Dify 节点实战分享（一）

2025年，人工智能博士李开复将其定义为AI应用年。这个判断其实挺准的——技术落地才是真正的价值所在。既然大方向定了，我们不妨继续沿着AI应用的主航道，把知识储备做扎实。今天要拆解的是Dify平台在AI应用搭建中的几个关键节点：问题分类器、条件分支、参数提取器。这三个节点是工作流和AI Agent构建的基石，直接上手实操会更有感觉。

一、问题分类器节点

问题分类器解决的核心问题是什么？简单说，就是让AI识别上游输入中的“中心词”以及抽象后的意图，然后根据结果选择不同的下游业务路径。这个能力在AI工作流和Agent构建中非常实用。

上面这张图展示了一个已经搭建好的工作流。从“开始”节点触发后，整个流程就跑起来了。我们来看运行结果：输入“苹果”这个词，LLM节点根据上下文输出苹果的营养价值；随后通过问题分类器判断，因为“苹果”属于水果类别，所以走了“水果”分支，最终在结束节点输出结果。

二、条件分支节点

条件分支节点更适合那些对逻辑严谨性要求较高的场景，比如AI工程中的SQL配置组合。看下面这个已经搭好的工作流示意图：

流程逻辑其实很清晰：如果输入是水果，而且是橘子，就走一套输出逻辑；如果输入是水果但不包含橘子，走另一套输出；如果输入是非水果（比如羊肉），则对应第三个输出；如果是非水果且是猪肉，那就第四个结果。运行结果看下图：

当输入“苹果”时，它属于“水果但不包含橘子”的分支，于是输出原始的“苹果”一词。逻辑链非常直观。

三、参数提取器节点

参数提取器的作用是从上游大模型输出的全文中，精准抽取出特定信息。比如输入“小明今天购买了一个王者荣耀皮肤，和小晓一起游戏”，它就能提取出“小明”和“小晓”这两个人物。

再看运行结果：

当输入20种水果时，LLM按提示词逐一输出营养价值，随后参数提取器发挥专长，把所有水果名称都抽取了出来。这个节点的扩展能力很强——可以完成更抽象的提取任务，比如“获得金牌的人员”等等。可以说，参数提取器是大模型工作流中不可或缺的一环。

最后总结一下：这三个节点的本质，其实是围绕大模型的能力，通过定制化的提示词来实现特定的功能。虽然大模型常被诟病有“幻觉”问题，但从实践来看，只要做好工程化的搭建和节点编排，完全能够产出高质量的内容——无论是公众号的自动输出、创意创作，还是满足读者的阅读需求，都并非空谈。