【AI智能体】Dify 搭建业务单据差异核对助手实战详解

一、前言

二、Dify介绍

2.1 Dify 是什么

2.2 Dify 核心特性

2.2.1 Dify特点

2.2.2 Dify 多模型支持

2.2.3 Dify 适应场景

2.2.4 基于Dify 搭建发票识别应用优势

三、Dify 搭建业务单据核对助手实战过程

3.1 前置准备

3.1.1 安装必要的插件

3.2 完整操作步骤

3.2.1 创建一个应用

3.2.2 开始节点增加一个参数

3.2.3 增加第一个大模型节点

3.2.4 增加第二个大模型节点

3.2.5 增加第三个大模型节点

3.2.6 配置结束节点

3.2.7 效果验证

四、写在文末

一、前言

随着AI智能体在很多领域使用的越来越广泛，并逐渐产生商业价值之后。人们惊讶的发现，一个可以实现商用的业务系统或应用，只需短短几天，甚至几小时就可以做出来。有个传统业务系统开发经验的同学应该了解，开发一个功能，从产品经理识别需求到最终开发完成上线使用，这个过程是很长的，而且中间可能还涉及到来来回回的反复沟通，会拉长业务最终交付和使用的时间。比如像票据核对这种工作，往往是需要人工参与校对的，比较大程度上需要依赖人力去完成。有了AI大模型+AI智能体之后，即便不是开发工程师，也能基于AI智能体平台，快速搭建一个简单的AI应用来验证效果，从而快速实现业务价值的验证。本篇以Dify智能体平台为例进行说明，使用Dify快速搭建一个业务单据自动核对智能助手应用。

二、Dify介绍

2.1 Dify 是什么

Dify 是一个开源大模型应用开发平台，旨在帮助开发者（智能体应用爱好者）快速构建、部署和管理基于大型语言模型（LLM）的 AI 应用。它提供了一套完整的工具链，支持从提示词工程（Prompt Engineering）到应用发布的全流程，适用于企业级 AI 解决方案和个人开发者项目。

官网入口：Dify: Production-Ready AI Agent Builder

中文站入口：Dify：企业级 AI Agent 开发平台

2.2 Dify 核心特性

2.2.1 Dify特点

Dify 具备如下核心特点：

可视化编排工作流
- 通过低代码界面设计 AI 应用流程，无需深入编程即可构建复杂的 LLM 应用。
- 支持对话型（Chat App）和文本生成型（Completion App）应用。
多模型支持
- 兼容主流大模型 API，如 OpenAI GPT、Anthropic Claude、Cohere、Hugging Face 等。
- 支持私有化部署的 Llama 2、ChatGLM、通义千问等开源模型。
灵活的提示词工程
- 提供 Prompt 模板、变量插值、上下文管理等功能，优化 AI 输出效果。
- 支持 RAG（检索增强生成），可结合外部知识库提升回答准确性。
数据管理与持续优化
- 记录用户与 AI 的交互日志，用于分析和迭代改进模型效果。
- 支持 A/B 测试，对比不同提示词或模型版本的表现。
企业级功能
- 支持多租户、权限管理，适合团队协作开发。
- 可私有化部署，保障数据安全。

2.2.2 Dify 多模型支持

在dify控制台，内置了非常多大模型可供用户选择使用，比如GPT系列，DeepSeek模型、千问系列模型等，基于这些模型，应用开发者可以自由灵活的选择并使用。

2.2.3 Dify 适应场景

Dify 适用于多种生成式 AI 应用开发场景：

内容创作与生成
- 自动化生成文章、报告、营销文案等
- 结合知识库实现专业领域内容生成（如法律、医疗文档）
智能对话系统
- 构建多轮对话客服机器人、虚拟助手
- 通过 Agent 框架实现任务分解与工具调用（如搜索、图像生成）
数据分析与自动化
- 解读复杂数据并生成可视化报告
- 自动化业务流程（如工单处理、邮件回复）
个性化推荐与营销
- 基于用户画像生成个性化推荐内容。
- 结合RAG实现精准信息检索与推送。

2.2.4 基于Dify 搭建发票识别应用优势

Dify作为领先的AI应用开发平台，为零代码/低代码构建发票识别应用提供了强大支持。Dify通过可视化工作流编排和多模型集成能力，使开发者无需编写复杂代码即可构建专业级发票处理应用。

1）Dify构建的发票识别应用为企业解决了以下痛点：

效率瓶颈：传统人工录入方式处理一张发票平均需3-5分钟，而AI方案可缩短至秒级2
错误率高：手工录入错误率约2-5%，AI识别准确率可达99%以上17
版式适应差：传统OCR依赖固定模板，而AI方案能自适应多种发票版式变化4
成本压力：企业财务部门50%以上时间耗费在票据处理上，AI自动化可释放这部分人力7

2）基于Dify 实现一个发票识别应用搭建的关键技术流程如下：

多模态模型集成：
- 支持视觉-语言大模型(VLM)如Qwen-VL、DeepSeek-V2等，能同时处理图像和文本信息
可视化工作流编排：
- 通过拖拽节点方式构建复杂处理流程，如"文档提取→OCR识别→数据验证→结果输出"的全自动化流水线
条件分支与逻辑控制：
- 支持基于发票类型的智能路由，如自动区分增值税发票、火车票等不同类型并调用相应处理模块
多模型协同验证：
- 可采用多个VLM模型并行识别后比对结果，显著提升准确率

3）从实际落地案例看，Dify发票识别应用为企业带来多维度的价值提升：

效率提升
1. 单张发票处理时间从人工3-5分钟缩短至2-10秒
2. 华为云方案用户实现"财务审核效率提升90%以上"
3. 支持批量处理，某电商企业日处理能力从200张提升至10,000+张
成本节约
1. 减少70%以上人工审核岗位
2. 某服装电商年节省开票成本23.6万元(人力+税损)
3. 按需使用的云资源模式避免硬件过度投资
风险控制
1. 自动识别异常发票(如频繁红冲、大额整数票)
2. 税务合规率从约85%提升至近100%
3. 避免如"某电商因红冲率超15%被罚款87万元"的案例
业务赋能
1. 结构化票据数据赋能财务分析(如供应商集中度分析)
2. API集成能力支持与ERP、报销系统的深度对接
3. 某制造企业实现"从识别到入账全流程自动化"

三、Dify 搭建业务单据核对助手实战过程

接下来通过一个实际案例应用来演示下如何基于Dify 搭建业务单据核对助手的操作过程。

3.1 前置准备

3.1.1 安装必要的插件

Dify提为应用开发者提供了众多大模型可供集成使用，但需要使用者以插件方式安装并集成进去。在账户那里右键设置，进入模型供应商设置那里，可以看到有很多大模型可供集成，入口：插件 - Dify

你可以选择合适的模型供应商进行安装，比如我这里选择了DeepSeek ，通义千问大模型，以及国内的硅基流动大模型集成平台，主要是把对应的模型供应商的apikey配置进去即可。

3.2 完整操作步骤

3.2.1 创建一个应用

如下，创建一个ChatFlow类型的空白应用，填写应用名称和描述之后点击创建

创建完成后，跳转到下面的流程配置页面

3.2.2 开始节点增加一个参数

在开始节点增加一个文件类型的变量参数，用于用户上传票据文件使用，如下：

添加完成之后，在右侧开始节点配置中可以看到这个参数

3.2.3 增加第一个大模型节点

第一个大模型节点通过配置提示词，从而来提取用户上传的票据文件中的内容，参考下面的系统提示词

请提取这张照片的内容，其中内容格式'发票号码'、'开票日期'、'出发时间'、'始发站'、'终点站'、'车次'、'票价'、'身份证号'、'姓名'、'电子客票号'、'购买方名称'、'统一社会信用代码'字段返回信息，返回的结果以json格式返回

注意这里的大模型选择具备视觉识别的大模型

同时，将配置节点中的视觉选项勾选上

3.2.4 增加第二个大模型节点

为了达到最后的票据核对效果，这里我们采用两个大模型节点，而且两个大模型节点背后配置不同厂商的大模型，如下，第二个大模型使用千问的大模型，也是选择带有VL的，系统提示词与上一个大模型节点配置相同的内容

总的来说，通过添加两个大模型节点，两个不同厂商的大模型同时对用户上传的同一份票据进行提取，如果最终不同的大模型提取的内容相同，可以判断识别的就没问题

3.2.5 增加第三个大模型节点

再增加一个大模型节点，该节点用于收集前2个大模型节点提取到的内容，然后进行对比分析，大模型中配置下面的提示词，该提示词以json的结构对大模型的回答进行了约束，并且给出了参考案例，从而更好的输出结果

{"Role": "JSON 数据对比专家","Profile": {"专长": "精确比较和分析 JSON 数据","经验": "多年处理各种结构化数据的丰富经验","技能": ["精准识别差异","使用颜色高亮标注","详细对比报告生成"]},"Goals": ["逐行比较两个JSON数据的内容","识别并标记所有存在的差异","使用颜色（红色）高亮显示不同之处","生成清晰、易读的比对结果报告"],"Rules": ["必须逐个键值对进行比较，不遗漏任何字段","只标注存在差异的部分，相同的部分保持原样","使用红色作为差异标注的唯一颜色","对于数值型差异，需要考虑精度问题","对于字符串差异，需要考虑大小写和空白字符","保持 JSON 的结构完整性，不改变原有的格式和顺序"],"Workflows": ["接收并解析两个待比对的 JSON 数据","确保两个 JSON 数据结构一致，如果不一致，报告结构差异","逐一对比每个键值对"," - 如键不同，标记为新增或缺失"," - 如值不同，使用红色高亮标注","生成详细的对比报告，包括："," - 总体差异统计"," - 每个差异项的具体描述"," - 高亮显示的 JSON 数据"],"OutputFormat": {"type": "json","structure": {"summary": "总体比对结果摘要","differences": [{"key": "差异字段名","value1": "第一个 JSON 中的值","value2": "第二个 JSON 中的值","highlightColor": "red"}],"highlightedJSON": "包含红色高亮的完整 JSON 数据"}},"Examples": [{"input": {"json1": {"价税合计（小写）": "263.00","收款人": "李华"},"json2": {"价税合计（小写）": "213.00","收款人": "王霞"}},"output": {"summary": "发现2处差异","differences": [{"key": "价税合计（小写）","value1": "263.00","value2": "213.00","highlightColor": "red"},{"key": "收款人","value1": "李华","value2": "王霞","highlightColor": "red"}],"highlightedJSON": {"价税合计（小写）": "<red>263.00</red>","收款人": "<red>王霞</red>"}}}]
}