在Dify工作流中，建议将敏感词过滤安排在流程的最前端执行——核心机制是：在用户输入内容抵达大模型之前，先行完成审查与拦截。为何需要如此前置？若大模型直接处理了包含违规意图、违法信息或高危业务术语的用户输入，后续拦截将难以消除已发生的上下文污染、越狱响应或隐私泄露风险，更可能引发监管处罚。

启用前置敏感词检测节点

配置流程清晰直观：登录Dify控制台，进入目标应用，点击「工作流编排」，然后在「开始节点」之后拖入一个「Python代码节点」。将以下标准过滤器代码粘贴至该节点中，并确保词表路径与实际存放位置一致。

from dify_sensitive import SensitiveFilter
filter_engine = SensitiveFilter(
  wordlist_path="/app/config/finance_keywords.txt",
  enable_regex=True,
  regex_patterns=[r"年化收益率.*?超过d+%", r"保本保息", r"1[3-9]d{9}"]
)
if filter_engine.contains_sensitive($inputs.query):
  raise ValueError("触发监管关键词熔断：禁止输出")

重要前提：finance_keywords.txt 必须事先上传至Dify应用的 /config 目录，且文件编码需为 UTF-8 无BOM格式，否则将导致运行报错。

配置多模式识别策略

敏感词识别需结合多种策略，实现多维度防护。以下三种方式配合使用最为稳妥。

策略一：关键词黑名单——适用于业务中明确禁止的固定词汇，例如“代客理财”、“配资”、“杠杆”。在Python节点中定义列表，通过 any(kw in $inputs.query for kw in forbidden) 实现快速判断，这种方式简洁高效。

策略二：正则表达式匹配——专用于识别结构化敏感信息，如身份证号。使用 import re; re.search(r"d{17}[dXx]", $inputs.query) 可匹配如“11010119900307291X”的完整号码。正则匹配的抗干扰能力优于字符串比对，能有效识别变体表述。

策略三：白名单例外机制——避免误伤正常业务用词。例如，用户提及“苹果手机”属于正常交流，但单独出现“苹果”可能被视为敏感指向。此时需补充逻辑判断：if "苹果" in $inputs.query and "手机" not in $inputs.query: 则触发拦截。如此可避免业务常用词被误判为敏感内容。

绑定审计日志与熔断响应

检测配置完成后，还需构建闭环链路，确保问题可追溯、可阻断、可告警。

步骤一：启用审计日志增强模式
进入应用设置，选择「高级配置」，勾选「启用审计日志增强」后保存。此操作虽简单，但能有效支撑事后追溯，建议务必开启。

步骤二：配置Level-1知识边界熔断
在RAG检索节点后添加「条件判断」节点，设置规则：当 $retrieval_results.confidence_mean < 0.35 时，跳转至「返回标准话术」节点。话术示例为：“当前问题超出我的知识范围，已为您转接人工客服。”该机制用于应对超出知识边界的问题。

步骤三：配置Level-2高危词熔断
在敏感词检测节点内部增加判断逻辑：若 if any(w in $inputs.query for w in ["代客理财", "配资", "杠杆"]) and not $retrieval_results.chunks: 则抛出异常并自动向风控看板推送告警。此配置流程看似复杂，实则只需开启日志开关并串联条件分支。需特别注意的是，若跳过Level-1置信度判断，系统将无法区分“知识不足”与“检索失败”场景，可能导致大量正常提问被误判为风险事件，反而引发新的运营问题。