获课：shanxueit.com/12136/

1. 代码节点：不止是"写 Python"那么简单

很多人把代码节点当成脚本箱，但进阶用法是利用它做动态路由决策。比如，根据 LLM 返回的意图分类结果，通过几行简单的条件判断，直接返回不同的变量值，从而控制后续流程的走向。这比在外面套一层条件节点更灵活，尤其适合处理多分支的复杂分类场景。

2. 条件分支节点：警惕"隐形陷阱"

进阶技巧是善用"或"逻辑进行容错处理。当你的输入来自上一个 LLM 的输出时，这个输出格式可能不稳定。合理配置条件分支，例如"如果变量 A 存在 或 变量 B 非空"，可以有效防止因模型返回了额外空格或换行符导致流程意外中断。

3. 迭代节点：从"顺序"到"并行"的思维转变

默认的迭代是串行的，处理5条记录和50条记录的时间差距巨大。进阶技巧是将迭代节点与"子工作流"结合，并在子工作流中开启并行执行。这能将处理效率提升数倍，尤其适合批量内容审核或总结的场景。

4. 变量聚合器：解决"内存"烦恼

当你在迭代或循环中不断产生新数据时，变量聚合器是必不可少的"累加器"。进阶技巧是利用它结构化地拼接 Markdown 表格或 JSON 数组，将多轮对话或多次查询的结果汇总成一份完整的报告，最后一次性交给 LLM 处理。

5. HTTP 请求节点：打通任督二脉

别只把它当 API 调用工具。进阶技巧是利用它实现"轮询"。当你触发一个异步任务（如生成视频或查询数据库）时，可以在工作流里循环调用 HTTP 请求节点查询任务状态，直到返回"成功"才继续往下走。这让 Dify 工作流真正具备了处理长耗时任务的能力。

6. LLM 节点：系统提示词的"热插拔"设计

不要硬编码系统提示词。进阶技巧是通过输入变量动态注入不同的系统提示词。你可以根据用户类型或对话阶段，从知识库中拉取不同的提示词模板传入，实现同一节点在不同场景下的"人格切换"。

7. 知识库检索节点：相似度阈值是"生命线"

很多人忽略相似度阈值，导致一堆无关片段被灌入上下文。进阶技巧是根据业务场景动态调整阈值，并结合"Top K"设置。对于严肃的合同审核场景，阈值应高于0.85；而对于创意脑暴场景，则可以放宽到0.6，以引入更多发散内容。

8. 问题分类节点：少用"模糊匹配"

默认的意图识别依赖 LLM 判断，但 LLM 有时会"自作聪明"。进阶技巧是为每个分类提供明确的示例话术（Few-shot），并限定输出格式为纯代码或关键词，避免模型返回冗长解释，提高下游节点解析的效率。

9. 模板转换节点：让数据"脱胎换骨"

这是被严重低估的节点。进阶技巧是用它清洗 LLM 的非结构化输出。你可以写一个正则或简单的替换规则，将 LLM 返回的包含"*"、"#"的 Markdown 格式文本，转化成纯文本或标准 JSON 结构，确保下游系统不会因格式问题报错。

10. 参数提取器：处理"歧义"的艺术

当用户输入缺乏明确实体时，参数提取器容易漏提。进阶技巧是设置默认值并配合反问机制。如果提取到的关键参数为空，不要直接报错，而是通过输出变量触发一个"追问"分支，引导用户补充信息，这在对话型工作流中至关重要。