如何利用 Dify 的条件分支节点实现多模型自动路由工作流？

把 Dify 的条件分支（Conditional Branch）当成一个“智能调度员”，能直接解决单一模型在复杂任务中“顾此失彼”的尴尬。我最近在搭一个自动化研报分析流，实测发现，如果全部交给 GPT-4o，虽然稳但太慢且贵；如果全用 DeepSeek-V3，在某些极其细腻的逻辑推演上偶尔会跳步。

最有效的路由方案是：分类标签 → 条件分支 → 专属模型。

具体链路是这样的：先用一个极轻量的模型（比如 GPT-4o-mini 或 DeepSeek-Chat）做一个“意图识别”节点，输出一个简单的标签（如 coding / creative / logic）。接着接条件分支节点，根据这个标签把请求分流。

实测场景对比：

场景 A：纯代码重构与 Debug
路由至 Claude 3.5 Sonnet。
表现：代码的优雅程度和对上下文的理解目前依然是 T0 级别，尤其是处理 React 复杂组件时，一次性通过率比 GPT-4o 高出约 20%。

场景 B：海量文档总结与信息提取
路由至 DeepSeek-V3。
表现：性价比极高，在处理 10k 字以上的长文本提取时，速度极快且没有明显的幻觉，且成本几乎可以忽略不计。

场景 C：通用润色与多语言翻译
路由至 GPT-4o。
表现：语感最自然，尤其是处理中文到英文的学术翻译，流畅度依然是标杆。

在配置条件分支时，建议意图识别节点的 Prompt 尽量死板，强制要求只输出单个词，否则分支节点匹配不到字符串会直接走默认路径。

# 意图识别 Prompt 示例
你是一个路由分发器。请分析用户输入，仅输出以下标签之一：
- [CODE] 如果涉及编程、算法、Bug修复
- [WRITE] 如果涉及创意写作、润色、翻译
- [ANALYSIS] 如果涉及逻辑推演、数据分析、长文总结
禁止输出任何其他文字。

避坑指南：
分支节点最容易翻车的地方在于“默认路径”。一定要在最后一个分支设置一个兜底模型（建议用 GPT-4o-mini），防止意图识别出现乱码导致整个工作流中断。

这种路由架构最大的好处是把“认知能力”和“成本”解耦。复杂逻辑交给 Claude，体力活交给 DeepSeek，通用任务交给 GPT，这样跑出来的 WorkFlow 响应速度比单一模型快了将近 30%，且 Token 成本压低了很多。