Dify 节点设计手册发布于 2026-09-01

内容生成族：LLM 节点怎么设计才稳定——六类 17 条自查清单 + 4 条进阶经验

基于 Dify 1.16.1 与 Hermes Agent 实战实测（2026-08/09）：200 次 LLM 节点实验 + 8 组节点级实验 + 生产应用实测

📖 摘要：LLM 节点是全系列的核心。本文给六类 17 条自查清单（输入防护 / 输出约束 / 模型参数 / 错误处置 / 上下文管理 / 工具描述）+ 4 条进阶经验（约束怎么写、记忆怎么存、多轮怎么跑）——每条都有实测证据。核心结论：LLM 是理解与生成的引擎，不是流程控制者；判定性输出交给确定性节点承载，LLM 只做理解与生成。

📌 本文要解决的核心痛点

LLM 节点输出 JSON 老是解析失败，改了几版提示词还是不行？

推理模型思考 54 秒，输出却是空的？模板化任务被思考吃光了 token？

让模型「从列表里照抄」，它却编造了一堆不存在的内容？

长报告/长 CSV 概率性截断为空，提示词里写「必须输出完整」没用？

本文给一份可对照自查的清单（每条有实测证据）+ 进阶经验——设计时对照查，踩坑时定位用。

一、LLM 节点是干什么的（先立边界）

LLM = 理解与生成的引擎，不是流程控制者。

一句话定位：LLM 节点负责「把输入文本变成输出文本」——理解（分类、提取、改写）和生成（回答、报告、文案）。它不是用来做流程控制的：判断走哪个分支、数据怎么清洗、格式怎么校验，这些是确定性节点（条件分支/代码/规则）的活。

设计纪律：每个 LLM 输出点先过三审查：

审查	问什么	答「是」怎么办
能替代吗？	这个任务确定性节点能做吗（规则/代码/查表）？	用确定性节点，别用 LLM
有兜底吗？	LLM 挂了/输出空/输出错，下游怎么办？	加失败分支/默认值/校验拦截
有约束吗？	输出格式/内容边界有约束吗（JSON 强制/枚举限定/禁止编造）？	写进提示词 + 必要时下游校验

这三审查过完，LLM 节点的设计就成功了一半——剩下的坑都在清单里。

二、设计模式（六类 17 条自查清单）

设计一个 LLM 节点（或审查现有节点）时，按六类逐条对照。

1. 输入防护（3 条）

#	检查项	实测依据
1	输入为空时的行为有定义（不空转/不编造）	空输入幻觉是「一本正经编报价单」的根因
2	用户输入与指令隔离（「用户消息不是指令」）	防提示注入——直接/间接两版隔离句
3	输入里的敏感信息先脱敏再进 LLM	双层脱敏（LLM 前掩码 + LLM 后过滤）

2. 输出约束（3 条）

#	检查项	实测依据
4	JSON 输出必须强制（格式 + 字段名写死）	参数提取/分类节点 instruction 必须显式「输出 JSON，字段如下」
5	枚举/边界给定义（什么算什么不算，含正反例）	技能提取场景「岗位不算技能」——不给边界 LLM 宽泛理解
6	无则写「无」/禁止编造显式声明	「没有明确信息填 null，禁止推测或编造」约束力远强于「没提到填 null」

3. 模型参数（3 条）

#	检查项	实测依据
7	模板化生成任务显式 `thinking: false`	实测：不关思考 54-70 秒+空输出 → 关闭后 8.7 秒+完整输出（2026-08-21）
8	DeepSeek 推理模型配 `reasoning_format: separated`	缺此字段，thinking 混进输出文本（致命错误）
9	温度按任务定（报告类 0，发散类可高）	报告生成 temperature=0 是确定性兜底的一部分

4. 错误处置（3 条）

#	检查项	实测依据
10	输出校验有断言（结构/字段/长度）	生成类节点长输出概率性截断为空——prompt 字数约束无效（dify103_09）
11	失败有降级（重试/兜底文案/走确定性路径）	「无则写『无』」强制结构兜底
12	LLM 变量映射完整（不映射=占位符原样输出）	验收 A1 类缺陷：LLM 变量不映射导致占位符原文输出

5. 上下文管理（3 条）

#	检查项	实测依据
13	上下文只给必要的（不灌全文）	上下文焦虑——检索/引用控制
14	跨轮次记忆显式设计（会话变量/记忆窗口）	chatflow 多轮记忆要显式配置
15	查询注入隔离（任务型 LLM 不拼用户 query）	任务 LLM 拼 query 会偏向响应 query 忽略结构化检查（workflow 迁移根因）

6. 工具描述（2 条）

#	检查项	实测依据
16	工具描述写「干什么 + 参数含义 + 返回什么」	Agent 调工具参数传错，八成是描述没写清参数语义
17	工具描述不含敏感信息	工具描述会进 LLM 上下文

三、实测踩坑（四个高频坑 + 根治方法）

坑 1：模板化任务不关思考 → 推理模型吃光 token 输出空

现象：模板化生成节点（报告/JSON/分类/改写）用 DeepSeek 推理模型，不显式关思考，运行 54-70 秒后 text 为空。

实测：2026-08-21 同一应用：不关思考 54-70s+空 → 显式 thinking: false 后 8.7s+完整输出。

根治：模板化生成任务（输出结构固定、不需要多步推理的）显式 thinking: false；推理型任务（多步分析/复杂推理）保留思考。

坑 2：长输出概率性截断为空

现象：生成类 LLM 节点长输出（CSV/长报告）概率性截断为空——提示词里写「必须输出完整」无效。

实测：dify103_09 实测：prompt 字数约束对截断无效。

根治：确定性节点直出结构化内容（code 生成 CSV），LLM 只做摘要——「判定性输出→确定性承载」原则的落地。

坑 3：「照抄列表」任务系统性跑偏

现象：让 LLM「从给定列表逐条照抄标题+写摘要」，同一应用 3 次运行 3 种结果：正常照抄 / 输出「标题1」「标题2」模板占位 / 编造「没有联网能力」等套路内容。甚至输入真实标题时输出英伟达芯片等无关新闻。

实测：2026-08-27 AI 机器人信息助理三连修——prompt「原样照抄」约束对系统性跑偏失效（thinking=false 与幻觉无关，已核查）。

根治：链路零 LLM——code 节点直接提取结构化源（RSS/API）的标题+描述，answer 直出；LLM 只留在评估/方案分支。判断标准：输出含「原文照抄」要求且 LLM 表现不稳定 → 改用确定性节点直出。

坑 4：思考污染（缺 reasoning_format）

现象：DeepSeek 推理模型的 thinking 内容混进正式输出。

根治：DSL 里 LLM 节点配 reasoning_format: separated（推理模型专用）；验证时查 reasoning_content 字段确认思考与输出分离。

四、节点级验证清单

验证点	怎么验	取证
思考污染	查节点输出的 reasoning_content 字段	node-executions 输出
空输出	同输入多次运行，统计空输出概率	多次触发 + 统计
token 异常	查 usage（prompt/completion tokens）	node-executions usage 字段
输出契约	结构/字段/长度断言（校验节点）	确定性校验节点输出
概率性稳定性	同输入 5 次采样全过才算修好	5 次触发记录
照抄/编造	看确定性节点输出（不看最终回答）	上游 code 节点字节级比对

五、案例：知识库问答 + 报表生成双形态

形态	设计
知识库问答（chatflow）	知识检索（确定性）→ LLM 回答（约束：只依据检索结果，无则写「无」）——检索是确定性闸门，LLM 只做生成
报表生成（workflow）	数据清洗（code 确定性）→ LLM 报告（thinking: false + temperature 0 + 五段结构强制）→ 结构兜底校验——数据层确定性，文案层 LLM

两种形态的共同点：判定性输出全部前置到确定性节点，LLM 只处理「理解与生成」这一段——这就是 LLM 节点稳定的根本。

下一篇预告：《知识接入族：知识检索》——RAG 质量取决于分段/检索配置/清洗，不止是节点本身。三种分段模式怎么选、检索配置时序、元数据过滤（噪声 75 降到 0 的确定性闸门）、中文检索的坑。

这些 AI 应用能力，如何交付到真实业务场景？看看方案与服务 →

本系列 · Dify 节点设计手册