Dify 高级实验（05）：多步推理——如何把复杂问题拆解成子问题逐个击破？

1. 业务场景

先讲一个我们实际遇到的场景。

一位用户在产品社区里问：「我该买 iPhone 还是华为？」这个看似简单的问题，直接问 LLM 往往得到一段含糊其辞的「各有优劣，看你的需求」——因为「买哪个」背后其实是一串子问题：价格差多少？性能谁强？续航谁久？生态谁全？最后还要结合用户自己的偏好做判断。一步回答，模型要么信息不全，要么夹带私货，用户看完还是不知道买哪个。

我们第一次遇到这类问题时，第一反应也是「让模型多思考一会儿不就行了」。后来才发现——问题不在思考时长，而在上下文：模型在同一个上下文里既要回忆事实、又要对比、还要下判断，互相干扰，一步回答天生不可靠。把问题拆开、逐个击破、最后综合，才是人类分析问题的方式，也是 LLM 该有的方式。

这不是个例。任何「一步答不准」的问题都是这个模式：产品对比（A 和 B 选哪个）、行业分析（新能源车会不会取代燃油车）、研究型问答（这个技术方案值不值得采用）——问题越复杂，一步到位的回答越不可靠，因为模型在同一个上下文里既要回忆事实、又要对比、还要下判断，互相干扰。

2. 场景痛点

这个流程的痛点，在问问题的人身上体现得最直接：

• 一步回答信息不全：模型一次回答只能覆盖部分维度——对比手机只聊了价格没聊续航，用户拿到的结论是残缺的，决策依据不足。
• 不可解释：模型直接给结论「推荐华为」，但没说清楚基于哪些维度、每个维度怎么比较的——用户无法判断这个推荐是否适合自己，也不敢信。
• 复杂问题答不准：事实、对比、判断混在一个回答里，模型容易顾此失彼——说了价格忘了性能，说了优点不提缺点，回答质量随问题复杂度直线下降。
• 无法定位错误：回答错了，用户不知道错在哪一步——是事实记错了，还是对比维度漏了，还是判断逻辑有问题，完全无法追溯。

本质上，一步回答的瓶颈不是模型不够聪明，而是「把复杂问题当简单问题处理」——复杂问题需要先拆解、再逐个击破、最后综合，这是人类分析问题的方式，也是 LLM 该有的方式。

3. 方案：为什么是这套多步推理范式

Dify 工作流里的「拆解 → 迭代推理 → 综合」链路，把「一步回答」变成「先拆后答」，正好复刻人类分析问题的过程。

选它的理由，我们实际对比过：

• 拆解让每个子问题都可独立求解：LLM 把复杂问题拆成 3-5 个可独立检索或推理的子问题，每个子问题单独回答——单点准确率远高于一次答全；
• 迭代节点逐个击破：Dify 原生迭代节点对每个子问题单独跑一轮 LLM，子问题之间不互相污染，答案可逐条核对；
• 综合阶段显式标注缺口：子回答出现「不确定」时，汇总代码检测出来，最终答案显式标注信息缺口——不掩盖不确定性，用户知道哪些结论可靠、哪些要核实。

这篇文章我们就用它搭一个「多步推理问答助手」：复杂问题先拆成子问题逐个推理，再综合成结构化回答。

4. 整体架构

链路很清晰：入口收复杂问题 → 拆解成子问题 → 逐个子问题推理 → 汇总检测缺口 → 综合回答。拆解和迭代是这个架构的核心——拆得好，每个子问题都能独立求解；迭代让子问题逐个处理，互不干扰。

5. 模块设计

5.1 拆解 LLM（lm_decompose）

系统提示词限定输出纯 JSON，并要求 3-5 个子问题、先事实后判断：

你是一个问题拆解专家。将用户的问题拆解成 3-5 个独立的子问题。

用户问题：{{#start.user_query#}}

拆解规则：

1. 每个子问题必须是可独立检索或推理的

2. 子问题之间不要重叠

3. 按逻辑顺序排列（先事实后判断）

输出格式（纯 JSON，不要 Markdown）：

{"sub_questions": [{"id": 1, "question": "xxx", "type": "fact/compare/judge"}],

 "reasoning_path": "从基本信息到综合判断的逻辑链描述"}

5.2 准备迭代代码（cd_prepare）

解析拆解结果并兜底：<think> 剥离 → json.loads → 失败则按行正则提取子问题，最后 items[:5] 截断（防迭代 30 元素上限）：

def main(sub_questions_json, query_subject):

    import json, re

    text = sub_questions_json if isinstance(sub_questions_json, str) else str(sub_questions_json)

    text = re.sub(r'<think>.*?</think>', '', text, flags=re.DOTALL).strip()

    m = re.search(r'\{[^}]', text)

    if m:

        text = text[m.start():]

        try:

            questions = json.loads(text)

            items = questions.get("sub_questions", [])

            if isinstance(items, list) and len(items) > 0:

                return {"items": items, "total": len(items),

                        "reasoning_path": questions.get("reasoning_path", "")}

        except:

            pass

    lines = text.split('\n')

    items = []

    for ln in lines:

        m2 = re.match(r'^\d+[\.\、\,]\s*(.+)$', ln.strip())

        if m2 and len(m2.group(1).strip()) > 5:

            items.append({"id": len(items)+1, "question": m2.group(1).strip(), "type": "fact"})

    return {"items": items[:5], "total": min(len(items), 5), "reasoning_path": ""}

5.3 迭代节点（it）

三件套缺一不可：iterator_selector 指向 items 数组、output_selector 只选可见类型（string）、start_node_id 与迭代起始标记 id 一致：

- data:

    desc: ''

    iterator_selector: [cd_prepare, items]

    output_selector: [lm_sub, text]

    start_node_id: itstart0

    title: 逐子问题分析

    type: iteration

5.4 子问题 LLM（lm_sub）

迭代内部 LLM 引用 {{#it.index#}}（序号）与 {{#it.item.子字段#}}，这是迭代标准机制；必须配 reasoning_format: separated：

你是一个专题分析师。请回答以下子问题。

主题：{{#start.query_subject#}}

子问题（第{{#it.index#}}个）：{{#it.item.question#}}

问题类型：{{#it.item.type#}}

回答要求：

1. fact 类型基于知识回答；compare 列出对比维度；judge 给出判断理由

2. 控制在 100 字以内

3. 如不确定，明确说"不确定"

4. 直接给出回答，不要重复问题

5.5 汇总代码（cd_summary）

逐条拼接 Q/A，并检测信息缺口——has_information_gaps 展平为字符串（boolean 在变量选择器不可见）：

def main(sub_results, original_query, reasoning_path):

    lines = []

    has_gaps = False

    for item in (sub_results if isinstance(sub_results, list) else []):

        q = item.get("question", "?") if isinstance(item, dict) else "?"

        a = item.get("answer", item.get("text", "未回答")) if isinstance(item, dict) else str(item)

        lines.append(f"Q: {q}\nA: {a}\n")

        if "不确定" in a:

            has_gaps = True

    return {"intermediate_results": "\n".join(lines),

            "has_information_gaps": "true" if has_gaps else "false",

            "gap_note": "部分信息未确认，建议核实" if has_gaps else "信息完整"}

5.6 综合 LLM（lm_final）

引用 {{#cd_summary.intermediate_results#}} 与 {{#cd_prepare.reasoning_path#}}，要求先给直接答案、再引关键论据、最后按缺口标注。

6. 运行验证

7. 实战坑

8. 实验文档及源码获取

• 实验文档（完整操作步骤）：DIFY-103-05：多步推理工作流.md
• 源码（可直接导入）：dify103_05_多步推理工作流.yml

文章聚焦核心配置与采坑点；实验的完整分步操作（节点搭建/参数表/调试指引）见实验文档原文。