企业官网建设流程全解析

Dify 中级实验（03）：模板转换实战——如何用零 Token 完成文本加工？

Dify 实验系列 · 中级 03/20 | 实验编号：DIFY-102-04

上篇：中级实验（02）：问题分类器——智能路由引擎如何四路分发？

1. 实验目的

掌握Template Transform（模板转换）节点——基于 Jinja2 模板引擎的文本加工，不消耗 LLM Token。理解它比 LLM 节点更适合哪些场景：格式确定、规则明确的文本组装（报告、邮件、摘要模板），用模板零成本秒出；只有需要「理解语义」的加工才用 LLM。

2. 场景设计

电商评论汇总：数据库/API 返回原始评价 JSON，需要按三种格式输出——摘要（summary）、分析报告（report）、邮件正文（email）。

输入：

product_name: 智能手表 reviews: [{"user": "张三", "rating": 5, "content": "很好用", "date": "2026-07-16"}, ...] format_type: summary / report / email（下拉选择）

输出：按格式类型走对应模板，纯 Jinja2 渲染，零 Token。

3. 节点拓扑

开始（product_name / reviews / format_type） ↓ 解析评价 JSON（Code：校验 + 结构化） ↓ 生成采集时间（Code：当前时间，模板不能用 now()） ↓ 格式类型分支（IF-ELSE，3 分支） ├── summary → 摘要模板 → 结束 ├── report → 报告模板 → 结束 └── email → 邮件模板 → 结束

4. 关键配置

4.1 输入解析（Code）

reviews 是 JSON 字符串，先解析成结构化数据（同时做空值兜底）：

defmain(reviews:str)->dict:importjsontry:data=json.loads(reviewsor"[]")exceptException:data=[]ifisinstance(data,dict):data=data.get("data",[])return{"reviews":data,"count":len(data)}

4.2 模板转换节点（核心）

摘要模板——空值保护 + 平均分计算 + 评分分布：

{% set rr = reviews if reviews else [] %} 【{{ product_name }}】用户评价摘要（共 {{ rr | length }} 条） {% set total_rating = rr | map(attribute='rating') | sum %} {% set avg_rating = (total_rating / rr | length) | round(1) if rr | length > 0 else 0 %} 平均评分：{{ avg_rating }} / 5 {% for r in rr %} - {{ r.user }}（{{ r.rating }}星）：{{ r.content }} {% endfor %}

报告模板——评分分布统计 + 按评分排序：

{% set rr = reviews if reviews else [] %} # {{ product_name }} 用户评价分析报告 ## 概览 - 评价总数：{{ rr | length }} - 数据采集时间：{{ report_time }} ## 评分分布 {% set ratings = [5,4,3,2,1] %} {% for r in ratings %} {% set count = rr | selectattr('rating', 'equalto', r) | list | length %} {{ r }} 星：{{ count }} 条 {% endfor %}

4.3 采集时间（Code）

⚠️Jinja2 模板里没有 now() 函数——Dify 模板环境不提供时间函数。要输出时间，用上游代码节点生成再传参：

defmain()->dict:importdatetimereturn{"report_time":datetime.datetime.now().strftime("%Y-%m-%d %H:%M")}

5. 运行验证

实测三种格式输出：

• summary→ 摘要文本（评价数/均分/逐条）
• report→ 结构化报告（概览/评分分布/明细）
• email→ 邮件正文（主题 + 关键数据 + 收尾）

验证要点：输出内容完全由模板渲染，节点执行耗时毫秒级、Token 消耗为 0——对比 LLM 生成同格式文本的耗时与成本。

6. 采坑点

💡 选型心法：规则明确的文本组装 → 模板转换（零 Token）；需要理解语义的加工 → LLM。同一个工作流里两者配合：模板负责结构，LLM 负责内容。

7. 实验文档及源码获取

• 实验文档（完整操作步骤）：DIFY-04：模板转换——高级文本加工厂.md
• 源码（可直接导入）：dify102_04_模板转换工厂.yml

文章聚焦核心配置与采坑点；实验的完整分步操作（节点搭建/参数表/调试指引）见实验文档原文。

下一篇：Dify 中级实验（04）：迭代进阶——如何批量处理数据并守住性能边界？