企业官网建设流程全解析

Dify 中级实验（01）：参数提取器实战——如何从自然语言中提取结构化数据？

Dify 实验系列 · 中级 01/20 | 实验编号：DIFY-102-02

1. 实验目的

掌握Parameter Extractor（参数提取器）节点的使用——从自然语言中自动提取结构化字段，为后续的数据库操作、API 调用、条件判断提供精准的结构化输入。

这是 Dify 工作流里最常用的节点之一：任何「用户说人话、系统要结构化」的场景（表单预填、工单录入、搜索参数解析）都靠它。

2. 场景设计

构建一个「简历筛选助手」：用户用自然语言描述候选人，系统提取出结构化字段（姓名、年龄、技能、经验年限、期望薪资、学历），再根据字段做筛选判断。

输入（用户描述）：

张三，28岁，计算机本科毕业 5 年，精通 Python、Java、SQL，目前在 BAT 做后端开发，期望薪资 25K-30K

输出（结构化 + 筛选意见）：

{"name":"张三","age":28,"skills":["Python","Java","SQL"],"experience_years":5,"expected_salary":27500,"education":"本科"}

3. 节点拓扑

开始（resume_text） ↓ 参数提取（Parameter Extractor，6 字段） ↓ 校验提取结果（Code：完整性校验） ↓ 校验结果判断（IF-ELSE） ├── 通过 → 生成筛选意见（LLM）→ 结束 └── 不通过 → 结束（提示补充信息）

4. 关键配置

4.1 开始节点

resume_text变量类型必须选「段落」（paragraph）而不是「文本框」（text-input）——简历描述是长文本，text-input 有 48 字符输入限制，粘贴一段简历直接报错：

-label:简历描述max_length:10000required:truetype:paragraphvariable:resume_text

💡 这是同批实验里踩过的真实坑：长文本/JSON 粘贴类变量用 paragraph + 显式max_length: 10000，否则 Service API 报must be less than 48 characters。

4.2 参数提取节点（核心）

配置 6 个提取参数：

query:['start','resume_text']parameters:-name:name# 候选人姓名type:stringrequired:true-name:age# 候选人年龄type:numberrequired:false-name:skills# 技能列表type:array[string]required:true-name:experience_years# 工作经验（年）type:numberrequired:true-name:expected_salary# 期望薪资（元/月）type:numberrequired:false-name:education# 最高学历type:stringrequired:false

要点：

• 必填字段给足描述——参数描述直接影响 LLM 提取准确率（描述含糊 → 提取错）
• 金额类（期望薪资）用 number，让 LLM 把「25K-30K」归一为数值（取 27500）

4.3 校验节点（Code）

参数提取偶尔会漏字段，用代码节点做完整性校验，返回valid标志 + 缺失项提示：

defmain(name:str,age:str,skills:list,experience_years:str,expected_salary:str,education:str)->dict:missing=[]ifnotname:missing.append("姓名")ifnotskills:missing.append("技能")ifnotexperience_years:missing.append("工作经验")return{"valid":"false"ifmissingelse"true","missing_fields":"、".join(missing)ifmissingelse"","summary":f"{name}，{experience_years}年经验，技能：{', '.join(skillsor[])}"}

💡 boolean 必须展平为 string（"true"/"false"）——Dify 的 object/boolean 类型在节点间不可见，IF-ELSE 判断的是字符串。

5. 运行验证

输入上面的简历描述，预期：

1. 参数提取返回 6 个结构化字段（skills 是数组）
2. 校验节点valid=true
3. LLM 生成筛选意见（结合经验年限/技能与岗位匹配度）

实测结果：完整简历 → 提取 6 字段全中 → 筛选意见输出正常；缺技能描述的简历 →valid=false→ 走提示分支。

6. 采坑点

7. 实验文档及源码获取

• 实验文档（完整操作步骤）：DIFY-02：参数提取——从非结构化到结构化.md
• 源码（可直接导入）：dify102_02_简历参数提取器.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（02）：问题分类器——智能路由引擎如何四路分发？