Dify平台的动作场面描写生动性打分
在影视剧本自动评审、游戏剧情生成质检，甚至网络文学平台的内容推荐系统中，一个长期悬而未决的问题是：如何让AI客观地判断一段文字“写得有没有画面感”？
这听起来像是个主观到近乎玄学的任务——毕竟，“生动”这种特质，连人类评委都可能争论不休。但随着大语言模型能力的跃迁和工程化工具链的成熟，我们正逐步将这类模糊感知转化为可量化、可复现、可优化的技术流程。
Dify 的出现，恰好为解决这一类高阶文本质量评估问题提供了完整的拼图。它不只是一个提示词调试界面，更是一个能把“我觉得这段打斗写得不够劲爆”这样的直觉，转化成“动词密度低于阈值 + 节奏变化平缓 + 缺乏感官细节”的结构化诊断系统的中枢引擎。
要理解 Dify 是如何做到这一点的，不妨先看一个实际场景：某网文平台希望对作者提交的战斗章节进行自动化初筛，过滤掉那些“干巴巴的对招记录”。传统做法是靠编辑人工阅读，效率低且标准难统一；直接用 LLM 打分又容易翻车——模型今天说“有张力”，明天看同样段落却觉得“平淡”，因为它没有固定的参照系。
Dify 的破局思路很清晰：把评分变成一次受控的推理过程，而不是一次随机的语言采样。
这个过程的核心起点，就是 Prompt 工程。但这里的 Prompt 并非简单的一句话指令，而是一套带有角色设定、评价维度、示例引导和输出格式约束的“评分协议”。
prompt_template = """ 你是一位资深动作片编剧评审专家，请对以下动作场面描写进行生动性打分（满分10分）： 【描写内容】 {scene_text} 请从以下三个维度进行评价： 1. 画面感：是否能在脑海中形成清晰图像？ 2. 节奏感：动作是否有张弛有度的推进？ 3. 动词丰富度：是否使用多样且精准的动作词汇？ 最终综合得分（0-10）：{{score}} 理由：{{reason}} """这段模板看似普通，但它在 Dify 中的作用远超“填空”。当它被配置为 LLM 节点时，平台会自动识别{scene_text}为输入变量，并允许通过 API 或前端表单动态注入。更重要的是，Dify 支持在此基础上添加条件分支——比如，如果初步评分低于6分，则触发第二轮更细粒度的分析；或者根据题材类型（武侠/科幻）切换不同的评分权重。
但这还不够稳定。同一个 Prompt，若缺乏上下文锚定，模型仍可能因微小扰动产生分歧。这时候，RAG（检索增强生成）就登场了。
想象一下，人类专家在评审时，往往会回想“哪部电影的打戏最经典？”来建立心理标尺。Dify 让 AI 也拥有了这种能力。它会在每次打分前，先将待评文本向量化，然后在预置的“高分动作描写样本库”中查找语义最接近的几段范文，并把这些范文作为上下文一并送入模型。
这样一来，模型不再凭空打分，而是基于“同类优秀作品”的参照系做出判断。哪怕它内部知识发生了漂移，只要参考库不变，评分基准就能保持一致。
from dify_client import Client client = Client("your-api-key") response = client.create_completion( user="user-id", inputs={ "scene_text": "拳风呼啸而至，他猛然侧身，脚尖点地旋身踢出一记回旋踢……" }, response_mode="blocking" ) print(response["answer"])代码只有寥寥数行，但背后隐藏着完整的 RAG 流程：嵌入模型编码 → 向量数据库检索（如 Milvus 或 Weaviate）→ 上下文拼接 → LLM 综合推理。开发者无需关心底层实现，只需关注业务逻辑。Dify 提供的可视化数据集管理界面，也让运营人员可以直接上传、标注和更新范文，真正实现了“评分标准可进化”。
然而，仅靠 Prompt + RAG 还不足以应对复杂场景。例如，如何量化“动词丰富度”？模型主观判断固然可用，但如果能结合 NLP 工具做一次客观统计，岂不是更有说服力？
这就引出了 Dify 的第三个关键能力：AI Agent。
Agent 在这里扮演的是“智能评审组长”的角色。它不亲自打分，而是协调多个工具完成任务分解：
- 接收原始文本；
- 自动切分成句子或动作单元；
- 调用外部动词分析 API 获取动词频率、多样性指数；
- 查询句式节奏特征（如长短句交替情况）；
- 将这些结构化指标注入 Prompt，辅助 LLM 做出更理性的综合评分；
- 判断结果是否处于争议区间（如7.4~7.6），决定是否转交人工复核。
整个流程可以用 JSON 配置描述如下：
{ "nodes": [ { "id": "input", "type": "user_input", "variables": ["scene_text"] }, { "id": "splitter", "type": "processor", "config": { "method": "sentence_segmentation" } }, { "id": "verb_analyzer", "type": "tool_call", "tool": "custom_api", "url": "https://api.nlp-tools.com/analyze-verbs", "auth": "bearer xxx" }, { "id": "scorer", "type": "llm", "model": "gpt-4-turbo", "prompt": "根据以下分析数据打分：{{verb_density}}, {{sentence_rhythm}}..." } ] }Dify 的强大之处在于，这套流程既可以拖拽式配置，也能导出为代码版本化管理。这意味着团队可以对“第七版暴力美学评分逻辑”进行 A/B 测试，也可以快速回滚到历史稳定版本，彻底告别“改完提示词后全崩了”的噩梦。
整个系统的架构也因此变得清晰而稳健：
[用户输入] ↓ (HTTP/API) [Dify平台] ├── [Prompt模板引擎] → 控制输出格式 ├── [RAG检索模块] ←→ [向量数据库: 高分范文库] ├── [AI Agent流程引擎] │ ├── [句子分割处理器] │ ├── [动词分析工具API] │ └── [综合评分LLM] └── [数据集管理] ←→ [标注平台] ↓ [结构化评分输出] → [前端展示 / 数据分析系统]每一层都有明确职责：Prompt 定义规则，RAG 提供依据，Agent 协调执行，数据集承载知识。它们共同构成了一个具备解释性、可调试性和持续进化能力的质量评估闭环。
实践中，我们也总结出一些关键经验：
- 参考库质量决定上限：RAG 效果严重依赖范文质量。建议设立三级筛选机制：人工初筛 → 模型去重 → 多轮交叉验证打分，确保入库样本代表真实高水平。
- 不要迷信全自动：对于临界分数（如7.5分附近），应设计自动触发人工复核的机制。人机协同不仅能提升准确性，还能积累新的训练信号。
- 性能与精度权衡：启用完整 Agent 流程可能带来数百毫秒延迟。可根据场景设置“快速模式”（仅 Prompt + RAG）和“精评模式”（全链路运行），由用户按需选择。
- 安全不可忽视：对外提供评分 API 时，必须加入速率限制、输入清洗和敏感词过滤，防止被用于生成违规内容或发起拒绝服务攻击。
回到最初的问题：AI 真的能学会“感受”文字的生动性吗？
答案或许是：它不需要“感受”，只需要一套严谨的观察框架。
Dify 的真正价值，不在于它能让模型打出一个分数，而在于它把原本依赖个体经验的评判行为，转化成了可拆解、可验证、可迭代的工程系统。在这个系统中，每一次打分都是对标准的一次检验，每一次反馈都在推动体系进化。
未来，在影视工业化生产、AI 辅助写作、教育作文批改等领域，类似的“非结构化质量度量”需求只会越来越多。而 Dify 所代表的“可视化编排 + 多技术融合”范式，正在成为构建这类系统的通用方法论。
这不是让 AI 取代人类审美，而是让人类的审美得以规模化传递。
