创源无限CDP-AI助手方案：从数据洞察到智能填充的闭环实践

作者：wwd    日期：2026-4-27

在 CDP（客户数据平台）的实际应用中，侧边栏往往只是“问答窗口”。而创源无限将侧边栏重塑为“AI 驱动的自动化配置引擎”——它能听懂你的分析需求，自动生成结构化配置（如标签体系、分群规则），甚至直接帮你把内容填入 CDP 界面。本文将从数据流转、工作流结合、上下文注入、自动填充四个维度，拆解这一方案的技术实现路径。

一、数据流转：侧边栏如何把问题传给 Dify？

在Livepulse机器人助手的研发中，侧边栏本质上是一个嵌入在 CDP 网页中的聊天组件。当用户在前台输入问题时，前端 JavaScript 会捕获这个输入，并通过 HTTP 请求发送给部署在后端（或本地）的 Dify 服务。

典型交互路径：

  • 用户行为：用户在右侧“数据分析”侧边栏的输入框中输入：“帮我分析一下昨天新用户的留存率”。
  • 前端捕获：侧边栏的 UI 组件监听到 onSubmit事件，获取到文本 query。
  • API 调用：前端通过 fetch或 axios调用 Dify 的 API 接口。
    • 如果是纯问答模式：调用 /v1/chat-messages（非流式）或 /v1/chat-messages?response_mode=streaming（流式，体验更好，逐字输出）。
    • 如果是触发特定工作流：调用 /v1/workflows/{workflow_id}/run。
  • 参数传递：除了问题本身，请求体中通常会携带 inputs（输入变量），比如当前选中的时间范围、当前查看的报表 ID 等，以便 Dify 理解上下文。

示例代码逻辑（前端 Vue/React）：

/
// 侧边栏组件中的发送函数
async function sendMessageToDify(question) {
  const response = await fetch('https://your-dify-api/v1/chat-messages', {
    method: 'POST',
    headers: { 
      'Authorization': 'Bearer YOUR_API_KEY', 
      'Content-Type': 'application/json' 
    },
    body: JSON.stringify({
      inputs: {
        // 传递当前界面的上下文，如选中的用户群体、时间
        current_segment_id: "seg_123",
        time_range: "last_7_days"
      },
      query: question,
      response_mode: "streaming", // 流式响应，实时显示
      conversation_id: "conversation_xyz" // 保持会话上下文
    })
  });

  // 处理返回的流式数据，逐块更新侧边栏的聊天框
  const reader = response.body.getReader();
  while (true) {
    const { done, value } = await reader.read();
    if (done) break;
    const chunk = new TextDecoder().decode(value);
    updateChatUI(chunk); // 将新收到的文字追加到聊天框
  }
}

二、工作流结合：Dify 内部如何执行？

当 Dify 收到请求后，根据你们配置的“应用类型”，有两种结合方式：

A. 聊天机器人模式（推荐用于侧边栏交互）

你们在 Dify 中创建一个 “对话型应用 (Chat App)”。

  • 结合点：在应用的“Prompt”编排区域，你们可以定义系统提示词（System Prompt），例如： “你是 CDP 的智能分析助手。用户正在查看‘受众特征’页面。如果用户询问数据，请优先调用 Timeplus MCP 工具查询最新数据，并用通俗的语言解释。”
  • Agent 机制：Dify 会根据 Prompt 自动决定是否调用你们配置的 Timeplus MCP 工具。如果调用，它会先发送 SQL 给 Timeplus，拿到结果后再组织成自然语言回复给用户。

B. 工作流模式（推荐用于复杂任务）

如果某个功能逻辑非常复杂（例如：“一键生成用户流失预警报告”），你们可以在 Dify 中创建一个 “工作流 (Workflow)”。

  • 结合点：侧边栏不仅仅发送聊天，而是直接触发这个工作流。
  • 触发方式：前端调用 /v1/workflows/run接口。
  • 流程执行：工作流内部是一系列节点（开始 -> 调用 Timeplus 查询 -> 条件判断 -> 调用大模型总结 -> 结束）。侧边栏只需要发起请求，然后等待 Dify 返回最终结果即可。

三、上下文注入：如何让 AI 知道“当前在看什么”？

为了让 AI 的回答贴合当前界面的数据，你们需要在每次提问时，将当前界面的状态作为变量传递给 Dify。

  • 当前选中的数据：比如在“受众特征”页，选中了“北京地区的女性用户”。
  • 传递方式：在前端发送请求时，将这些信息放入 inputs字段。
  • Dify 使用：在 Dify 的 Prompt 中，你可以这样写： “当前用户筛选条件是：{{inputs.region}} 和 {{inputs.gender}}。请基于这些条件回答用户的问题。”

这样，AI 就不需要每次都问“你在看哪个页面？”，而是直接基于你给它的上下文进行推理。

总结：侧边栏与 Dify 的工作流闭环

  1. 输入：用户在 CDP 侧边栏输入自然语言问题。
  2. 传递：前端 SDK/JS 捕获问题 + 当前界面上下文，发给 Dify API。
  3. 决策：Dify (Agent) 解析问题，决定是直接回答还是调用 Timeplus MCP 工具。
  4. 执行：如果调用 MCP，Dify 向 Timeplus 发送查询，Timeplus 返回数据。
  5. 生成：Dify 将原始数据或查询结果代入 Prompt，生成人类可读的分析结论。
  6. 输出：Dify 将结果通过 API 流式返回给侧边栏，侧边栏实时渲染出答案。

四、AI 侧边栏技术实现路径：从“对话”到“自动填充”

整个流程的核心在于利用 Dify 的 JSON 结构化输出（Structured Output）​ 能力，将自然语言指令转化为机器可读的操作指令。

1. Dify 工作流：定义“标签体系”的 JSON Schema

在 Dify 的工作流（Workflow）中，核心是配置一个 LLM 节点，并开启 “结构化输出”​ 功能。你需要预先定义好 AI 返回数据的“合同”（Schema）。

  • Prompt 提示词设计： “你是一个 CDP 标签体系专家。根据用户需求，生成符合以下 JSON 格式的标签配置方案。请严格输出 JSON，不要有任何其他文字。”
  • JSON Schema 定义（示例）： 在 Dify 的 LLM 节点中，设置你期望的返回格式。例如，一个标签体系的 Schema 可以这样定义： { "type": "object", "properties": { "tag_system_name": { "type": "string" }, "tags": { "type": "array", "items": { "type": "object", "properties": { "tag_name": { "type": "string" }, "tag_type": { "type": "string", "enum": ["behavior", "attribute", "prediction"] }, "rule_definition": { "type": "string" } } } } } }

这样，当用户输入“帮我设计一个电商用户流失预警标签体系”，Dify 返回的将不再是杂乱的自然语言，而是规整的 JSON 对象。

2. 侧边栏前端：解析 JSON 并自动填充

侧边栏接收到 Dify 的 JSON 响应后，不再只是 console.log，而是执行数据解析和 DOM 操作。

  • 前端逻辑伪代码： // 1. 调用 Dify API（携带当前页面上下文） const difyResponse = await fetchDifykflow('desWorign_tag_system', userInput); // 2. 解析 Dify 返回的 JSON（假设返回结构为 { tag_system_name: "...", tags: [...] }） const tagPlan = JSON.parse(difyResponse.output); // 3. 自动填充 CDP 标签管理页面的表单 // 3.1 填充标签体系名称 document.getElementById('tag-system-name').value = tagPlan.tag_system_name; // 3.2 动态填充标签列表（假设是表格形式） tagPlan.tags.forEach((tag, index) => { // 找到对应的输入框并赋值 document.querySelector(`[data-row="${index}"] [data-field="name"]`).value = tag.tag_name; document.querySelector(`[data-row="${index}"] [data-field="rule"]`).value = tag.rule_definition; }); // 4. （可选）自动点击“保存草稿”或“下一步”按钮 // document.getElementById('save-draft-btn').click();

注意：如果你们的标签配置页面非常复杂（如弹窗、多步骤），建议先让 AI 填充到“草稿”区域，经用户确认后再正式提交，避免误操作。

3. 深度集成：直接调用 CDP 管理 API（进阶）

如果你们希望完全“无感”自动化，可以跳过 DOM 操作，让侧边栏直接调用你们 CDP 的后端 API。

  • 流程升级： a. Dify 返回标准的 JSON 配置。 b. 侧边栏前端直接调用 CDP 的 POST /api/v1/tag-systems接口，将 JSON 作为请求体发送。 c. CDP 后端接收后，直接在数据库中创建标签体系。
    • 优势：更稳定，不依赖前端 DOM 结构变化。
    • 风险：需要极高的信任度，建议保留“预览确认”环节。

五、结合 Timeplus 的实战场景

假设你们的具体场景是：“分析 Timeplus 中的用户行为流，自动生成行为标签”。

  1. 用户侧边栏输入：“分析最近 7 天‘加入购物车但未支付’的用户，为他们生成一个‘高意向未转化’标签。”
  2. Dify 工作流执行：
    • 节点1（MCP）：调用 Timeplus MCP 工具，执行 SQL 分析行为数据。
    • 节点2（LLM）：基于分析结果，生成具体的标签规则（如 event_name='cart_add' and payment_status is null）并封装成上述的 JSON Schema。
  3. 侧边栏接收：拿到 JSON，自动在 CDP 的标签管理界面创建名为“高意向未转化”的标签，并填入规则。

六、避坑指南与最佳实践

  • 安全兜底：绝对不要让 AI 直接拥有“保存”权限。流程必须是：AI 生成建议 (JSON) → 侧边栏渲染预览 → 用户确认/微调 → 手动点击保存。防止 AI 幻觉导致数据污染。
  • Schema 版本管理：JSON Schema 是前端和 AI 的契约，一旦定义好，不要轻易修改，否则前端解析会报错。
  • 模型选择：结构化输出（JSON Mode）对模型指令遵循能力要求较高，建议使用 gpt-4o或 claude-3.5-sonnet等高性能模型，本地模型需测试其稳定性。

结语：从“问答”到“执行”，侧边栏的进化

通过 Dify 工作流 + JSON 结构化输出 + 前端自动填充，创源无限的侧边栏 AI 助手已不再是“聊天机器人”，而是“智能配置引擎”——它能听懂你的分析需求，自动生成结构化配置，甚至直接帮你把内容填入 CDP 界面，真正实现“分析即配置，配置即生效”。

如果你也在寻找让 CDP 更智能、更高效、更省力的方案，不妨从侧边栏 AI 助手开始，开启你的“AI 驱动数据运营”之旅。

创源无限，让数据流动，让智能落地。

从数据洞察到智能填充的闭环实践

https://www.creasourse.com/1.html

https://mp.toutiao.com/profile_v4/manage/content/all

推荐文章