Dify 高级实验（06）：自动化报告——如何让系统定时自动生成周报？

1. 业务场景

先讲一个我们实际遇到的场景。

一家电商公司的运营部，每周一早上 9 点都要开周会，会前必须有一份上周运营周报——营收、订单、客服满意度、活跃用户，还要算环比、标异常。这份周报一直由数据分析师手动做：从三个后台系统分别导出数据，粘到 Excel 里算环比，再复制进 Word 模板，最后手动发到群里。一套流程下来大半天，而且经常漏算某个指标，或者把上周的数据标成本周。运营总监最常说的一句话是：「周报能不能周一早上我睁眼就能看到？」

我们第一次接这个需求时，第一反应也是「写个 Python 脚本定时跑不就行了」。后来把流程拆开一看才发现——取数、算数、送数，每一段都有自己的坑：三个系统数据格式不一、环比计算会除零、推送要对接各渠道。脚本越写越像一锅粥，而 Dify 工作流把这些环节都做成了可视化节点，改一处、重跑一次，全流程跟着变。

这不是个例。任何「定期要出报表」的场景都是这个模式：运营周报、财务日报、销售月度复盘、SRE 巡检报告——数据来源多、格式固定、周期重复，人工做既慢又容易错，还挤占了分析师真正该做的专题分析。

2. 场景痛点

这个流程的痛点，在数据分析师身上体现得最直接：

• 采集耗时：三个系统分别导出数据，格式还不一样，光对齐口径就要一小时——数据在系统里躺着，取出来却要手动搬。
• 算环比易错：环比公式手写在 Excel 里，分母为 0 时直接报错，或者算出来的数没人核对——周报里的数字错了，周会上的决策就跟着错。
• 异常靠人盯：营收环比下降 15% 这种信号，要人一眼扫出来才写进报告——漏看一次，管理层就晚一周才知道业务出问题了。
• 推送靠手动：报告生成后还要手动复制到群、邮件、文档——忘了发、发错版本都是常有的事，定时推送的需求天然存在。

本质上，周报的痛点不在「写报告」，而在「取数、算数、送数」这三段机械环节——数据、计算、推送都是确定性的，唯独靠人每天重复，这是自动化收益最直接的场景。

3. 方案：为什么是这套自动化报告流水线

Dify 工作流里的「并行数据采集 → 变量聚合 → 指标计算与异常检测 → LLM 分析结论 → 模板转换生成报告 → Webhook 推送」链路，把周报全流程搬上自动化。

选它的理由，我们实际对比过：

• 并行采集 + 变量聚合省时间：销售/客服/用户三路数据互不依赖、同时拉取，多分支输出用变量聚合器确定性合并，替代手写代码拼接——节点编排就把采集并行化，不用自己写并发；
• 指标计算代码化，异常不漏看：环比、满意度、活跃用户的计算和异常检测全部代码化，除零有保护、异常有标记——计算稳定可复现，异常自动进报告；
• 模板转换 + 可开关推送：同一个模板按 output_format 输出 Markdown 或 JSON，push_enabled 开关控制是否推送企业微信/飞书机器人——格式和渠道都配置化。

这篇文章我们就用它搭一个「运营周报自动生成器」：三路数据并行采集，自动算环比、检异常、生成报告，一键推送到群。

4. 整体架构

链路很清晰：三路并行采集 → 聚合 → 计算检测 → LLM 分析 → 模板出报告 → 推送。变量聚合和模板转换是这个架构的关键——聚合把三路数据确定性合并，模板把同一份数据渲染成多种交付格式。

5. 模块设计

5.1 三路采集（cd_sales / cd_customer / cd_support）

每个采集节点同时输出两份：object 结构数据（sales）给下游代码节点与模板消费，json 字符串（sales_json）给变量聚合器合并：

def main():

    return {

        "sales": {"current": {"total_revenue": 1285000, "total_orders": 342, "avg_order": 3757},

                  "previous": {"total_revenue": 1150000, "total_orders": 310, "avg_order": 3709},

                  "daily": [{"date": "周一", "revenue": 185000, "orders": 48}]},

        "sales_json": '{"current": {...}, "previous": {...}}'   # json.dumps 序列化

    }

5.2 变量聚合（va_merge）

variables 是 [[节点id, 字段], ...] 嵌套数组格式，output_type: string：

- data:

    output_type: string

    title: 变量聚合（合并数据）

    type: variable-aggregator

    variables:

    - [cd_sales, sales_json]

    - [cd_customer, customer_json]

    - [cd_support, support_json]

5.3 指标计算与异常检测（cd_analyze）

环比计算必须除零保护；has_anomaly 展平为字符串（boolean 在变量选择器不可见）：

def main(sales, customer, support):

    issues = []

    sales = sales or {}; customer = customer or {}; support = support or {}

    cur = sales.get("current") or {}; prev = sales.get("previous") or {}

    prev_rev = prev.get("total_revenue") or 0

    rev_change = (cur.get("total_revenue", 0) - prev_rev) / prev_rev * 100 if prev_rev else 0

    if rev_change < -10:

        issues.append(f"营收环比下降 {abs(rev_change):.1f}%，需关注")

    # 客服满意度 < 4.0、活跃用户环比 < -5% 同理检测……

    return {"revenue_change_pct": round(rev_change, 1), "anomalies": issues,

            "has_anomaly": "true" if issues else "false", "summary": "...", "analysis": {...}}

5.4 分析结论 LLM（lm_analysis）

你是一个运营数据分析师。根据以下本周（{{#start.report_week#}}）运营数据，生成中文分析结论。

核心指标摘要：{{#cd_analyze.summary#}}

环比变化：营收 {{#cd_analyze.revenue_change_pct#}}%，客服工单 {{#cd_analyze.ticket_change_pct#}}%，活跃用户 {{#cd_analyze.user_change_pct#}}%

异常项列表：{{#cd_analyze.anomalies#}}

要求：

1. 分析营收、订单、客服、用户四个维度的环比变化趋势

2. 指出异常项（如有）

3. 给出 2-3 条可执行的行动建议

4. 控制在 300 字以内

5. 直接输出正文，不要输出任何解释性文字

5.5 模板转换（tmpl_report）

模板开头一组 {% set %} 做空值保护，计算处全部 if prev else 0 除零保护；所有输入走 variables 映射，模板内用 {{ var }} 引用：

{% set s = sales if sales else {} %}

{% set cur = s.current if s.current else {} %}

{% set prev = s.previous if s.previous else {} %}

{% set issues = analysis.anomalies if analysis and analysis.anomalies else [] %}

{% set rev_pct = analysis.revenue_change_pct if analysis and analysis.revenue_change_pct is defined else 0 %}

{% if output_format == 'json' %}

{ "report_week": "{{ report_week }}", "revenue": {{ cur.total_revenue | default(0) }},

  "anomalies": [{% for issue in issues %}"{{ issue }}"{% if not loop.last %}, {% endif %}{% endfor %}] }

{% else %}

# 运营周报（{{ report_week }}）

## 核心指标

- 营收：¥{{ cur.total_revenue | default(0) }}（环比 {{ rev_pct }}%）

- 订单：{{ cur.total_orders | default(0) }} 单

## 趋势分析

{{ llm_analysis }}

## 异常预警

{% if issues | length > 0 %}{% for issue in issues %}- ⚠️ {{ issue }}{% endfor %}

{% else %}- 无异常，各项指标正常 ✅{% endif %}

{% endif %}

5.6 推送（cd_push）

push_enabled 为 true 时模拟调用企业微信机器人（真实场景换 http-request 节点，URL 指向机器人 Webhook）。

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-103-06：自动化报告生成.md
• 源码（可直接导入）：dify103_06_自动化报告生成.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。