两者都会先分"模型是对话式（chat）还是补全式（completion）"再走不同分支。Simple 的入口就是个二分派（api/core/prompt/simple_prompt_transform.py:48）：

# api/core/prompt/simple_prompt_transform.py:48
def get_prompt(self, app_mode, prompt_template_entity, inputs, query, files,
               context, memory, model_config, ...):
    inputs = {key: str(value) for key, value in inputs.items()}   # 变量统一转字符串
    model_mode = ModelMode(model_config.mode)
    if model_mode == ModelMode.CHAT:                               # ① 对话模型 → 消息列表
        prompt_messages, stops = self._get_chat_model_prompt_messages(
            app_mode=app_mode, pre_prompt=prompt_template_entity.simple_prompt_template or "",
            inputs=inputs, query=query, files=files, context=context,
            memory=memory, model_config=model_config, ...)
    else:                                                          # ② 补全模型 → 单段长文本
        prompt_messages, stops = self._get_completion_model_prompt_messages(...)
    return prompt_messages, stops

看对话分支 _get_chat_model_prompt_messages（api/core/prompt/simple_prompt_transform.py:188）——注意消息的拼装顺序：

# api/core/prompt/simple_prompt_transform.py:188
def _get_chat_model_prompt_messages(self, app_mode, pre_prompt, inputs, query,
                                    context, files, memory, model_config, ...):
    prompt_messages: list[PromptMessage] = []
    # ① 先把"系统提示词模板 + 变量 + 上下文"渲染成一段 system 文本
    prompt, _ = self._get_prompt_str_and_rules(
        app_mode=app_mode, model_config=model_config,
        pre_prompt=pre_prompt, inputs=inputs, query=None, context=context)
    if prompt and query:
        prompt_messages.append(SystemPromptMessage(content=prompt))   # ② 系统消息放最前

    if memory:                                                        # ③ 再塞历史对话
        prompt_messages = self._append_chat_histories(
            memory=memory,
            memory_config=MemoryConfig(window=MemoryConfig.WindowConfig(enabled=False)),
            prompt_messages=prompt_messages, model_config=model_config)

    if query:                                                         # ④ 最后放这轮用户问题
        prompt_messages.append(self._get_last_user_message(query, files, ...))
    else:
        prompt_messages.append(self._get_last_user_message(prompt, files, ...))
    return prompt_messages, None

历史对话的塞入在基类 PromptTransform 里。_append_chat_histories（api/core/prompt/prompt_transform.py:39）先算"还剩多少 token 给历史"：

# api/core/prompt/prompt_transform.py:39
def _append_chat_histories(self, memory, memory_config, prompt_messages, model_config):
    rest_tokens = self._calculate_rest_token(prompt_messages, model_config)  # ① 算剩余预算
    histories = self._get_history_messages_list_from_memory(                 # ② 在预算内取历史
        memory, memory_config, rest_tokens)
    prompt_messages.extend(histories)
    return prompt_messages

预算怎么算？看 _calculate_rest_token（api/core/prompt/prompt_transform.py:58）的思路：拿"模型的上下文窗口上限"减去"已经拼进去的系统消息占用"，剩下的才留给历史。

高级模式下，用户在界面上自己排"第一条 system 说什么、第二条 user 说什么……"。AdvancedPromptTransform.get_prompt（api/core/prompt/advanced_prompt_transform.py:37）用 match 按模板类型分派：

# api/core/prompt/advanced_prompt_transform.py:37
def get_prompt(self, *, prompt_template, inputs, query, files,
               memory_config, memory, model_config=None, model_instance=None, ...):
    prompt_messages = []
    match prompt_template:
        case CompletionModelPromptTemplate():                    # ① 补全模型：一段模板
            prompt_messages = self._get_completion_model_prompt_messages(
                prompt_template=prompt_template, inputs=inputs, query=query, ...)
        case list() if all(isinstance(item, ChatModelMessage) for item in prompt_template):
            prompt_messages = self._get_chat_model_prompt_messages(  # ② 对话模型：用户排的多条消息
                prompt_template=prompt_template, inputs=inputs, query=query, ...)
    return prompt_messages

core/llm_generator/llm_generator.py 是个有意思的地方：Dify 用 LLM 来给自己干杂活——自动起对话标题、猜后续问题、生成 JSON Schema。看自动起标题 generate_conversation_name（api/core/llm_generator/llm_generator.py:143）：

# api/core/llm_generator/llm_generator.py:143
def generate_conversation_name(cls, tenant_id, query, conversation_id=None, app_id=None):
    prompt = CONVERSATION_TITLE_PROMPT            # ① 内置的"给我起个标题"提示词
    if len(query) > 2000:                         #    太长就掐头去尾
        query = query[:300] + "...[TRUNCATED]..." + query[-300:]
    prompt += query.replace("\n", " ") + "\n"

    model_manager = ModelManager.for_tenant(tenant_id=tenant_id)   # ② Day05 的入口！
    model_instance = model_manager.get_default_model_instance(     #    拿默认 LLM
        tenant_id=tenant_id, model_type=ModelType.LLM)
    prompts = [UserPromptMessage(content=prompt)]

    with measure_time() as timer:
        response = model_instance.invoke_llm(                      # ③ ★它自己当用户调 invoke_llm
            prompt_messages=list(prompts),
            model_parameters={"max_tokens": 500, "temperature": 1}, stream=False)
    answer = response.message.get_text_content()
    try:
        result_dict = json.loads(answer)                           # ④ 解析模型返回的 JSON
    except json.JSONDecodeError:
        result_dict = json_repair.loads(answer)                    #    坏 JSON 用 json_repair 兜底
    ...
    return name