需批量导入多源用户反馈并用大模型自动标注情感倾向、置信度和理由。先统一清洗数据为id和text字段，再通过dify workflow配置llm节点严格输出json格式结果，最后用代码或模板节点结构化解析导出csv。
☞☞☞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☜☜☜
你需要从电商评论、客服工单、APP埋点日志、社交媒体爬虫数据等多个来源批量导入用户反馈文本，并让大模型自动判断每条内容的情感倾向是正面、负面还是中性，同时输出置信度和简要理由，为后续分级响应提供结构化依据。
准备多渠道原始数据并清洗格式
先统一整理所有渠道的原始反馈，确保每条记录至少包含 【id】 和 【text】 两个字段。电商评论导出CSV时可能含“review_body”，客服工单含“ticket_summary”，社交媒体爬虫含“post_content”——这些都要重命名为标准字段“text”；缺失id的行必须补全，否则后续无法回溯来源。
用Excel或Python脚本执行以下清洗动作：删除纯空格/换行符的text字段；截断超长文本（>2000字符）至前1500字；过滤掉“好评返现”“关注领券”等营销话术干扰项。这一步不做干净，后续情感打标准确率会系统性偏低30%以上。
在Dify中创建专用Workflow进行批量打标
进入Dify控制台→工作流→新建→选择Workflow类型（不是Chatflow），名称设为“多渠道情感打标流水线”。
拖入一个“数据输入”节点，上传你清洗好的CSV文件，勾选“首行为列名”，确认text字段被识别为文本类型。
添加一个“LLM”节点，连接上一节点输出。在System Prompt中粘贴以下指令：
你是一个专注舆情分析的情感标注专家。严格按JSON格式输出，不加任何说明文字。字段必须完整：emotion（取值仅限“正面”“负面”“中性”）、confidence（0.0–1.0之间的小数）、reason（不超过30字的客观归因）。用户反馈：{{text}}
Dify 3.9.2更新重点增强系统安全性，引入 Chainguard 安全基础镜像并同步社区版 CVE 修复，同时优化 OpenSearch 向量存储兼容性、插件参数传输机制及 Helm 部署配置。新增工作流模型节点缓存能力，可减少重复凭证查询，显著提升复杂工作流初始化速度，为企业级 AI 应用提供更稳定、高效的运行体验。
在输出变量中填入“label_result”，并开启“对每条输入单独调用模型”选项。这一步若误选“批量合并调用”，会导致上下文混淆，负面评论可能被正面语境稀释。
配置结果解析与结构化导出
方法一：用“代码节点”提取JSON字段
接在LLM节点后添加“代码”节点，语言选Python，输入变量填label_result，代码写：
import json
data = json.loads(label_result)
output = {
"id": input.get("id", ""),
"emotion": data.get("emotion", "中性"),
"confidence": data.get("confidence", 0.0),
"reason": data.get("reason", "")
}
方法二：用“模板节点”生成标准CSV行
接LLM节点后添加“模板”节点，输入变量同上，模板内容为：
{{input.id}},{{label_result.emotion}},{{label_result.confidence}},{{label_result.reason}}
注意：模板里必须用双大括号包裹变量，少一个括号就整个字段为空。
最后接一个“文件导出”节点，选择CSV格式，字段顺序设为id,emotion,confidence,reason。点击运行，等待状态变为“完成”即可下载结果文件。
