必须构建带元数据标记的结构化知识库并配置元数据筛选，设计含条件分支的工作流，通过llm生成结构化json推荐结果，且需验证预算/场景/材质等关键路径匹配准确性。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要让推荐结果严格匹配用户当前说出的预算、场景、材质等具体条件，而不是泛泛而谈“几款热门商品”，这就必须把产品数据变成Dify能精准理解并调用的结构化知识源。
构建带元数据标记的产品知识库
在Dify控制台左侧导航栏点击【知识库】→【新建知识库】，名称填“运动鞋-结构化”，描述写明“含价格、适用场景、中底科技、重量等字段”。【知识库名称不能含空格或特殊符号，否则后续工作流节点可能无法正确引用】
上传CSV格式的产品数据表，确保列名是英文且无重复：product_id,name,price,scene,weight_g,foam_type,drop_mm。Dify会自动识别表头并建立字段索引，无需手动映射。
上传后进入该知识库设置页，点击【检索设置】→开启【启用元数据筛选】，将scene、foam_type、price三个字段设为可筛选项。这一步决定后续能否用“预算500以内+适合马拉松”这种复合条件精准召回。
设计带条件分支的工作流
返回应用首页，点击【工作流】→【新建工作流】，选择空白模板。
方法一：用检索节点直连元数据过滤
拖入一个【知识检索】节点→双击配置→在“检索方式”中选【语义检索+元数据筛选】→在“元数据筛选条件”里写：price 。其中user_budget和user_scene需提前从用户输入中提取，可用正则节点或LLM解析节点生成。
方法二：用IF节点做多级兜底
当用户只说“跑步鞋”没提预算时，第一层IF判断budget是否为空→为空则走“按销量排序”分支；不为空则走“按价格过滤+语义相关性重排”分支。这样避免因缺失字段导致整个检索失败返回空结果。
注意：IF节点的条件表达式必须用双大括号包裹变量，且比较符两侧要留空格，写成price会报错。
注入上下文并生成带解释的推荐文案
第一步：把检索出的商品列表传给LLM节点
连接【知识检索】节点输出 → 【LLM推理】节点输入，在LLM节点的提示词中插入以下片段：
“你是一名专业运动装备顾问。用户需求：{{user_input}}。已根据价格和场景筛选出3款候选商品：{{retrieved_products}}。请用中文口语化表达，每款产品说明必须包含：①为什么适合该场景（结合中底科技和drop值解释）；②重量对长距离的影响；③价格合理性分析。”
第二步：强制输出结构化JSON供前端渲染
在LLM提示词末尾追加：“输出格式严格限定为JSON数组，每个对象含字段：name、reason_for_scene、weight_impact、price_analysis。不要任何额外文字、不要markdown、不要```包裹。”
这一步确保前端能直接解析推荐理由，而不是收到一段无法拆解的自然语言——很多团队卡在这里，以为推荐完成了，实际前端拿不到可绑定的字段。
上线前必须验证的三个关键路径
① 输入“帮我找一双400块左右、适合通勤走路的皮鞋”→检查是否命中scene=“通勤”且price在380–420区间的产品，而非返回所有皮鞋。
② 输入“最轻的越野跑鞋”→确认检索未设price条件时，仍能按weight_g升序返回结果。
③ 输入“要碳板的”→验证foam_type字段是否被正确识别为元数据筛选项，而非被当作普通文本参与语义匹配。
在工作流编辑页右上角点击【调试】，逐条输入测试语句，观察每个节点的实时输出。特别留意知识检索节点的“实际筛选条件”字段，它会显示Dify最终执行的元数据过滤表达式，这是唯一能确认你写的{{user_scene}}有没有被真实代入的地方。
