如何利用 Dify 的条件分支节点实现复杂业务逻辑的自动化编排

在 Dify 里把 LLM 当成一个简单的聊天机器人太浪费了，真正的威力在于把 LLM 嵌在条件分支（Condition Node）构成的逻辑流里。很多人习惯把所有判断逻辑都写在 Prompt 里让 AI 猜，结果就是输出不稳定且难以调试。要把业务逻辑做实，必须把“判断权”从 LLM 手里夺回来，交给条件分支节点。

一个典型的坑是：直接用 LLM 输出的自然语言去匹配条件分支。比如 AI 回答“我觉得用户想要查订单”，你设置条件是 text == '查订单'，这几乎永远不成立。

高效的编排方案是：LLM 结构化输出 → 变量提取 → 条件分支。

具体操作流程：
1. 在分支前加一个 LLM 节点，强制要求它输出 JSON 格式。
提示词示例：

分析用户意图，仅输出以下 JSON 格式：
{"intent": "order_query" | "payment_issue" | "general_chat", "urgency": "high" | "low"}

2. 紧接着用一个代码块节点（Code Node）解析这个 JSON，将 intent 提取为独立变量。
Python 代码片段：

import json

def main(arg1):
    try:
        data = json.loads(arg1)
        return {
            "intent": data.get("intent", "unknown")
        }
    except:
        return {"intent": "unknown"}

3. 此时在条件分支节点中，直接选择变量 {{code_node.intent}}，设置 等于 order_query 则走查询接口分支，等于 general_chat 则走闲聊分支。

几个提升鲁棒性的配置技巧：

兜底路径（Fallback）：永远给条件分支留一个 ELSE 分支。AI 偶尔会抽风输出格式错误，如果没有兜底，整个 Workflow 会直接报错中断，用户体验极差。

多维度过滤：不要只依赖一个判断条件。比如在处理售后单时，可以设置两个条件：intent == 'refund' 且 urgency == 'high'，直接跳过初级 AI 响应，触发发送邮件给人工客服的 API 节点。

避免深度嵌套：分支节点一旦超过 3 层，整个画布会变得像迷宫一样难以维护。建议将复杂的子逻辑抽离成一个独立的「工作流（Workflow）」，然后在主流程中通过「工作流调用」节点来引用，这样逻辑清晰且方便单独测试。

这种“确定性逻辑（分支）+ 不确定性生成（LLM）”的组合，才能把 AI 真正变成可交付的工程产品，而不是一个只能写诗的聊天框。