用 Dify 条件分支节点解决 AI 竞品分析跑偏的实操方案

很多人尝试用 AI 做竞品分析，最头疼的不是模型读不懂网页，而是它给出的结论往往是“泛泛而谈”的废话。如果你直接给 LLM 一个巨大的 Prompt 要求它对比三个产品，它很可能会在对比维度上随意发挥，导致结果缺乏颗粒度。我在 Dify 中尝试了一套基于「条件分支（Condition Node）」的自动化工作流，通过将复杂任务拆解为“打标-分流-专项分析”三个阶段，有效解决了输出质量不稳定的问题。

这套工作流的底层逻辑是：输入 URL → 网页爬取 → 核心能力打标 → 条件分支 → 专项分析 → 汇总报告。

核心的突破点在于那个条件分支节点。传统的做法是让 AI 在一个对话框里完成所有分析，但这会导致模型产生“注意力丢失”。我通过设置三个判定条件，强行将产品分流到不同的分析模版中：
1. 如果提取到的标签包含「价格/订阅」，则走 A 分支，触发专门的定价策略分析模版；
2. 如果包含「API/集成/开发者」，则走 B 分支，进入技术生态分析模版；
3. 其余所有情况走 C 分支，执行通用的产品体验分析。

在实际部署这个工作流时，我对比了 Claude 3.5 Sonnet 和 GPT-4o 的表现，发现了一个非常关键的配置细节：这两个模型在不同阶段的适配度完全不同。

GPT-4o 在第一步的「能力打标」阶段表现得极其稳健，分类准确率很高，极少出现将产品分错分支的情况。而 Claude 3.5 Sonnet 则在分支后的「专项分析」环节展现出极强的逻辑深度，尤其是在 B 分支的技术分析中，它能精准捕捉到技术文档中的细微差异，写出来的报告像真正的分析师，而不是在写广告词。反之，如果让 GPT-4o 负责最后的总结，很容易出现典型的“AI 腔”，充斥着空洞的赞美之词。

因此，我的建议配置方案是：在 Dify 的打标节点使用 GPT-4o 确保分流的绝对准确，而在具体的分析分支节点切换到 Claude 3.5 Sonnet 来获取高质量的输出。

对于想要复刻这套流程的朋友，最关键的技巧在于打标节点的 Prompt 必须极其克制。千万不要在打标阶段让 AI 进行任何分析，而应该将其定义为一个纯粹的“分类器”。一个经过验证的 Prompt 模版如下：

请分析以下产品描述，仅输出该产品所属的维度标签，严禁输出任何其他文字。
选项：[价格策略, 技术生态, 通用体验]
输入内容：{{web_content}}
输出格式：标签名

通过这种方式，我将一个复杂的对比任务拆成了三个简单的单选任务。在实测中，这种分流机制比单纯使用一个超长 Prompt 的出错率降低了 40% 左右。因为当模型只需要关注一个特定维度（如定价或 API）时，它能够调用更精准的知识权重，从而在最终的汇总报告中提供真正有价值的颗粒度细节，而不是重复那些谁都知道的行业共识。