Dify 参数提取器用法剖析

Dify的参数提取器，说白了，就是让自然语言处理变得更顺手的一个小工具。它的核心价值在于：把用户随口说的一句话，转换成机器能懂的、结构化的参数，从而让工作流的搭建效率蹭蹭往上涨。

咱们今天聊三个维度：它到底怎么工作的、从零搭建一个完整工作流要几步、以及实际跑起来效果如何。

参数提取器的本质，其实是借助LLM（大语言模型）从自然语言中推理并提取出结构化参数。这些参数后续可以被工具调用、或者拼进HTTP请求里。

Dify工作流里提供了不少工具，但很多工具的输入都要求是结构化参数——比方说迭代节点，就必须传入数组格式。参数提取器正好能完成这个“翻译”工作：把人类友好的自然语言，转成工具能吃的结构化数据。

1. 环境准备

• 注册硅基流动，拿到API_KEY
• 本地部署好Dify服务
• 安装硅基流动插件

2. 工具流展示

这次搭建的工具流，主要就是演示参数提取器的用法。流程很简单：LLM节点先生成一个随机的目录（比如某本书的章节目录），然后参数提取器从这段文本里，按需提取指定章节的名称——它本质上还是一个LLM节点，负责从用户给定的文本中分析、推理、提取出变量，交给后续节点。最后直接输出结果。

3. 工作流搭建

开始节点保持默认就行，不需要添加任何输入字段。

这里选用的是Qwen2.5-72B-Instruct模型。提示词写清楚：生成一个随机目录。这个目录会作为后续节点的输入。

参数提取器从LLM输出的文本中，根据需要提取的参数中文描述来进行提取。这里我们分别提取：第一章的标题、第二章的第一节标题、第三章下第二节的第一小节标题。提取效果主要依赖大模型的能力。

直接回复节点将参数提取出来的结构化数据输出。同时，把LLM节点生成的原始章节目录也输出一份，作为参考——这样就能直观验证参数提取器提取得对不对。

4. 执行工作流验证

从结果来看，工作流按照需求准确提取了第一章的标题、第二章第一节的标题，以及第三章第二节下的第一小节标题。效果立竿见影。