Dify平台的幽默感生成能力趣味测试

Dify平台的幽默感生成能力趣味测试

在AI助手越来越“懂事”的今天，我们对它们的期待早已不止于回答“北京天气怎么样”这种问题。我们开始希望它们能讲个笑话、懂点自嘲、甚至在你加班时来一句“这行代码写得，像极了爱情——没有注释，全是bug”。可问题是，让一个大模型真正“有趣”，而不是机械地套用笑话模板，依然是件极具挑战的事。

而就在最近，我在试用Dify这个开源AI应用开发平台时，突发奇想：能不能用它打造一个“会讲冷笑话的程序员AI”？更进一步，这个AI不仅得懂梗，还得能结合上下文、调用外部信息，讲出让人会心一笑的“情境化幽默”？

于是，一场关于“AI有没有幽默感”的趣味实验开始了。

一开始我并没抱太大希望。毕竟，大多数LLM生成的笑话要么老套，要么逻辑断裂，更有甚者一本正经地胡说八道：“为什么Python很浪漫？因为它有爱（list）。”……抱歉，这不叫幽默，这叫语义车祸。

但当我把整个流程拆解为几个关键模块，并通过Dify的可视化界面一步步搭建后，情况开始变得不一样了。

让AI“有风格”：从一句话指令开始

最基础，也最关键的一步，是定义角色和语气。这其实就是Prompt工程的核心——你得告诉模型：“你现在不是百科全书，你是一个嘴毒心软的硅谷码农。”

比如，我给的提示词是：

“你是一位擅长冷幽默的程序员，请用技术术语讲一个关于Python的笑话。要求：1. 使用编程术语制造反差；2. 结尾要有意外转折；3. 控制在两句话内。”

就这么一段话，立刻让输出质量提升了不止一个量级。再也不是泛泛而谈的“Python很火”，而是：

“Python的缩进就像我的感情观——多一个空格都报错，少一个又不敢运行。”

你看，有了明确的角色设定和结构约束，模型就开始“演”起来了。它不再只是拼接词语，而是在尝试理解“程序员式幽默”的底层逻辑：用严谨对抗荒诞，用术语包装情绪。

当然，Prompt不是一锤子买卖。你得反复调试——加个few-shot示例、调整措辞、限制长度，甚至加入负面指令，比如“不要用‘哈哈哈’结尾”“避免种族或性别刻板印象”。Dify的好处在于，这些修改可以实时预览，不用写一行代码就能看到效果。

# 示例：通过Dify API调用带风格控制的请求 import requests prompt_template = """ 你是一位擅长冷幽默的程序员，请用技术术语讲一个关于Python的笑话。 要求： 1. 使用编程术语制造反差 2. 结尾要有意外转折 3. 控制在两句话内 """ response = requests.post( "https://api.dify.ai/v1/completions", headers={ "Authorization": "Bearer YOUR_API_KEY", "Content-Type": "application/json" }, json={ "inputs": {"joke_prompt": prompt_template}, "response_mode": "blocking" } ) print(response.json()["data"]["output"])

这段代码看似简单，但它代表了一种新范式：开发者不再需要维护复杂的推理服务，只需关注“我想让AI说什么”。Dify把Prompt封装成可配置的输入项，配合API调用，实现了快速迭代。

让AI“有知识”：RAG不只是查资料

很多人以为RAG（Retrieval-Augmented Generation）只适合做客服问答或者文档摘要。但其实，它也可以用来“教AI讲笑话”。

我的思路是：与其指望模型凭空创造笑点，不如先给它喂一批“高分范文”——那些经典的双关、反讽、逻辑跳跃的结构，让它“模仿学习”。

于是我建了一个小型笑话语料库，内容全是科技圈的老梗：

• “为什么程序员分不清万圣节和圣诞节？因为Oct 31 == Dec 25！”
• “区块链上的婚姻：不可篡改，但也没有离婚按钮。”
• “我对AI的信任度：sudo rm -rf /”

然后用Sentence-BERT把这些句子编码成向量，存进FAISS这样的近似最近邻数据库。当用户提问“讲个AI相关的笑话”时，系统会先检索最相似的几条作为上下文，再交给LLM参考生成。

这样做的好处很明显：输出不再是随机游走，而是有迹可循。模型学会了“程序员喜欢什么类型的梗”，从而更大概率产出符合预期的内容。

from sentence_transformers import SentenceTransformer import faiss import numpy as np model = SentenceTransformer('all-MiniLM-L6-v2') index = faiss.IndexFlatL2(384) joke_corpus = [ "为什么程序员分不清万圣节和圣诞节？因为Oct 31 == Dec 25！", "我告诉AI要诚实，它说‘好的，但我建议你也试试’。", "区块链上的婚姻：不可篡改，但也没有离婚按钮。" ] corpus_embeddings = model.encode(joke_corpus) index.add(np.array(corpus_embeddings)) query = "给我一个科技相关的冷笑话" query_vec = model.encode([query]) _, indices = index.search(query_vec, k=1) retrieved_joke = joke_corpus[indices[0][0]] print("检索到的参考笑话：", retrieved_joke)

在Dify中，这套流程被完全封装成了“知识库上传+自动索引+上下文注入”的可视化操作。你只需要拖一个RAG模块进来，选中你的TXT文件，剩下的事平台帮你搞定。

更重要的是，这种设计让幽默变得“可积累”。每次你发现一条好笑的表达，都可以加进去，久而久之，你的AI就会形成独特的“笑点品味”。

让AI“有脑子”：Agent带来的“情境幽默”

如果说Prompt决定了风格，RAG提供了素材，那真正让AI“活过来”的，是Agent机制。

传统聊天机器人往往是“一问一答”模式，缺乏长期记忆和行动能力。但Agent不同，它可以思考、规划、调用工具，甚至主动发起对话。

举个例子，用户问：“明天是我女朋友生日，我忘了准备礼物，怎么办？”

如果只是普通LLM，可能会回复：“你可以送花或巧克力。”——正确但无趣。

但如果启用了Agent模式呢？

它可能会这样反应：

“既然你连礼物都忘了，不如送她一张‘无限次原谅券’？附赠一条：‘下次再忘，自动翻倍’。”

怎么做到的？背后的逻辑其实是多步推理：

1. 检测关键词“忘记”“生日” → 触发“补救建议”流程；
2. 调用日历API确认是否临近节日；
3. 查询电商平台获取热门礼品数据；
4. 结合“道歉+承诺”框架，生成调侃式建议。

def agent_generate_witty_response(user_input): thought = "用户可能需要既实用又有趣的建议" if "忘记" in user_input and ("礼物" in user_input or "生日" in user_input): action = "generate_gift_suggestion_with_humor()" observation = "推荐定制道歉卡片 + 自动续费提醒服务" final_output = f""" {thought} 我的建议是：送她一份「年度健忘保险」套餐： - 主险：手写道歉信（限量版） - 附加险：全年纪念日自动提醒（保费：请客吃饭一次） 备注：本产品不支持退保，但可转让给兄弟。 """ return final_output else: return "让我想想...啊，有了！" + llm_generate(user_input)

在Dify里，这一切可以通过可视化节点编排实现：条件判断 → 工具调用 → LLM生成 → 格式化输出。你不需要写代码，只需要像搭积木一样连接模块。

这才是真正的“智能体”：不仅能说话，还能做事；不仅能搞笑，还能解决问题。

实战：构建一个“懂梗的AI程序员”

我把这三个模块整合起来，在Dify上搭建了一个完整的应用流水线：

用户输入 ↓ [Dify前端界面 / API入口] ↓ → [Prompt编排模块] → 设定“冷幽默程序员”人设 ↓ → [RAG模块] → 检索科技类笑话结构与术语 ↓ → [Agent引擎] → 判断是否需结合实时数据（如节日、热点） ↓ → [LLM网关] → 调用Qwen或GPT-3.5生成最终回复 ↓ 生成结果 → 返回前端展示

测试时，我输入了一句：“用Python解释爱情是什么？”

系统先是提取关键词，从RAG库里找到“代码隐喻”类笑话，Agent判断无需调用外部API，直接进入生成阶段。最终输出：

“爱情就像一段没有异常处理的代码——你以为try一下就行，结果finally都没走到就崩溃了。”

说实话，那一刻我是有点惊讶的。这不是简单的模板替换，而是一种基于理解的创造性表达。它用了正确的术语（try/finally），构造了合理的比喻，还完成了情感投射。

后来我又试了几个场景：

• “老板总让我996怎么办？”
  → “建议你在crontab里加一条：每周五18:00自动发送邮件‘已下班，勿扰’。”
• “AI会不会取代程序员？”
  → “不会，但它会成为你的Pair Programming搭档——而且永远不背锅。”

每一条都在“技术+人性”的交叉点上精准发力。

那些藏在细节里的设计考量

当然，过程并非一帆风顺。我也踩了不少坑，总结出几点经验：

• 安全边界必须前置：哪怕是为了搞笑，也不能触碰敏感话题。我在Prompt里明确写了“不得涉及政治、宗教、人身攻击”，并在系统层面启用内容过滤插件。
• 性能与体验的权衡：启用RAG和Agent会增加延迟，尤其是调用多个工具时。生产环境中建议开启缓存，对常见问题做预检索。
• 评估标准不能主观：幽默太难量化了。我最后定了三个维度打分：意外性（是否有反转）、相关性（是否贴题）、笑点密度（单位长度内的趣味信息量）。这样才能横向对比不同配置的效果。
• 版本管理很重要：Dify支持Prompt和应用的版本控制，方便做A/B测试。比如我可以对比“纯Prompt” vs “Prompt+RAG” vs “全链路Agent”三种方案的用户满意度。

写在最后：当AI开始“开玩笑”

这场测试的初衷是玩票性质的，但它让我意识到一件事：让AI具备幽默感，本质上是在训练它理解人类的情感逻辑。

笑话从来不只是语言游戏，它是认知偏差的暴露、是社会规则的调侃、是对荒诞现实的温柔反抗。一个能讲好笑话的AI，意味着它至少能在某种程度上“共情”。

而Dify的价值，正在于它把这种探索变得平民化。你不需要训练自己的大模型，也不需要组建算法团队，只要会设计流程、懂一点语言风格，就能快速验证一个创意。

也许不久的将来，我们会看到更多“有性格”的AI出现：

• 会用段子化解投诉的客服Agent；
• 在产品文档里埋彩蛋的技术写作助手；
• 给实习生写周报评语时不忘调侃两句的项目经理AI。

它们不一定完美，但足够真实。

而这，或许正是通用人工智能迈向人性化交互的第一小步——
不是靠算力碾压，而是靠一句恰到好处的玩笑，让你觉得：“嘿，这家伙，还挺懂我。”