为了让 Dify 的 AI 流程在"分类"这一环节尽可能精准，你需要把"分类提示词"当成一个小型专家系统来设计：
- 让模型先理解分类目的；
- 给它边界清晰、互斥、完备的类别定义；
- 再给它可复制的"判断流程"（而不是只扔几个例子）；
- 最后给它兜底与反馈机制，方便后续迭代。
下面给出可直接套用的模板 + 调优口诀，按"提示词结构 → 变量占位 → 迭代方法"三步走，基本就能达到生产级的精确度。
一、提示词结构（可直接复制到 Dify 的"提示词模板"里）
【角色】
你是一名<垂直领域>分类专家，任务是把用户输入唯一分到且仅分到一个类别，否则记为"other"。
【类别定义表】
请严格使用下表，不得新增、合并、删减。
| 类别编码 | 类别名称 | 定义（必填） | 关键特征（必填） | 反例（必填） |
| A | 退货咨询 | 用户想退回已购商品 | 含"退""退款""寄回"等词 | "如何保养商品"不算 |
| B | 价格保护 | 用户要求补差价 | 含"降价""买贵""补差" | "能否便宜点"不算 |
| ... | ... | ... | ... | ... |
【判断流程】
1. 提取输入中的关键词，与"关键特征"列做交集。
2. 若仅命中一条定义→直接返回对应编码。
3. 若命中多条→按"定义"列的限定条件再筛选；仍无法区分→选排序最靠前的一条。
4. 若完全未命中→返回"other"。
【输出格式】
只返回 JSON：{"category":"<类别编码>","reason":"<一句话原因>"}
【输入】
{{input}}二、变量占位与 Dify 对接
- 把上面的提示词整体放进 Dify 的"系统提示词"节点。
- 用
{``{input}}作为用户原始 Query 的占位符（Dify 会自动替换）。 - 如果分类维度不止一个（先主场景、再情绪），就串两个"LLM 节点"：
节点 1 输出主场景编码 → 节点 2 把主场景编码再当变量{``{scene}}传进去，做第二次细分。
这样既解耦，又方便分别迭代。
三、迭代口诀（精准度从 85% → 98% 的核心）
-
定义闭环：
每出现一次"other"或人工纠偏，就把新样本补充到"反例"列，并检查是否需拆类。
保证"定义-特征-反例"三位一体同时更新，否则模型会学会偏斜。
-
关键词权重化：
把"关键特征"再拆成"强信号词"与"弱信号词"，在提示里告诉模型：
出现 1 个强信号即可直接判定；仅出现弱信号时需结合上下文。
示例：
- 强信号：花呗、退款编号、价保入口
- 弱信号：便宜、差价
-
引入"否定特征"：
在定义里加一行"若出现以下词则直接排除本类"，可快速解决边界混淆。
示例：
"价格保护"类否定特征：含"优惠券""秒杀"直接排除。
-
小样本冷启动：
若初始样本<30 条，先用提示工程跑 100 条伪标签，再人工复核 30 条高置信错误即可上线；后续用线上日志做主动学习。
-
输出置信度：
在 JSON 里多加一字段
"confidence":<1-5>，让下游流程决定是直通还是转人工。调优时优先看低置信区间的错误，效率最高。
四、一个最小可工作的电商场景示例
【角色】
你是电商客服场景下的分类专家。
【类别定义表】
| 编码 | 名称 | 定义 | 关键特征 | 反例 |
| A | 退货 | 用户想退回商品 | 退、退款、寄回、已申请 | "如何保养" |
| B | 价保 | 用户要求补差价 | 降价、买贵、补差、30 天价保 | "能否便宜点" |
| C | 开发票 | 用户索要发票 | 发票、抬头、电子发票 | "收据" |
| D | 其他 | 以上都不是 | --- | --- |
【判断流程】
1. 先匹配强信号词；
2. 多条命中时，选最先出现的类别；
3. 完全无匹配→D。
【输出】
{"category":"<编码>","reason":"<原因>"}
【输入】
{{input}}五、常见坑速查表
- 类别名称用"动词+名词"短句，避免"咨询/问题"这种万能词。
- 一条样本只能属于一个类别，若业务上允许多标签，就拆成"多轮单标签"或改用多标签模型，别硬塞给 LLM。
- 提示词里别给"正向示例"，只给"定义+特征+反例"，否则模型会过拟合例子而忽视定义。
- 每次新增类别，一定同步更新"否定特征"，否则旧类别会"吃掉"新类别。
按以上模板填完，基本能在 30 条样本内把宏观准确率拉到 95%+；后续靠线上日志滚动迭代即可。祝调优顺利！