在昨天的文章中，我們成功使用 n8n 的 HTTP Request 節點跨越 Docker 容器邊界，調用了在本地運行的 FastAPI 推薦端點，驗證了微服務與工作流之間的資料流轉。

然而，昨天的測試資料是我們手動「寫死（Hardcode）」在 Set 節點裡的結構化 JSON。在真實應用中，使用者通常只會隨口說一句：

「我人在板橋，預算抓 300 左右，下午想找間安靜的甜點店吃蛋糕，有推薦的嗎？」

傳統程式很難直接從這段口語中拆解出 location、budget_max 或 cuisine。這時候，就是我們在 Day 02 設定好的 Dify + Google Gemini 大腦登場的最佳時機！

今天 Day 07，我們將學習如何在 Dify 中發布 API，並在 n8n 中調用 Dify，把一段自然語言口語，自動轉換為標準結構化 JSON 參數！

一、系統整合架構藍圖

今天我們要完成的鏈路如下：

[使用者自然語言輸入]
         │
         ▼
[n8n 工作流 (Trigger)]
         │
         ▼ (HTTP POST)
[Dify API + Gemini 3.5 Flash-Lite]  <-- AI 意圖辨識 & JSON 參數提取
         │
         ▼ (回傳標準 JSON)
[n8n 提取參數]
         │
         ▼ (HTTP POST host.docker.internal:8000)
[FastAPI 推薦端點 (/api/v1/recommend/)]
         │
         ▼
[產出推薦餐廳結果]

二、在 Dify 中設定參數抽取應用並取得 API Key

首先我們要讓 Dify 扮演「資訊抽取器（Information Extractor）」，並開啟對外 API 存取權限。

Step 1：建立專門的抽取助手

1.打開瀏覽器進入 Dify 介面（http://localhost）。

2.進入「工作室」➜「建立空白應用」。

3.選擇「聊天助手（Chatbot）」，名稱填寫 美食意圖抽取器。

Step 2：撰寫系統提示詞（System Prompt）

在應用編排頁面的 指令 / 系統提示詞（System Prompt） 欄位中，填入嚴格要求輸出 JSON 的結構指令：

你是一個專業的美食推薦助理前置解析器。你的任務是從使用者的自然語言對話中，精準提取推薦條件，並「只輸出 JSON 格式」，不要包含任何額外問候或 Markdown 語法標籤。

請提取以下欄位：
- cuisine: 料理類型（必須是以下之一：日式、韓式、台式、甜點/下午茶、咖啡廳、西式、全部）
- budget_max: 每人預算上限（整數數字，若未提及預設為 500）
- location: 地區或捷運站商圈（字串，若未提及預設為「板橋區」）
- notes: 特殊飲食需求或關鍵字（字串，若無則為空字串）

輸出範例格式：
{
  "cuisine": "甜點/下午茶",
  "budget_max": 300,
  "location": "板橋",
  "notes": "想吃蛋糕、安靜"
}

模型確認：確認模型選用之前驗證成功的 Gemini 3.5 Flash-Lite，反應迅速且不會塞車！

Step 3：取得 Dify App 的專屬 API 金鑰

1.在應用編排畫面的左側選單中，點選 「訪問 API」（Access API）。

2.點擊右上角的 「API 密鑰」（API Keys）➜ 「建立密鑰」。

3.複製生成的 API Key（格式通常為 app-xxxxxxxxxxxxxxxx）。

4.同時記下畫面上顯示的 API 基礎網址，本地部署預設為：

http://localhost/v1

提醒：在 n8n 容器內連線時，同樣要轉換為 http://host.docker.internal/v1 哦！

三、在 n8n 中串接 Dify 節點

切換到 n8n（http://localhost:5678），打開昨天的推薦工作流或建立一個新流程。

Step 1：新增使用者輸入（Input Trigger）

使用 Edit Fields (Set) 模擬使用者真實的對話輸入：

欄位名稱：user_message

數值內容：我人在板橋，預算抓 300 左右，下午想找間安靜的甜點店吃蛋糕，有推薦的嗎？

Step 2：新增 HTTP Request 呼叫 Dify Chat API

1.新增一個 HTTP Request 節點，命名為 Call Dify AI。

2.配置參數如下：

Method：POST

URL：http://host.docker.internal/v1/chat-messages

Authentication：Header Auth

Name：Authorization

Value：Bearer <你的_DIFY_APP_API_KEY>

Send Headers：Content-Type: application/json

Send Body：開啟（Toggle On）

Body Content Type：JSON

Specify Body：選擇 Using JSON

JSON 內容：

{
  "inputs": {},
  "query": "={{ $json.user_message }}",
  "response_mode": "blocking",
  "user": "ironman_tester"
}

這裡使用 "response_mode": "blocking" 代表等待整段完成後一次回傳，方便程式直接解析。

Step 3：新增 Code 節點解析 AI 抽取的 JSON

Dify 回傳的結果會放在 $json.answer 字串中。我們新增一個 Code 節點，將文字解析為真正的 JSON 物件：

1.點擊 + 新增 Code 節點（命名為 Parse AI JSON）。

2.語言選擇 JavaScript，填入以下程式碼：

// 取得 Dify 回傳的純文字內容
let rawAnswer = $input.first().json.answer;

// 去除可能夾帶的 Markdown 標記 (如 ```json 或 ```)
rawAnswer = rawAnswer.replace(/```json/g, '').replace(/```/g, '').trim();

// 解析為 JSON 物件
let parsedData = JSON.parse(rawAnswer);

// 將 user_id 補齊，並回傳給下一個節點
return {
  user_id: "line_user_888",
  cuisine: parsedData.cuisine || "全部",
  budget_max: parsedData.budget_max || 500,
  location: parsedData.location || "板橋區",
  notes: parsedData.notes || ""
};

Step 4：串接回昨天的 FastAPI 節點

將 Parse AI JSON 節點後方直接連線至昨天的 HTTP Request (Call FastAPI) 節點：

URL 保持：http://host.docker.internal:8000/api/v1/recommend/

Request Body 欄位直接繼承上一步解析出來的參數：

user_id：{{ $json.user_id }}

cuisine：{{ $json.cuisine }}

budget_max：{{ $json.budget_max }}

location：{{ $json.location }}

notes：{{ $json.notes }}

四、全鏈路執行與端到端驗收

點擊 n8n 畫布下方的 Test workflow 按鈕執行完整流程：
1.Dify 辨識：Dify 與 Gemini 成功接收到使用者的口語句子，並輸出：

{
  "cuisine": "甜點/下午茶",
  "budget_max": 300,
  "location": "板橋",
  "notes": "蛋糕、安靜"
}

2.Code 節點解析：成功轉化為乾淨的 JSON 欄位。

3.FastAPI 計算：FastAPI 後端接收到精確參數，自動過濾出符合條件的餐廳（恬淡日常法式甜點）。

4.輸出結果：最終成功產生格式化推薦小卡！
今日結語與明日預告
今天我們正式將 LLM 自然語言理解力 與 工程化的微服務系統 成功融合！現在你的系統已經不再需要依賴僵硬的表單或指令，而是能真正「聽懂」使用者的日常需求並觸發相對應的後端運算。

目前整體系統架構：
口語輸入 ➜ n8n ➜ Dify (Gemini 大腦抽取) ➜ FastAPI (資料庫與商業篩選) ➜ n8n 格式化輸出

明天 Day 08，我們將邁向使用者觸達的重要里程碑：建立 LINE Messaging API 開發者帳號與 Channel 設定，把我們的 AI Agent 帶到最親民的手機聊天室！ 敬請期待！