随着生成式AI技术的快速发展，金融行业也正积极探索大模型在各类业务场景中的应用落地。当前也出现了许多应用产品能提升各环节的工作效率，然而产品类型主要属于智能客服、金融知识问答这些，核心优势也主要在于其背后的数据库质量，本质上依然属于“工具”而非“应用”，还未真正发挥大模型自身具备的丰富潜力。而Manus、DeepResearch这类产品展现了大模型成为真正通用或专业化智能体的可能性，这也是它们曾带来轰动的原因。如何更进一步搭建金融领域的专业Agent？
　　为什么我们需要Dify？
　　Dify作为专业化的工作流应用搭建工具，其高自由度、模块化与低代码的产品特征使其能充分解决大模型在金融投研领域落地的痛点：处理流程长、信息整合度高、高度数据依赖。Dify兼顾了专业化与便捷性，不仅相比此前的LangChain等框架有大幅效率提升，在同类产品的横向比较中同样定位突出，成为构建金融AI投研应用的首选。当然，Dify也保持着高度的可拓展性，能与RAGFlow这类专业化知识库相连接，也能支持MCP工具接入，可进一步拓宽应用的能力边界。
　　强大的功能与简单的配置
　　我们对Dify内部的工具、知识库、Agent与工作流等关键功能进行详细介绍，展示了其中自定义工具、搭建Agent与工作流等操作的具体方法。Dify允许多样化的工具来源，除了官方提供的工具接口外，也可以通过MCP、自定义等方式连接工具，甚至允许将用户自己构造的工作流作为工具重复使用。工作流中我们也可选择功能丰富的节点，低代码完成AI应用的搭建。同时，我们也对部署本地版Dify、配置大模型接口、构建知识库等基础操作进行展示，并对诸如文档分块、检索算法等可能影响应用效果的节点进行说明。
　　应用构建实战——Dify为投研应用带来丰富想象空间
　　最终，我们结合三个案例，展示了Dify应用的巨大想象空间。
　　第一个案例，我们设计了“时间提取”工具，解决了自然语言对话中存在的时间范围指代模糊的问题，能自动识别解决用户需求所需要的确切数据时间范围。该工具可以嵌套进任意其他工作流或Agent之中，实现重复使用。
　　第二个案例，我们设计了专业化的“金融分析师”。它首先会对用户提问的范畴进行划分，确认是“个股”、“行业”、“概念”还是“宏观”类问题，再分别接入相对应的细分流程进行针对性分析。每个细分流程则会有专门设计的Agent进行分析工作，它们运行流程、知识库、工具与提示词等方面都有所不同，能最大化专业程度。
　　第三个案例，我们介绍了“地理信息检索”Agent，展示Dify在搭建投研应用方面的巨大潜力。该Agent可以对年报中出现的地址进行经纬度定位，并同时搜索附近区域内出现的目标地点，譬如我们在案例中设定的“养殖场”这一目标。本质上，但凡是涉及金融与其他领域信息整合的需求，都可以在Dify的辅助下更高效完成。
　　整体而言，Dify易于上手也兼具专业性，为金融应用带来了丰富的想象空间，是目前搭建大模型投研应用的最佳选择。
　　风险提示
　　本次研究基于v1.3.0版本的Dify进行，未来版本更新可能带来功能变化；知识库的具体表现结果受到模型选择影响，不同模型配置下知识库效果可能存在差异；大语言模型使用可能会受到限制，模型输出结果具有一定波动性；本次研究中的推荐参数与模型选择、任务需求等具体情形有关，在具体使用中应根据情况及时调整