Dify工作流三大控制节点：问题分类器、条件分支与人工介入详解

在使用 Dify 搭建 AI 工作流的过程中，除了大模型调用、知识库检索等核心节点外，还需要一套逻辑控制机制来引导流程走向。本文系统梳理三个关键的流程控制节点：问题分类器、条件分支和人工介入。这三个节点看似简单，却是构建复杂业务流程的骨架，掌握它们能让工作流真正具备「判断」和「决策」能力。

问题分类器：用大模型实现智能路由

问题分类器的作用是将前面节点传入的内容进行分类，并根据不同类别执行不同的处理逻辑。它的底层依赖大模型的语义理解能力，而非简单的关键词匹配，因此对自然语言的识别更加灵活准确。

这种语义理解能力源于大型语言模型（LLM）在海量语料上完成的预训练过程。与传统的关键词匹配或正则表达式规则不同，大模型能够理解词语的上下文含义、语气强弱乃至情感色彩。以「怎么还不发货」为例，基于关键词的系统可能只识别出「发货」这一名词，而大模型能从「怎么还」这一语气词判断出用户的不满情绪。这种能力本质上是模型在训练阶段习得的语言模式，使其无需人工编写规则即可完成细粒度的文本分类——这正是 AI 分类器相较于传统规则引擎的核心优势。

以客服系统为例，可以把用户输入作为变量传入分类器，然后设置多个情绪类别：高兴、愤怒、平淡。为每个类别配置对应的描述（如「用户的情绪是高兴的」），分类器就能自动将输入归入合适的分支。

实测效果相当可靠：输入「怎么还不发货」，系统判断为愤怒；输入产品好评类内容，判断为高兴；而「这个产品多少钱」这类中性咨询，则被准确识别为平淡。

分类器更实用的场景是业务分流。比如把用户问题分为「售前」「售中」「售后」三类：「这个产品多少钱」被识别为售前问题，「产品有瑕疵」则被判断为售后问题。分类完成后，就可以针对不同类别接入不同的后续流程——这才是分类器真正的价值所在。这一设计思路与软件架构中的「路由模式」（Router Pattern）高度相似：通过一个中央调度节点，将不同类型的请求分发给最适合处理它的下游模块，从而实现关注点分离和流程解耦。

需要注意的是，分类器的执行速度取决于大模型的响应，实测中一次分类耗时约 11 秒，在设计高并发场景时需要考虑这一延迟。

使用要点

分类器的核心在于如何根据业务定义分类维度。类别设置得越清晰、描述越准确，分类结果就越可靠。分类只是第一步，更关键的是为每个分支设计完整的后续处理节点。

条件分支：工作流中的 if-else 逻辑

条件分支本质上就是编程中的 if-else 逻辑，用过编程语言或 Excel 条件函数的用户会非常熟悉。它通过对变量值的判断，将流程引导到不同的处理路径。

这一设计直接映射了计算机科学中的控制流（Control Flow）概念——程序不再线性地逐行执行，而是根据条件动态决定走哪条路径。AND 和 OR 逻辑运算则来自布尔代数（Boolean Algebra）的基本运算法则：AND 要求所有条件同时成立，OR 只需其中一个条件成立。这套逻辑在底层硬件电路到高层业务规则中无处不在，是整个信息技术体系的基石之一。低代码平台将这些编程概念可视化，使非技术人员也能直观地搭建复杂的判断逻辑，这正是可视化工作流工具的核心价值之一。

条件分支支持多种判断方式。以文本类型为例，可以判断用户输入是否「包含」某些关键词：如果包含「价格」走一条路径，包含「款式」走另一条，包含「颜色」再走第三条，最后用 else 兜底处理所有不满足条件的情况。

这种设计在客服场景中非常实用。例如，当判断出用户咨询的是价格相关问题时，就去检索价格相关的知识库；如果是款式问题，则检索款式知识库；颜色问题则对应授权相关的知识库。通过条件分支，可以精准地把不同问题导向最合适的知识源。

数值判断与逻辑组合

条件分支不仅能处理文本，还支持数值类型判断。将参数类型切换为 number 后，可以进行大于、小于、等于等比较运算。

比如把价格分成三档：大于 100、50 到 100 之间、小于等于 50。其中中间档需要用到 AND（并且） 逻辑组合——「小于等于 100 并且大于 50」。

除了 AND，条件分支还支持 OR（或者） 逻辑。典型场景是：如果用户消费金额等于 100 元「或者」等于 200 元就给予打折，其余金额不打折。通过 AND 和 OR 的灵活组合，可以覆盖绝大多数业务判断需求。

人工介入：为高风险操作加一道确认关卡

人工介入节点适用于流程执行到关键节点时，需要人工做出决策的场景。它会暂停自动化流程，等待人工确认后再继续执行。

这一节点体现了 AI 系统设计中一个重要范式——Human-in-the-Loop（HITL，人机回路）。随着自动化程度不断提升，业界逐渐认识到：并非所有决策都应该完全交给机器。HITL 模式主张在关键决策点保留人工判断的权力，既享受自动化带来的效率提升，又通过人工干预防范模型幻觉（Hallucination）、权限滥用或不可逆操作带来的风险。这一理念在医疗 AI 辅助诊断、金融风控审核、内容安全审查等高风险领域尤为重要，也是 AI 系统走向真实业务落地的必要设计考量。

配置人工介入节点时，可以设置提示信息（如「请确认」）和多个操作按钮（如「同意」「拒绝」），从而产生分支结果：用户点击「同意」走一条路径，点击「拒绝」走另一条路径。

此外，人工介入还支持超时处理机制。比如设置等待一小时，如果在此期间用户没有做出任何操作，就执行默认策略（例如默认视为同意）。这一机制保证了流程不会因为无人响应而永久卡住，在工程上属于「故障安全」（Fail-Safe）设计——系统在异常状态下应有明确且可预期的兜底行为，而不是陷入无限等待的僵局。

典型应用场景

人工介入节点最适合用在带有风险的敏感操作上，例如：

• 权限管理：用户请求某项操作时需要授权确认
• 数据安全：决定是否查询或删除数据库中的关键数据
• 文件操作：删除文件等不可逆操作前的二次确认

在这些环节加入人工判断，可以有效避免自动化流程带来的误操作风险，兼顾业务效率与数据安全。

总结：三大节点的定位与协作

这三个节点功能明确，是构建成熟 Dify 工作流不可或缺的控制组件：

• 问题分类器：依托大模型语义理解实现智能路由，适合处理模糊的自然语言分类；
• 条件分支：精确的 if-else 逻辑判断，支持文本包含、数值比较及 AND/OR 组合；
• 人工介入：为高风险节点加设人工确认环节，平衡自动化效率与操作安全性。

从更宏观的视角来看，这三类控制节点分别对应了业务系统中三种不同层次的「决策主体」：分类器将决策权交给 AI 模型，依赖其对语言的理解；条件分支将决策权交给预设规则，依赖其对数值和逻辑的精确计算；人工介入则将决策权还给人类，依赖人的经验与判断。一个成熟的 AI 工作流，正是在这三者之间找到最优的分工与协作关系。

在实际业务中，往往需要将这三者与知识库检索、大模型调用等节点组合使用，才能搭建出既智能又稳健的 AI 应用流程。熟练运用这三个控制节点，是从「跑通 Demo」迈向「落地真实业务」的关键一步。

核心要点