智能体开发实战（Dify）（微课版）课件 项目二 智慧校园智能体意图识别-工作流设计

项目二智慧校园智能体意图识别—工作流设计项目背景与目标教学目标技能目标能够使用Dify平台搭建包含起始、大模型及结束节点的最小化工作流原型能够编写特定的提示词策略，引导大模型输出标准的JSON结构化数据，并进行格式校验能够运用条件分支或问题分类器节点，设计并实现“意图识别”路由逻辑，有效区分教务咨询与生活咨询等不同业务场景能够利用调试与日志工具分析工作流的运行轨迹，快速定位变量传递错误或节点执行异常，并进行修复教学目标知识目标理解Dify工作流的运行机制，明确其与基础对话在逻辑控制上的本质区别。掌握工作流核心节点（如LLM、代码执行、条件分支）的功能定义、参数配置规范及适用场景。理解变量在工作流中的生命周期与传递逻辑，区分全局变量与节点输出变量的作用域。熟悉结构化输出的原理，掌握异常处理机制在保障智能体稳定性方面的关键作用。教学目标素养目标培养逻辑严密的工程思维，能够将复杂的非结构化业务需求拆解为可视化的、确定性的流程步骤。树立系统稳定性的质量意识，在设计过程中主动预判潜在错误并预设异常处理方案，打造健壮的智能系统。强化技术赋能教育的服务意识，通过构建“智慧校园”应用场景，深刻理解人工智能技术在提升校园管理效率与服务质量中的实践价值。项目背景智慧校园助手提升问答能力在实际的校园服务场景中，用户需求具有高度的多样性与复杂性。学生查询“本学期期末考试安排”属于教务系统的精确数据检索，而询问“北区食堂有哪些特色菜”则属于生活服务类的非结构化信息咨询。提升智能体业务处理能力为了提升智能体的业务处理能力与响应准确率，必须引入“意图识别”机制，即让智能体首先理解用户的核心意图Dify平台提供的工作流（Workflow）编排功能，通过将业务逻辑拆解为可视化的节点与分支为构建这种高确定性、逻辑严密的智能应用提供了技术支撑。项目目标环境与工具掌握熟练掌握Dify工作流编排界面的操作理解并能运用“开始”“LLM”“条件分支”“结束”等核心节点构建自动化业务流程核心能力构建利用提示词工程引导大模型输出标准的JSON结构化数据解决模型输出格式不稳定的技术难题实现对用户意图的程序化解析业务逻辑实现设计并部署一套完整的路由机制能够自动区分“教务咨询”与“生活咨询”两类典型场景分别引导至不同的回复策略，显著提升智能体在垂直领域的专业度与可用性项目分析智能体开发理性逻辑转折点本项目是智能体开发从“感性对话”迈向“理性逻辑”的关键转折点。相较于基础对话应用，工作流设计要求开发者具备更严谨的工程思维。项目实施的逻辑架构可划分为“输入标准化”“意图分类”与“差异化响应”三个核心环节技术范式转变传统的对话应用依赖模型自身的概率预测生成回复，而工作流应用则强调“控制权”。通过引入节点（Node）与变量（Variable），将黑盒的模型推理过程转化为白盒的步骤控制，确保业务流程的确定性核心难点攻关系统需通过精心设计的提示词，强制LLM摒弃发散性的聊天模式，转而扮演“分类器”的角色，将用户复杂的自然语言映射为预定义的分类标签。为了让后续的程序节点（如条件分支）能够准确读取分类结果，必须强制模型输出机器可读的JSON格式，而非模糊的自然语言描述。这需要结合Dify的“JSON模式”或提示词约束来实现。系统利用条件分支节点，根据意图分类的结果，构建并行的处理链路实施路径规划为了降低学习曲线，项目将按照“由简入繁”的策略推进。首先搭建一个最小化的线性工作流，打通节点间的变量传递链路；随后聚焦于JSON结构化输出的技术攻坚；最后综合运用上述技术，构建具备完整路由逻辑的智慧校园意图识别系统。这一过程不仅是对工具的训练，更是对计算思维与系统设计能力的综合锻炼知识准备2.1

工作流基本概念Dify升级工作流提升智能体开发效率在智能体开发领域，工作流（Workflow）是指将复杂的业务逻辑拆解为一系列可执行的步骤，并通过有向无环图（DAG）的形式进行编排的技术范式。Dify平台的工作流引擎将应用执行逻辑从传统的“对话流（Chatflow）”升级为“任务流（Workflow）”，允许开发者通过可视化界面，将大语言模型（LLM）、代码执行、条件判断等功能模块组合成自动化的处理链路。这种模式不仅显著降低了应用开发的复杂度，还通过标准化的节点与可追踪的变量机制，大幅提升了智能体系统的可维护性与容错能力2.1工作流基本概念：节点节点是构成工作流的基本单元，代表了工作流执行过程中的一个独立步骤。在Dify的工作流画布中，节点并非孤立存在，而是通过连接线（Edge）构建起逻辑上的先后依赖关系。2.1工作流基本概念：节点一、基础控制节点1.开始节点流程的起始点，用于定义应用启动时所需的初始参数。所有工作流必须包含且仅能包含一个开始节点。它接收用户输入（如文本、图片）及预设变量，是后续数据流的源头2.结束节点流程的终点，用于定义最终返回给用户的输出内容。一个工作流可以包含多个结束节点，以应对不同分支的输出需求。当流程运行至任一结束节点时，即标志着本次任务执行完毕3.回复节点在工作流程中，可以灵活定义对话的回复内容。回复格式可在文本编辑器中自由配置，既可以设置固定的文本内容，也可以引用前置步骤中产生的输出变量，或将自定义文本与变量进行组合后作为最终回复。同时，流程中可按需加入输出节点，将内容以流式方式推送至对话界面，支持所见即所得的配置模式，并能够实现图文混排效果。例如，可直接输出大语言模型（LLM）节点生成的回复内容、输出生成的图片，或仅输出纯文本信息，以满足不同场景下的交互需求2.1工作流基本概念：节点4.变量赋值节点在对话流程中，可将上下文信息、用户上传的文件内容以及用户输入的偏好设置等数据，通过变量赋值节点写入会话变量，作为后续对话的重要参考信息。5.变量聚合节点变量赋值器节点通过写入会话变量来管理对话流应用中的持久化数据。与每次执行都会重置的常规工作流变量不同，会话变量在整个聊天会话期间持续存在。6.参数提取器节点参数提取器节点使用大型语言模型智能将非结构化文本转换为结构化数据。它弥合了自然语言输入与工具、API和其他工作流节点所需的结构化参数之间的差距。7.模板转换节点模板转换节点使用Jinja2模板语法将来自多个来源的数据转换和格式化为结构化文本。使用它来组合变量、格式化输出，并为下游节点或最终用户准备数据。2.1工作流基本概念：节点二、核心处理节点1.大语言模型（LLM）节点工作流的“大脑”，用于调用大模型能力进行文本生成、意图理解或内容总结。开发者需在此节点配置提示词、选择模型参数，并定义输入变量2.代码执行节点工作流的“计算器”，支持Python或JavaScript代码片段的即时运行。该节点常用于数据格式转换（如JSON解析）、数学计算或自定义的逻辑判断，弥补了大模型在精确计算与逻辑控制方面的短板3.知识检索节点通过向量相似度匹配，从预置知识库中检索相关文本片段，为LLM节点提供准确的上下文背景，是构建检索增强生成（RAG）应用的关键组件4.工具节点调用Dify平台内置的第三方工具插件（如百度AI搜索、天气查询、数学工具等）。工具节点赋予了智能体“手”和“眼”的能力，使其能够获取实时信息或执行外部操作。5.HTTP请求节点用于与外部系统进行数据交互的通用接口节点。支持发送GET、POST、PUT等标准的HTTP请求，可以轻松对接企业内部的教务系统、CRM或其他第三方API服务，实现数据的查询与回写。2.1工作流基本概念：节点三、逻辑分支节点1.条件分支节点类似于编程语言中的if-else语句，根据设定的条件（如某变量是否包含特定关键词）将流程分流至不同的路径2.问题分类节点一种专用的AI分支节点，利用LLM的语义理解能力，自动将用户输入分类（如“售后咨询”还是“技术支持”），并路由至对应的下游链路3.循环节点循环（Loop）节点用于执行依赖前一轮执行结果的重复性任务，直到满足预设的退出条件或达到最大循环次数为止。该节点主要包含循环终止条件、最大循环次数和循环变量三项关键配置，并配合循环体内的子节点共同完成控制逻辑。4.迭代节点迭代节点通过对每个元素按顺序或并行运行相同的工作流步骤来处理数组。用于批处理任务，这些任务若作为单一操作会遇到限制或效率低下的问题。该节点接收数组输入并创建一个子工作流，对每个数组元素运行一次。在每次迭代期间，当前项目及其索引可作为内部节点可以引用的变量2.1工作流基本概念：变量变量是工作流中数据流动的载体，连接了各个独立的节点。在Dify的架构中，每个节点的执行结果都会被封装为变量，供下游节点读取和使用。理解变量的引用规则是构建复杂工作流的基础。工作流中的变量传递遵循“上游向下游流动”的原则。在任意节点的输入配置框中，开发者可以通过输入“{”符号或单击变量选择图标，唤起变量选择器。选择器中会列出当前节点之前所有已执行节点输出的可用变量。变量是用于存储信息的标记性容器，可通过变量名称对其所保存的信息进行引用与使用。在构建Dify应用的过程中，会涉及4种不同类型的变量，用于支撑应用的数据流转与逻辑控制2.1工作流基本概念：变量1.用户输入变量用户变量源自终端用户的直接输入，是智能体应用获取外部信息的首要入口。这类变量通常在工作流的“开始”节点中进行定义用户输入变量数据类型支持文本、段落、下拉选项、数字、复选框、单文件与文件列表7种格式。此外变量值的最大长度为255个字符，可设置默认值，并支持配置是否为必填项或是否对用户隐藏命名规范：变量键值（Key）仅支持英文字母、数字和下划线组合，且建议采用具有语义的命名方式（如student_id或query_content）2.1工作流基本概念：变量2.1工作流基本概念：变量2.系统变量系统变量是由Dify平台预置的全局只读参数，用于记录应用运行时的元数据。它们无需开发者手动定义，可在绝大多数节点中直接引用，统一以“sys.”作为前缀标识。根据应用编排模式的不同，系统变量的集合略有差异2.1工作流基本概念：变量会话变量会话变量是对话工作流模式下特有的变量类型。由于工作流模式通常处理一次性的线性任务，而对话流模式需要处理多轮交互，因此需要一种能够跨越多个对话轮次持久存储信息的机制。会话变量相当于大模型的“外挂记忆库”。它允许开发者在某一轮对话中将特定信息（如用户的姓名、偏好设置、历史上下文）写入变量，并在后续的所有对话轮次中随时读取。支持字符串、数值、对象（Object）以及对应的数组类型（如字符串数组Array[string]）。会话变量在各节点中通过选择器全局引用，必须使用专门的“变量赋值（VariableAssigner）”节点进行修改，如图2-8所示会话变量配置例如，在智慧校园助手中可以这样处理，第一轮对话获取了用户的“校区”信息（如“北校区”），将其存储为会话变量“campus_location”。在后续查询“食堂位置”时，系统无需再次询问，可直接读取该变量，精准推荐北校区的食堂3.环境变量环境变量主要用于存储应用运行所需的静态配置信息，特别是涉及安全敏感的数据。它们被存储在工作流的配置层而非代码逻辑中，实现了配置与代码的分离。支持三种数据类型：字符串（String）、数字（Number）和密钥（Secret）。环境变量可在大部分节点内全局引用，命名不可重复，只读变量。2.1工作流基本概念：变量4.会话变量会话变量是对话工作流模式下特有的变量类型。由于工作流模式通常处理一次性的线性任务，而对话流模式需要处理多轮交互，因此需要一种能够跨越多个对话轮次持久存储信息的机制。会话变量相当于大模型的“外挂记忆库”。它允许开发者在某一轮对话中将特定信息（如用户的姓名、偏好设置、历史上下文）写入变量，并在后续的所有对话轮次中随时读取。支持字符串、数值、对象（Object）以及对应的数组类型（如字符串数组Array[string]）。会话变量在各节点中通过选择器全局引用，必须使用专门的“变量赋值（VariableAssigner）”节点进行修改2.2编排节点节点编排决定工作流效率在Dify工作流中，节点的单纯堆砌无法构成具备业务价值的应用。通过连接线定义节点之间的执行顺序与数据流向，这一过程称为“节点编排”。编排决定了工作流的拓扑结构，直接影响智能体的执行效率与逻辑复杂度。根据业务逻辑的依赖关系，编排设计主要分为串行与并行两种基本模式。2.2编排节点：串行设计串行设计是最基础且应用最广泛的编排模式，其核心特征是“单线程线性执行”。在此模式下，节点之间形成严格的前后继关系，下游节点的启动必须等待上游节点完全执行完毕。数据流严格沿着连接线方向传递，每一个环节的输出不仅是下一个环节的触发信号，通常也是其必要的输入参数。例如，必须先执行“知识库检索”节点获取相关文档，随后的“LLM”节点才能基于检索结果生成回答。适用场景：

数据预处理、多步推理、内容转换2.2

编排节点：串行设计串行模式的局限性在于执行耗时等于所有节点耗时之和。若工作流中存在耗时较长的节点，如复杂的网络搜索或高精度模型推理，会导致整个工作流的响应延迟显著增加2.2编排节点：并行设计并行设计（ParallelDesign）是指在工作流中构建多条同时执行的分支路径，其核心特征是“异步并发”。在此模式下，一个上游节点可以同时连接多个下游节点，当上游节点执行完毕后，所有连接的下游分支将同时被触发并行结构呈现为树状发散形态（A→B且A→C）。在Dify平台中，只需从单一节点的输出端口引出多条连接线指向不同的节点，即可实现并行编排。系统底层会调度资源并发处理这些分支任务，而不需要像传统编程那样编写复杂的多线程代码并行分支通常需要在后续某个节点进行汇合，以整合处理结果。例如节点B和节点C并行执行后，其结果同时作为节点D的输入。此时节点D充当了“聚合器”的角色，它必须等待所有上游分支（B和C）全部执行完毕后才会启动2.2

编排节点：并行设计适用场景多源信息检索同时调用搜索引擎工具和内部知识库，分别获取互联网信息与企业私有数据，最后汇总给LLM进行综合回答多视角评估将同一个问题同时发送给两个不同配置的LLM（如一个侧重创意，一个侧重严谨），然后引入第三个LLM对两个结果进行评分或融合独立任务处理在生成回答的同时，并行触发一个异步通知（如发送邮件或记录日志），确保用户无需等待后台任务完成即可收到回复图2-10展示了一个基本的并行工作流，由“开始”“LLM1”“LLM2”“输出”三个节点组成的并行工作流2.2编排节点：并行设计结构化输出1.Dify支持JSON结构化输出作为LLM工具链平台，Dify支持JSON结构化输出功能。结构化输出功能可以确保LLM返回的数据格式可用、稳定、可预测，减少错误处理和格式转换的工作。结构化输出三大优势:1.保持数据格式一致2.简化后续处理流程3.提升开发体验稳定可控。结构化输出：结构化输出用法2.使用LLM节点中的JSONSchema编辑器LLM节点中的JSONSchema编辑器能够定义LLM返回的数据结构，确保输出可解析、可复用、可控。作为节点级能力，JSONSchema适用于所有模型的结构化输出定义和约束。原生支持结构化输出的模型可直接使用JSONSchema定义结构化变量。不支持结构化输出的模型：系统会将JSONSchema以提示词方式输入，可以尝试引导模型按结构生成内容，但这并不保证一定可以正确解析输出，这时候就需要用到前面介绍的提示词约束。下面将简要介绍如何在Dify开启并使用JSONSchema功能。异常处理异常处理提升工作流稳健性工作流应用通常由多个节点组成。当某一节点发生异常（例如，API请求异常或LLM输出异常）时，可能导致整个流程的失败。这种情况迫使应用开发者花费大量精力排查和修复故障，尤其在复杂工作流中尤为困难。异常处理机制通过提供多样化的节点错误处理策略，能够在局部节点发生错误时抛出故障信息而不中断主流程。可以设置在出现异常时重新执行节点，或通过备用路径继续任务。为关键节点添加异常处理机制，将显著增强应用的灵活性与稳健性简化工作流设计复杂度开发者无须在节点内编排复杂的逻辑代码或额外的节点应对错误情况，异常处理机制将简化工作流的设计复杂度，以多样的预设策略编排工作流的执行逻辑异常处理类型系统提供以下三种预定义的异常处理逻辑选项。无：不处理异常，直接抛出节点报错信息并中断整体流程。默认值：允许开发者预定义异常信息，发生异常时使用预设的值替代节点内置的异常输出。异常分支：发生异常后，执行预先编排的异常分支。处理逻辑：无节点异常处理机制的默认选项。如果当前节点的运行状态超时或遇到错误，则直接抛出节点内置的报错信息，中断所有流程，工作流应用记录为运行失败。处理逻辑：默认值开发者可以通过默认值编辑器自定义节点的报错输出信息，类似于编程中的单步调试方法，从而为应用的调试过程提供更加清晰的说明。处理逻辑：异常分支当前节点运行出现异常时，将触发预设的下游分支。选择该处理逻辑后，系统会为当前节点提供新的连线接口，开发者可在画布中继续编排后续的运行流程，或通过节点详情右下角添加下游节点。项目实施CONTENTS目录任务2.1搭建最小化回声工作流任务2.2实现JSON结构化输出与校验任务2.3构建“区分教务与生活”的路由工作流任务2.4引入异常处理任务2.1搭建最小化回声工作流01任务描述基础Echo工作流构建指南在正式构建复杂的业务逻辑之前，掌握Dify工作流编排器的基础操作是至关重要的第一步。本任务要求创建一个最基础的“回声（Echo）”工作流应用。该应用的功能极其简单，它接收用户输入的一段文本，将其传递给大语言模型（LLM），模型在接收到文本后，不进行任何复杂的推理或加工，只是简单地以“收到，你说的是：[用户内容]”的格式将内容原样返回工作流原型开发指南尽管功能简单，但本任务涵盖了工作流开发的完整闭环，包括应用的创建、核心节点的拖拽与连接、变量的定义与引用、以及调试运行。完成本任务后，将获得一个可运行的工作流原型，为后续的任务拓展奠定基础任务分析搭建数据管道流程解析从技术实现的角度来看，搭建这个最小化工作流实际上是在打通一条数据的“管道”。整个过程可以拆解为以下三个关键环节定义输入在工作流的起点（开始节点），需要开设一个“入口”，允许外部数据进入系统。这通常通过定义一个名为“query”或“input_text”的全局输入变量来实现变量传递与处理这是工作流的核心，需要放置一个LLM节点，并解决“数据怎么传过来”的问题。在Dify中，这涉及变量引用的操作。即在LLM的提示词编辑器中，抓取上游开始节点传递过来的变量，将其嵌入到提示词模板中任务分析工作流终点展示LLM文本结果在工作流的终点，我们需要指定“给用户看什么”。这同样需要引用上游LLM节点生成的文本结果，将其作为最终响应返回给前端界面。智慧校园助手技术选型分析在启动开发之前，需明确应用类型选择的技术依据。项目一构建的“智慧校园助手”属于“聊天助手（Chatbot）”类型，其核心逻辑依赖单一的提示词与上下文记忆，适用于开放式、非结构化的对话场景。本项目旨在构建具备精准意图识别与业务分流能力的系统，这种具备高度确定性的逻辑编排需求，必须依赖“工作流（Workflow）”类型的底层架构任务实现创建工作流应用(1)登录工作室进入Dify平台主界面，单击顶部导航栏的“工作室（Studio）”。(2)新建应用单击“创建空白应用”卡片，在弹出的对话框中，应用类型选择“工作流（Workflow）”，应用名称填写“任务2.1-回声测试”，描述填写“最基础的线性工作流，用于验证变量传递机制”，单击“创建”按钮，系统将自动跳转至工作流编排画布。任务实现2.配置开始节点（1）选中节点单击画布上的“开始”节点，右侧会弹出配置面板。（2）定义输入变量在“输入字段”区域，系统通常默认保留了一个输入项为“userinput.files”，单击右侧“+”再添加一个字段。变量名设置为“input_text”（注意仅支持英文），类型选择“段落”，勾选“必填”，显示名称填写“用户输入内容”，最大长度设置成200。任务实现3.添加并配置LLM（大模型）节点（1）添加节点在开始节点右侧的连接桩（加号图标）上单击，或者单击画布左上角的“+”号，在弹出的菜单中选择“LLM”节点。（2）连接节点如果节点未自动连接，请按住开始节点右侧的圆点，拖拽出一条连接线，连接到LLM节点的左侧输入点。（3）配置LLM参数选中LLM节点，在右侧面板中选择已配置好的模型，如通义千问的“qwq-plus”，上下文暂时留空，在SYSTEM（系统提示词）输入框中输入提示词内容。（4）配置输出节点（5）调试与运行任务2.2

实现JSON结构化输出与校验02任务描述大模型输出标准数据格式验证在任务2.1中，通过“回声”工作流验证了基础工作流数据流转机制。然而在实际的业务分发场景中，仅仅获取大模型生成的自然语言文本是远远不够的。为了实现后续的自动化路由场景，要求大模型输出机器可读的标准数据格式。升级LLM为意图分类器本任务旨在改造原有的LLM节点，使其升级为具备分析能力的“意图分类器”。具体要求是通过提示词工程与JSON模式配置，强制大模型忽略冗余的聊天内容，仅解析用户输入的意图（Intent）与置信度（Confidence），并以严格的JSON格式输出。此外还将引入校验机制，确保输出结果符合预期的Schema定义，为后续的逻辑分支判定提供可靠的数据基础。任务分析实现从“自然语言”到“结构化数据”的转变，关键在于解决大模型输出的“不确定性”问题。技术实施路径主要包含以下三个核心维度。1.提示词约束这是软性约束，需要在系统提示词中明确定义“分类标准”和“输出模板”。模型不再是随意的对话者，而是被设定为一个严格遵循指令的数据处理函数。例如，明确规定意图标签只能是教务咨询（academic_query）、生活咨询（life_query）或闲聊（chat）。2.模式强制这是硬性约束。利用Dify平台提供的JSON格式输出功能，从底层协议上限制模型的生成行为，确保其输出的文本必须符合JSON语法规范，防止出现Markdown标记或多余的解释性文字。3.结果解析这是数据提取。工作流需要能够识别JSON内部的键值对，并将其提取为独立的变量（如intent变量），以便下游的条件分支节点能够直接读取该变量进行逻辑判断，而非通过正则表达式去处理复杂的字符串。任务实现1.重构LLM节点为“意图分类器”首先，需要将任务2.1中的回声工作流逻辑替换为具备分析能力的分类逻辑。（1）复制工作流应用在Dify工作室导航栏中找到“任务2.1-回声测试”工作流应用，复制应用并设置名称为“任务2.2-结构化输出”。任务实现（2）节点重命名在应用“任务2.2-结构化输出”的工作流画布中，选中原有的LLM节点，将其标题修改为“意图分类器”，以便清晰标识其功能角色。（3）选择推理模型为了获得更好的指令遵循能力，建议切换至支持JSON格式输出的大模型版本，LLM节点配置面板的模型列表有多种模型支持JSON格式输出，这里选择模型“DeepSeek-V3”。（4）编写系统提示词清空原有的系统提示词，填入如提示词2-3的结构化提示词。注意其中的{{#1769430525269.input_text#}}需使用变量选择器重新引用。任务实现#角色你是一个智慧校园系统的意图识别专家。你的任务是分析用户的输入内容，将其归类为预定义的意图类别。##意图识别请根据以下标准进行分类：1.academic_query:涉及教务、课程、考试、成绩、学分、选课等正式校园事务的咨询。2.life_query:涉及食堂、宿舍、快递、超市、校车、活动等校园生活服务的咨询。3.chat:问候、闲聊或其他与校园服务无关的内容。##限制-仅输出JSON格式数据。-不要输出任何解释性文字或Markdown代码块标记。##输入{{#1769430525269.input_text#}}任务实现2.启用JSON模式与输出定义为了让后续节点能直接读取分类结果，必须配置结构化输出。（1）开启JSON模式在模型的设置面板下方，找到“回复格式”，将输出模式从“text”切换为“json_object”。若所选模型不支持原生JSON模式，需保持文本模式但在提示词中加强格式约束，并后续增加代码节点进行解析，建议优先使用支持JSON模式的模型。任务实现（2）

定义输出结构开启JSON模式后，LLM配置面板会出现“输出变量”区域，选中“结构化输出”，此处定义的字段将指导模型生成对应的JSON键值对。这里添加两个字段，“intent”为字符串类型，用于表示意图类别（academic_query、life_query或chat），“confidence”为数字类型，用于表示分类结果的置信度，取值范围为0～1之间的小数。任务实现3.调整输出节点为了验证分类器是否工作正常，需要将提取出的结构化变量输出到调试界面。（1）选中输出节点。（2）单击画布末端的输出节点。（3）修改输出变量。任务实现4.调试与验证通过不同类型的测试用例，验证意图识别的准确性与格式的规范性，单击右上角的“测试运行”,分一下几个测试用例进行验证。（1）测试用例1：教务类输入“这就大三了，我还没查过我的学分够不够毕业”，预期结果category为“academic_query”，score接近0.9。任务实现（2）测试用例2：生活类输入“北校区那个新开的麻辣烫在几楼？”预期结果category输出“life_query”，score接近0.9。（3）测试用例3：闲聊类输入“今天天气真不错啊。”预期结果category输出“chat”。通过以上步骤，工作流已成功具备了将非结构化自然语言转化为结构化业务数据的能力，为下一阶段的任务分发奠定了逻辑基础。任务2.3构建“区分教务与生活”的路由工作流03任务描述智能体行动能力构建完成在任务2.2中，通过配置“意图分类器”，已成功实现对用户意图的精准识别及结构化数据的输出。这标志着智能体完成了“感知”环节的构建。然而要实现完整的业务闭环，系统必须具备根据感知结果执行差异化“行动”的能力构建智能决策中枢本任务的核心目标是构建智能体的“决策中枢”。通过引入条件分支节点，利用任务2.2提取的“intent”变量作为逻辑判断依据，将工作流拆分为三条并行的业务处理路径：当识别为教务问题时，路由至严谨的“教务助手”；当识别为生活问题时，路由至热情的“生活向导”；当无法识别或属于闲聊时，路由至通用的“兜底回复”。通过这一过程，实现智能体应用从单线流程向多分支复杂逻辑架构的跨越任务分析实现逻辑路由的核心在于正确配置条件分支节点对变量的判定规则。整个系统的拓扑结构将从线性的串行结构演变为分支的树状结构。(1)分支判定的依据路由的决策源是上游“意图分类器”输出的intent变量。需配置明确的条件表达式，例如“若intent等于academic_query，则执行路径A”。(2)差异化人设构建分流处理的核心作用在于根据业务场景提供定制化服务。需在不同的分支路径上配置独立的LLM节点，并赋予不同的人设提示词。路径A（教务分支）采用严肃、准确的风格，模拟教务处工作人员的回复逻辑。路径B（生活分支）采用活泼、亲切的风格，模拟热心学长学姐的回复逻辑。(3)多路聚合输出尽管中间处理过程存在分支，但最终均需向用户返回处理结果。因此，所有分支路径最终需连接至回复节点，确保工作流具备完整的起止逻辑。任务实现1.添加条件分支节点（1）复制工作流应用在Dify工作室导航栏中找到“任务2.2-结构化输出”工作流应用，复制应用并设置名称为“任务2.3-条件分支”。（2）断开原有连接在工作流画布中，选中“意图分类器”LLM节点与输出节点之间的连接线，按删除键删除，为中间逻辑节点的插入预留空间。任务实现（3）添加条件分支节点在工作流画布中，单击“意图分类器”LLM节点右侧的加号连接桩，选择“条件分支”节点，确保“意图分类器”LLM节点的输出端已正确连接到条件分支节点的输入端。任务实现1.添加条件分支节点（1）复制工作流应用在Dify工作室导航栏中找到“任务2.2-结构化输出”工作流应用，复制应用并设置名称为“任务2.3-条件分支”。（2）断开原有连接在工作流画布中，选中“意图分类器”LLM节点与输出节点之间的连接线，按删除键删除，为中间逻辑节点的插入预留空间。任务实现选中条件分支节点，定义分流逻辑。2.配置路由规则（1）配置分支1：教务通道单击条件分支设置面板的“IF”区域中“添加条件”按钮，变量选择“意图分类器”节点结构化输出对象下的intent变量，操作符选择“是”，输入值填写“academic_query”，需确保与任务2.2中定义的标签字符完全一致。（2）配置分支2：生活通道

单击“+ELIF”按钮，在这个条件分支下变量同样选择intent，操作符选择“是”，输入值填写“life_query”。（3）Else分支

系统默认保留Else分支，用于处理所有不符合上述条件的情况，无需额外配置条件。任务实现3.构建差异化处理分支（1）搭建教务助手：分支1下游在“条件1”的输出端口后添加一个新的LLM节点，命名为“教务助手”，大模型可以选择任意一个文本处理的大模型，如qwen-flash。（2）搭建生活向导：分支2下游在“条件2”的输出端口后添加一个新的LLM节点，命名为“生活向导”。（3）处理Else分支在“Else”输出端口后添加一个输出节点，命名为“固定输出”，通过环境变量设置固定回复文本。任务实现任务实现4.调试与验证（1）测试用例1：教务类输入“怎么查重修报名？”，预期结果工作流路径点亮“分支1”，回复风格严肃官方。（2）测试用例2：生活类输入“学校附近哪家奶茶好喝？”，预期结果工作流路径点亮“分支2”，回复风格活泼。（3）测试用例2：闲聊类输入“你好”，预期结果工作流路径点亮“Else分支”，回复预设的内容。任务2.4引入异常处理04任务描述工作流应对不确定性挑战