要在Dify平台真正实现上下文智能响应、条件逻辑分支与模块高效复用，仅靠基础变量替换远远不够，必须掌握Jinja2高级渲染阶段。这一环节直接决定了提示词能否承载复杂业务逻辑，而不仅仅是简单的字符串拼接。

先说几项核心判断：模板继承、宏封装、条件判断和循环处理，这四件事是Dify提示词工程的基本功。掌握了它们，你就能在节点之间灵活复用逻辑，避免后期改一处漏十处的困扰。

用模板继承统一工作流结构

当你在多个节点（比如意图识别→RAG检索→最终回复）中反复编写时间格式化、错误兜底、安全转义时，就该考虑采用模板继承了。这并非锦上添花，而是避免后期修改一处却遗漏十处的根本解决方案。

具体操作分为三步：

第一步，在任意一个节点的Jinja2代码区顶部，定义基础块结构：

{% block pre_processing %}{% endblock %}
{% block main_content %}{% endblock %}
{% block post_processing %}{% endblock %}

第二步，在需要复用该结构的其他节点中，用{% extends "base_template.jinja" %}声明继承关系。注意——Dify不实际读取文件系统，这里的"base_template.jinja"是逻辑引用名，必须与你当前节点中定义的块名完全一致。

第三步，只覆盖需要定制的部分。比如在RAG节点中编写：

{% extends "base_template.jinja" %}
{% block main_content %}
请基于以下检索结果回答用户问题：
{% for doc in rag_results %}
- {{ doc.title | truncate(80) }}: {{ doc.content | escape }}
{% endfor %}
{% endblock %}

这样一来，你只需要修改基础模板，所有继承它的节点都会自动更新，大大降低了维护成本。

用宏封装高频逻辑

当某段逻辑（比如会员等级加权、多语言fallback、敏感词过滤）在3个以上节点反复出现，宏就是你的代码压缩包。

有两种方法可以实现：

方法一，在单个节点内定义并调用：

{% macro format_user_profile(user) %}
{{ user.name }}({{ user.level | upper }}会员,注册{{ user.join_days }}天)
{% endmacro %}
欢迎回来,{{ format_user_profile(context.user) }}!

方法二，跨节点复用——把宏定义放在最上游节点（如“会话初始化”节点），然后在下游节点通过context对象传递已渲染结果。不要在下游重复定义同名宏，否则会覆盖上游逻辑。

可以记住一个原则：宏定义一次，到处调用。这样既减少了重复代码，也避免了节点间逻辑不一致的问题。

用条件判断实现动态提示路径

用户问“退货”，和问“查物流”，提示词结构完全不同。硬编码两条提示词会失控，用if/elif/else才能守住边界。

先判断核心意图：

{% if context.intent == "return" %}
你是一位售后专员，请优先确认订单状态，并说明退货时效、包装要求及退款方式。
{% elif context.intent == "logistics" %}
你是一位物流顾问，请根据运单号查询最新轨迹，用分点形式呈现关键节点，并预估送达时间。
{% else %}
请引导用户明确具体需求，提供可选服务类型列表。
{% endif %}

再补充角色适配逻辑：

{% if context.user_role == "admin" %}
请输出含操作指令、系统路径与权限说明的完整技术指引。
{% elif context.user_role == "customer" %}
请使用简明步骤+图标示意（用文字描述图标）的方式说明。
{% endif %}

这样做的好处是，提示词结构可以根据用户意图和角色动态调整，既灵活又可控。

用循环处理批量输入与上下文聚合

当用户上传多个文件、提交多条历史消息或触发RAG返回多份文档时，静态提示词会失效，必须靠循环动态展开内容。

第一步，检查变量是否为列表类型。若传入非列表（如None或字符串），{% for %}会报错中断渲染。

第二步，对rag_results进行安全遍历：

{% if rag_results %}
参考以下{{ rag_results|length }}条权威信息：
{% for doc in rag_results %}
【来源】{{ doc.source | default("未知") }}
【摘要】{{ doc.content | truncate(120) | escape }}
{% endfor %}
{% else %}
未检索到相关资料，请基于通用知识作答，并注明不确定性。
{% endif %}

第三步，限制循环深度防止LLM过载。例如只取前5项：

{% for doc in rag_results[:5] %}
…
{% endfor %}

通过这种方式，你可以安全地处理批量数据，同时确保提示词不会因内容过多而超出token限制。