，并据此顺序调用一系列固定的API接口。流程中，我们还会在特定节点插入LLM进行动态处理。

然而，在实践中我们遇到了瓶颈：Dify虽然简化了工作流的搭建，但在处理和传递变量，尤其是涉及循环、条件判断等复杂逻辑时，其灵活性远不及原生代码。一个典型的痛点是，当需要遍历一个列表（如for循环），并将列表中的每个元素Object的某个变量作为参数调用API或动态注入LLM的提示词时，Dify的可视化节点操作变得非常繁琐。

面对这类需求，我们是否应该放弃低代码平台，直接转向使用Python进行后端服务开发？如果采用Python方案，有哪些成熟的框架可供选择？

先说框架：LangGraph

我也推荐langgraph

试试n8n，它挺灵活的。

在一次产品迭代过程中，我们试着借助Dify平台，为现有的功能搭建一个对话式工作流。它的核心设计思路是：利用大语言模型（LLM）对用户输入的自然语言进行解析，把它转化成结构化的JSON数据，然后依据这些数据按顺序调用一系列固定的API接口。在这个流程里，我们还会在特定的节点插入大语言模型（LLM）来进行动态处理。

我还没怎么接触过LangGraph呢，得去学习学习~

Dify支持的类型，限制确实比较大。

遇到的问题和这个帖子里提到的差不多，想直接写代码试试看