Dify多图视觉分析流需构建Workflow应用，集成万物识别与JSON校验插件，通过图意解析器定性任务，Branch节点按图像数量分流：双图走差分分析（定位坐标/状态/数量变化），多图走聚类或API归因，最终LLM生成带字段引用的逻辑结论。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要让Dify智能体能同时接收多张图片，自动识别各自内容，再进行跨图比对（如物品增减、位置变化、状态差异），最后输出带逻辑链条的分析结论——这不是单图OCR或描述任务，而是要求视觉理解+关系建模+推理生成三者协同。
准备多模态运行环境
登录 Dify 控制台（https://cloud.dify.ai 或你的私有部署地址）→ 创建新应用 → 选择 “Workflow” 类型 → 命名为“多图视觉分析流”。【必须选Workflow而非Chatbot，否则无法接入图像节点与分支逻辑】
在左侧“工具库”中搜索并启用两个关键插件：「万物识别（Qwen-VL 或 LLaVA-1.6）」和「JSON Schema 校验器」。前者负责图文联合解析，后者用于强制后续节点接收结构化输出，避免自由文本导致流程断裂。
构建主控意图识别节点
添加第一个节点：类型选“LLM”，命名为“图意解析器”。
在提示词中明确约束输入格式：“你是一个多图视觉分析Agent的首层控制器。用户将上传2–4张图片，每张附带简短标签（如‘入库前’‘入库后’）。请仅输出JSON，字段为：{‘image_count’: int, ‘analysis_type’: ‘对比类’｜‘变化类’｜‘一致性类’, ‘key_objects’: [string], ‘required_relations’: [string]}”。
勾选“强制JSON输出”，并填写Schema示例：{"image_count":2,"analysis_type":"变化类","key_objects":["纸箱","托盘"],"required_relations":["位置偏移","堆叠层数变化"]}。这一步不处理图像本身，只做任务定性，为后续分支提供路由依据。
按图像数量动态分发处理路径
添加“Branch”节点，类型选“If/Else”，判断条件设为：{{ previous_node.output.image_count }} == 2。
分支A（True）→ 进入“双图差分分析流”；分支B（False）→ 进入“多图聚类归因流”。
注意：Dify 的 Branch 节点不支持大于/小于比较，必须用精确等值判断，否则会跳过整个分支。若需支持3张以上，需额外叠加 Branch 节点嵌套，不可写成 >2。
双图差分分析流：定位差异项并标注依据
第一步：添加两个并行“Image Recognition”节点，分别标记为“图A解析”和“图B解析”。配置相同：模型选 Qwen-VL，提示词统一为：“请逐项识别图中所有可定位物体，返回JSON数组，每项含字段：{‘name’: string, ‘bbox’: [x1,y1,x2,y2], ‘state’: string（如‘完好’‘破损’‘开启’）, ‘count’: number}”。
统一LLM网关 - 一个API对接70+AI模型，使用单一API密钥即可调用GPT、Claude、Gemini、Qwen、Deepseek、Grok等主流模型。
第二步：添加“Code”节点，命名为“差异比对引擎”。Python代码逻辑如下：
输入变量：output_a（来自图A解析）、output_b（来自图B解析）；输出变量：delta_report（dict）。
核心逻辑：遍历 output_a 和 output_b 中的 name 字段，对同名物体比对 bbox 偏移量（>15像素记为“位移”）、state 变化（如‘关闭’→‘开启’）、count 差值（±1以上记为“增减”）；对未匹配 name 单独归入“新增项”或“消失项”。最终输出结构化差异字典，含“变化项列表”和“置信度评分”。
第三步：添加“LLM”节点，输入 delta_report + 用户原始问题，提示词强调：“用自然语言重述差异，每条结论必须引用具体坐标或状态字段，例如‘托盘右下角纸箱较图A右移23像素（原bbox[412,201,488,275]→现[435,201,511,275]）’。”
多图聚类归因流：识别共性模式与异常点
方法一：使用“Embedding + 聚类”子流
添加“Image Recognition”节点，但提示词改为：“提取本图最稳定、最具区分度的3个视觉特征描述，用逗号分隔短语，如‘金属反光表面,规则网格纹理,顶部红色标签’”。此步规避坐标依赖，适配不同拍摄角度。
添加“Code”节点，调用 sklearn.cluster.KMeans 对全部图像的特征向量做聚类，输出：主流簇ID、各图所属簇、离群图索引。
方法二：调用外部多模态API（如阿里云Vision AI）
在“Code”节点中编写 requests.post 调用其 /multi-image-compare 接口，传入全部 base64 图片数组和参数 {"mode": "consistency_check"}，直接获取官方返回的“一致元素占比”和“异常图报告”。
两种方法输出统一送入终局“LLM”节点，提示词限定：“先总结共性（例：4图中均有蓝色安全帽、固定角度俯拍），再指出异常（例：图3缺失右侧货架，图4安全帽颜色为黄色），最后推断可能原因（如‘图3拍摄时货架被遮挡，图4为不同作业班组’）。”
