本案例概要

使用的节点

节点名称	类型 / 能力	作用
Excel 转 JSON	文档解析 / 格式转换	将上传的 xlsx 转为结构化数据，输出 text（对话列表的 JSON 字符串）及 json。
将 ROWS 处理为 LIST	代码节点	对 text 做转义处理后 json.loads，得到字典列表 result，供迭代节点遍历。
迭代	循环	对 result 中每条对话记录执行内部子流程（提取、情感分析、问题分类、总结、聚合）。
提取 ID 和 MSG	代码节点	从当前迭代的 row 中取出 msg_id、history_message，输出为 id、msg。
情感分析	大模型 + 结构化输出	根据对话内容判断用户情绪等级（非常负向/负向/正常/正向/非常正向），输出 rank 与 reason。
问题分类	大模型 + 结构化输出	将对话归类为产品问题、服务问题、体验问题及具体标签（如质量缺陷、响应慢投诉等），输出 product/content/experience 数组。
聚合分析结果	代码节点	将问题分类、内容总结、情感分析结果与 msg_id、msg 合并为统一的 result 结构。

技术要点

• Workflow 与文件输入：本案例使用 Dify Workflow（非 Chatflow），开始节点配置为接收 input_file（xlsx），用户上传客服对话数据后一次性执行全流程并输出分析列表。
• Excel → JSON → 列表：先通过「Excel 转 JSON」得到 text（含 msg_id、history_message 的 JSON 字符串），再经代码节点处理转义并解析为字典列表，供迭代使用。
• 迭代内多任务并行：每条对话在迭代内依次经过「提取 ID 和 MSG」→「情感分析」「问题分类」「内容总结」三个大模型节点（可并行）→「聚合分析结果」代码节点，将情感、分类、总结与原始 id/msg 合并为一条分析结果。
• 大模型与结构化输出：情感分析、问题分类均开启结构化输出，情感分析输出 rank、reason，问题分类输出 product/content/experience 数组，便于下游代码节点稳定解析。
• 代码节点：两处——① 将 ROWS 处理为 LIST：text 转义后 json.loads 得到 result；② 聚合分析结果：将 problems、summary、senti_analysis、msg_id、msg 组装为单条 result，迭代结束后由结束节点汇总为完整列表。

工作流程概览

开始(input_file: xlsx)
    ↓
Excel 转 JSON → text（对话列表 JSON 字符串）、json
    ↓
将 ROWS 处理为 LIST(代码：text 转义 + json.loads) → result（字典列表）
    ↓
迭代(result)：对每条 row →
    ↓
    提取 ID 和 MSG(代码) → id, msg
    ↓
    情感分析(大模型：msg) → rank, reason
    问题分类(大模型：msg) → product, content, experience
    内容总结(大模型：msg) → summary(text)
    ↓
    聚合分析结果(代码) → result{ content, experience, product, msg_id, msg, summary, rank, reason }
    ↓
结束：输出所有迭代 result 组成的列表