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）当作一个“智能调度员”，它能直接破解单一模型在复杂任务中“顾此失彼”的困境。在构建自动化研报分析流程时，若全部交给 GPT-4o，虽然稳定但响应迟缓且成本高昂；若全用 DeepSeek-V3，则在极度细腻的逻辑推演环节偶尔会出现跳步。

最优的路由策略是：分类标签 → 条件分支 → 专属模型。

如何通过意图识别实现模型动态路由？

具体流程为：先用一个极轻量模型（例如 GPT-4o-mini 或 DeepSeek-Chat）执行“意图识别”节点，输出一个简洁标签（如 coding / creative / logic），再接入条件分支节点，根据该标签将请求导向不同模型。

场景对比：

场景 A：纯代码重构与 Debug
路由至 Claude 3.5 Sonnet。
代码优雅度与上下文理解力仍属 T0 级别，尤其在处理 React 复杂组件时，一次性通过率较 GPT-4o 高出约 20%。

不同场景下选择哪个模型性价比最高？

场景 B：海量文档总结与信息提取
路由至 DeepSeek-V3。
性价比极高，处理 10k 字以上长文本的信息提取时，速度极快且无明显幻觉，成本几乎可忽略不计。

场景 C：通用润色与多语言翻译
路由至 GPT-4o。
语感最自然，尤其是中文至英文的学术翻译，流畅度仍为行业标杆。

配置条件分支时，建议意图识别节点的 Prompt 尽量死板，强制仅输出单个词，否则分支节点因字符串不匹配而走默认路径。

# 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。

如何设置兜底路径以防止工作流中断？

避坑指南：
分支节点最易翻车的环节是“默认路径”。必须在最后一个分支后设置一个兜底模型（建议使用 GPT-4o-mini），以防意图识别输出乱码导致整个工作流中断。

该路由架构的核心优势在于将“认知能力”与“成本”解耦：复杂逻辑交给 Claude，重复体力活交给 DeepSeek，通用任务交给 GPT。如此组合后，工作流响应速度较单一模型提升近 30%，且 Token 成本显著下降。