Dify应用实战(11) - 条件分支
679 字
3 分钟
Dify应用实战(11) - 条件分支
本文适用对象:初级水平
目标:对一个结果可能出现多种情况,进行条件分支处理
上一节Dify应用实战课,我们学习了迭代循环处理。而新项目,智能医疗分诊助手,暂停了一期,现在我们继续。
今天我们学习和上节课循环处理类似的方法,分支条件处理。
学习完成,你将掌握如何对一个结果可能存在多种情况时,按不同情况的值,进行不同的处理。
**01.**动手做一做
今天的任务基于智能分诊应用”医小助”。在”问题分类器”的”分类2”后新增一个”LLM”节点。
如图所示,添加提示词内容“对
提及的有关视力的部分,进一步进行识别处理,处理结果输出为如下json格式,
{ "type": 0, "result":"","raw":""}
如果是咨询近视有关的,将type设置为1;
如果是咨询眼睛疾病,将type设置为2;
对输入的问题的解释结果,设置为result的值。”这次我们把大模型的输出格式修改一下,如下图
接着添加”代码”节点,将上一步生成的JSON结果,提取问题类别type,注意输入和输出的变量和类型
现在我们就可以根据问题类型,来进入不同分支了。添加新节点”条件分支”。
这样根据所匹配的结果,才能有不同的分支来承接。因此这里为了简化,直接都添加”回复”,来测试流程是否正确。
保存之后,我们进行测试,如下:
可以看到,我们的对话,走到了正确的分支。
希望今天的动手分支,也能跟着麦金叔做下来。
**02.**补充说明
今天学的条件分支,与上次的迭代,都是编程思想里面最重要的基础概念。
大家一定要能掌握,才能在今后的AI应用开发中,游刃有余的处理复杂的场景。
正如之前课程麦金叔一直强调的:打败你的不是AI,而是会用AI的人。麦金叔希望,你花点时间,动手练一练,成为那个打败别人的人。
总结
今天学习一个重要的新的组件”条件分支”。有了它在AI应用开发的”拖线条”过程中,才能真正应对复杂场景。它比问题分类器还要简单,都不需要利用大模型的能力,就能做好分类处理。
支持与分享
如果这篇文章对你有帮助,欢迎分享给更多人或打赏支持!
相关文章智能推荐
1
Dify应用实战(14) - 结果聚合
AI本文实战演示Dify变量聚合器的多路数据整合能力。通过在医疗分诊流程中部署聚合器节点,实现不同知识检索分支的结果统一归集→LLM节点集中处理。详解分支结果类型匹配机制及数据转换技巧,展示如何优化复杂工作流架构,为多条件查询、并行任务处理等场景提供标准化合并方案,有效降低40%重复节点配置,提升AI应用的可维护性。
2
Dify应用实战(5) - 使用模版
AI本文演示Dify模板引擎集成:1. 在数据加工流程后新增Jinja模板节点,实现动态数据与预设模板结合;2. 调整代码节点输出为字典格式(含温度/天气等字段);3. 详解模板语法(变量插值{{}}/循环判断逻辑)。通过天气简报模板示例,展现如何将JSON数据转换为自然语言描述,并扩展演示多条件内容生成(HTML列表/带逻辑的报表),为自动化报告、多格式输出等场景提供标准化解决方案。
3
Dify应用实战(15) - 对象存储
AI本文实战演示Dify企业级存储方案配置。通过修改.env文件切换存储类型→配置S3/Minio连接参数→重启服务生效,实现文件存储从本地迁移至对象存储。详解Minio兼容性配置要点及文件上传测试流程,展示如何通过标准化存储方案提升多人协作效率,为知识库管理、多媒体资源存储等企业级需求提供高可用解决方案,存储性能较本地方案提升300%
4
Dify应用实战(9) - 问题分类
AI本文实战演示Dify问题分类器的场景化应用。通过在Chatflow中集成分类器组件,实现医疗问诊场景的智能分流:将用户咨询自动归类至症状分诊、用药指导或报告解读等子流程,结合LLM节点实现精准应答。详解分类器配置要点及分支处理策略,展示如何通过场景拆解将复杂医疗咨询转化为标准化处理流程,为智能客服、健康管理等场景提供可扩展的对话架构,后续可通过领域数据微调提升分类准确率。
5
Dify应用实战(10) - 循环处理
AI本文实战演示Dify迭代组件的批处理能力。通过HTTP请求获取新闻数据→LLM节点提取关键信息→参数提取器结构化→迭代节点循环处理,实现10条新闻摘要的自动化生成。详解数组数据的分组处理机制及元素级操作配置,展示如何将复杂的数据遍历任务转化为可视化工作流,为新闻简报、电商商品页等批量内容生成场景提供标准化解决方案,后续可结合图文生成节点实现多模态内容自动化输出。
随机文章随机推荐
小王的博客














