必须用条件分支对意图识别结果做二次校验与动态纠偏：先用问题分类器粗筛主意图，再用LLM节点通过JSON或逗号分隔法提取完整意图列表，最后通过三重条件分支判断模糊性、置信度和意图覆盖，确保多意图准确识别与流程正确分流。
☞☞☞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☜☜☜
要在Dify工作流中让AI客服准确识别用户一句话里的多个意图（比如“查交期+要开发票”），又避免因单次LLM调用置信度低或关键词误匹配导致流程走错，必须用条件分支对意图识别结果做二次校验与动态纠偏。
先用问题分类器粗筛主意图
拖入「问题分类器」节点，输入变量选 【sys.query】；模型选 GPT-4o-mini 或 DeepSeek-V3，温度设为 0.2；添加三个基础意图：查交期（关键词：交期、多久、什么时候）、开发票（关键词：发票、开票、税点）、其他（兜底）。
这一步只抓最可能的主意图，不强求覆盖所有组合，因为问题分类器本质是单标签分类，强行塞多意图会稀释置信度。
再用LLM节点提取完整意图列表
方法一：结构化JSON输出法
拖入LLM节点，粘贴以下提示词：
你是一个意图解析器，仅输出严格JSON。识别用户问题中所有明确表达的业务意图，忽略猜测和隐含需求。候选意图：["query_delivery", "issue_invoice", "check_stock", "create_order"]。用户输入：{{sys.query}}。输出格式：{"intents": ["query_delivery"], "confidence_avg": 0.87, "ambiguous": false}
开启结构化输出，JSON Schema 必须包含 intents（字符串数组）、confidence_avg（0–1浮点数）、ambiguous（布尔值）。【intents 字段必须是数组，不能是单个字符串，否则后续条件分支无法遍历】
方法二：逗号分隔文本法（轻量级备选）
用同样LLM节点，提示词改为：“列出所有可确认的意图，用英文逗号分隔，不要解释，不要标点，不要空格。例如：query_delivery,issue_invoice”。输出类型选“文本”，后续用 {{llm_output}}.split(',') 提取数组。
用条件分支做三重纠偏判断
第一步：检查是否含模糊标记
添加条件分支节点，首条规则表达式填：{{llm_node.ambiguous}} === true → 连接至「人工兜底节点」。这步拦截掉LLM自己都拿不准的输入，避免错误分流。
第二步：验证主意图置信度是否可靠
第二条规则表达式填：{{llm_node.confidence_avg}}
第三步：按意图组合路由到不同处理链
第三条规则表达式填：{{llm_node.intents}} contains 'query_delivery' && {{llm_node.intents}} contains 'issue_invoice' → 连接至「交期+发票并行处理节点」。注意这里必须用 contains 而不是 ==，因为 intents 是数组。
第四步：设置默认分支
不填任何表达式，直接设为 Default Branch，连接至「标准单意图处理链」。这是防止前面三条规则都没命中时流程中断的最后保险。
