第 6 章

各種節點的十二之型

上一章學會了「開始 → LLM → 輸出」，那只是節點庫的冰山一角。這一章把 Dify 所有核心節點整理成十二種「型」——像劍法套路一樣，每個型解決一類問題。熟練之後，任何業務流程都能拆解成這些型的組合。

本章目標

在任何節點按「＋」就能打開節點面板。把裡面的節點對應到十二之型：

型	節點	解決什麼問題
壹・開始–輸出	開始／輸出	定義輸入表單與最終輸出，一切流程的骨架
貳・開始–LLM–輸出	LLM	「究極之型」：九成的單步 AI 任務靠它就夠
參・條件分歧	條件分支（IF/ELSE）／問題分類器	依內容走不同處理路線；分類器可用 AI 自動分流
肆・知識檢索	知識檢索	在流程中查知識庫，把結果餵給下游 LLM（RAG 工作流版）
伍・參數擷取	參數提取器	從自然語言中抽出結構化欄位（日期、地點、金額…）
陸・迴圈處理	迭代／循環	對清單中的每一項重複執行同一段子流程
柒・定型文處理	模板轉換	用 Jinja2 模板把多個變數組裝成固定格式文本
捌・程式碼執行	程式碼執行	最後一哩路的王牌：用 Python/JavaScript 做任意資料處理
玖・API 召喚	HTTP 請求	呼叫任何外部 API，把世界接進流程（本章實作）
拾・平行執行	（多條連線）＋變數聚合器	同時跑多個分支再彙整，時間減半
拾壹・檔案處理	文件提取器／清單運算子	讀取 PDF、Word、音訊等檔案內容進流程
拾貳・結構化輸出	LLM（結構化輸出開關）	讓 LLM 穩定輸出符合 JSON Schema 的資料

小技巧
設計流程時先問三個問題：「輸入是什麼？輸出是什麼？中間要經過哪些變換？」每一個「變換」對應一個型。想不出來就從貳之型開始，遇到瓶頸再替換成專用節點。

十二型中最能開眼界的是「API 召喚」——它讓工作流跳出 LLM 的世界，連接任何網路服務。我們做一個「天氣速報」：輸入城市名，回傳即時天氣。使用免費、不需註冊的 wttr.in 服務。

建立工作流新增工作流應用「天氣速報」，開始節點加入輸入欄位 city（顯示名稱「城市名稱（英文）」）。
加入 HTTP 請求節點開始節點按「＋」→ 選「HTTP 請求」。方法保持 GET，URL 填：
```
https://wttr.in/{{# 開始.city #}}?format=3
```
輸入 { 一樣會跳出變數選單，把 city 變數嵌進網址中。format=3 是 wttr.in 的單行文字格式。
接上輸出節點輸出變數取名 weather，值選 HTTP 請求 / body——HTTP 節點的回應內容。
測試運行輸入 Taipei，執行。

重點
HTTP 節點的輸出有三件套：body（回應內容）、status_code（狀態碼）、headers。實務上常見的組合是「玖之型＋捌之型」：HTTP 拿回 JSON，接一個程式碼執行節點解析、只取需要的欄位，再交給 LLM 或輸出——這正是原書「資料抽出、整形」的經典套路。

條件分支適合規則明確的判斷（字串包含、數值比較、變數是否為空）；問題分類器則是用 LLM 理解語意後自動分流——建幾個分類（例如「售前諮詢／售後客訴／閒聊」），每個分類接不同的下游處理。客服系統的第一站幾乎都是它。

「我想訂 7 月 15 日從台北到高雄的高鐵，兩張成人票」→ 參數提取器可直接抽出 date=7/15, from=台北, to=高雄, qty=2。定義好參數名稱與說明，模型自動填值，下游節點就能拿到乾淨的結構化變數。

迭代節點吃一個陣列（Array），對每個元素跑一遍內部子流程，結果再彙整成新陣列。長文分段翻譯、批次改寫商品文案、逐項審核清單，都是它的舞台。搭配「拾之型」的平行開關可以多項同時處理。

凡是「有明確規則」的處理——格式轉換、數值計算、字串清理、JSON 解析——寫三行 Python 比呼叫一次 LLM 更快、更準、零成本。Dify 的程式碼在沙箱中執行，輸入變數自動注入，return 的字典就是輸出變數。

# 範例：統計字數並取前 100 字
def main(article: str) -> dict:
    return {
        "length": len(article),
        "preview": article[:100],
    }

LLM 節點面板裡有「結構化輸出」開關：定義一個 JSON Schema，模型的回答就會嚴格符合這個結構——做名片辨識、發票擷取、表單填寫時，再也不用祈禱模型「乖乖輸出 JSON」。

型是內功，工具是兵器。下一章我們深入工具的世界——Web 瀏覽、Code Interpreter、把工作流本身變成工具，以及自訂工具的製作。