Platform For AI:Référence des nœuds de workflow

Start

Le nœud Start marque le début de l'exécution et déclare les paramètres d'entrée du application flow.

• Pour les flux conversationnels, le système fournit deux champs par défaut : l'historique des conversations et l'entrée utilisateur. Ajoutez des variables personnalisées selon vos besoins. Pour accepter les fichiers téléchargés par l'utilisateur, définissez une variable d'entrée avec le type de fichier. Pour plus de détails, consultez Entrée et sortie de type fichier.

  

• Lorsque vous exécutez le application flow, configurez les paramètres d'entrée pour la session en cours dans le panneau de conversation.

  

Conditional branch

Ce nœud implémente la logique if-else pour le contrôle du flux. Il évalue les conditions et dirige l'exécution vers la première branch correspondante. Si aucune condition n'est true, la else branch s'exécute. Associez ce nœud au nœud Variable aggregate pour fusionner les résultats provenant de différentes branches.

• Configuration

  

• Input

  Lorsque vous configurez les conditions de branche, tenez compte des points suivants :

  • Chaque branche représente un chemin d'exécution. La dernière branche est la else branch, qui s'exécute lorsqu'aucune autre condition ne correspond et qui ne peut pas être modifiée.

  • Chaque branche peut contenir plusieurs conditions, combinables à l'aide de la logique ET/OU.

  • Vérifiez les sorties des nœuds en amont, les opérateurs (tels que =, ≠, is empty et does not include), ainsi que les valeurs, afin de garantir des conditions précises et valides.

• Output

  Ce nœud ne produit aucune sortie.

• Exemple d'utilisation

  Lorsque vous connectez le nœud Conditional branch à des nœuds en aval, chaque branche dispose d'un port de connexion correspondant. Si une condition de branche est remplie, le système exécute les nœuds en aval de cette branche et ignore les autres branches. Utilisez un nœud Variable aggregate pour collecter les résultats d'exécution de la branche active.

  

Variable aggregate

Ce nœud fusionne les résultats de sortie de différentes branches en variables unifiées. Lorsqu'un nœud Conditional branch ou Intent recognition s'exécute, une seule branche est activée. Ce nœud permet aux nœuds en aval de référencer une seule variable agrégée, quelle que soit la branche exécutée, évitant ainsi une logique redondante.

• Configuration

  

• Input

  Lorsque vous configurez les groupes de variables, tenez compte des points suivants :

  • Les nœuds en amont sont généralement plusieurs branches d'exécution générées par un nœud Conditional branch ou Intent recognition.

  • Les variables au sein d'un même groupe doivent être du même type. La première valeur non vide devient la sortie pour ce groupe.

  • Étant donné qu'une seule branche en amont s'exécute, chaque groupe aura au maximum une valeur non vide. Le nœud Variable aggregate extrait cette valeur pour une utilisation par les nœuds en aval.

  • Si chaque branche possède plusieurs sorties à collecter, vous pouvez ajouter plusieurs groupes pour extraire chaque valeur de sortie correspondante.

• Output

  Les variables de sortie du nœud dépendent des groupes configurés. S'il existe plusieurs groupes, le nœud génère une paire clé-valeur pour chaque groupe, où la clé est le nom du groupe et la valeur est la première variable non vide de ce groupe.

• Exemple d'utilisation

  Consultez le cas d'utilisation du nœud Conditional branch.

Loop

Le nœud Loop exécute des tâches répétitives où chaque itération dépend du résultat précédent. La boucle se poursuit jusqu'à ce qu'une exit condition soit remplie ou que le maximum iteration count soit atteint. À l'intérieur du nœud Loop, configurez un sous-flux que le système exécute de manière répétée en fonction de la loop variable.

• Configuration

  

• Input

  • Variables de boucle : transfèrent les données entre les itérations. Leurs valeurs finales restent disponibles pour les nœuds en aval une fois la boucle terminée. Configurez plusieurs variables de boucle dont les valeurs peuvent être saisies manuellement ou sélectionnées parmi les sorties des nœuds en amont.

  • Condition de sortie de boucle : vous pouvez configurer une condition de sortie basée sur les variables de boucle. La boucle se termine lorsqu'une variable de boucle spécifiée remplit la condition prédéfinie.

  • Nombre maximal d'itérations : limite le nombre maximal d'exécutions de la boucle pour éviter les boucles infinies.

• Output

  La sortie du nœud correspond à la valeur des variables de boucle après la dernière itération. Les variables de boucle ne peuvent être mises à jour que par un nœud Variable Assigner. Sans ce nœud, la sortie de la boucle restera identique à son entrée initiale, quel que soit le nombre d'itérations.

• Nœuds associés

  Les nœuds liés à la boucle ne peuvent être utilisés qu'à l'intérieur d'une boucle. Ajoutez les nœuds associés suivants en cliquant sur l'icône + à droite d'un nœud dans la boucle :

  • Break Loop

    Quitte immédiatement la boucle. Ce nœud est généralement précédé d'un nœud Conditional branch.

  • Variable Assigner

    Attribue la sortie des nœuds au sein de la boucle aux variables de boucle, faisant ainsi avancer l'état de la boucle.

  

Direct output

Le nœud Direct output configure le contenu de réponse directe à l'aide d'un modèle de sortie. Il prend en charge le référencement des sorties des nœuds en amont avec la syntaxe {{node.variable}} et la diffusion en continu (streaming).

Exemple : ajoutez un nœud Direct output avant un nœud LLM pour envoyer un message initial à l'utilisateur, tel que « Thinking... », pendant le traitement de la tâche principale.

Batch processing

Le nœud Batch processing traite les données de liste en parallèle. Il applique le même sous-flux à chaque élément de la liste, ce qui améliore considérablement l'efficacité. Pour les tâches itératives où chaque étape dépend de la précédente, utilisez plutôt le nœud Loop.

{
  "result": [
    "This document is the user manual for product XX, which includes product feature introductions, installation steps...",
    "This is a software service procurement contract with a term of 12 months...",
    null,
    "Value-added tax ordinary invoice, dated January 15, 2026..."
  ]
}

End

Le nœud End marque la fin d'un application flow et définit ses paramètres de sortie. Un application flow ne peut comporter qu'un seul nœud End.

• Configuration des paramètres de sortie

  La sortie du application flow peut référencer les sorties de n'importe quel nœud en amont. Par exemple, dans l'échantillon ci-dessous, la sortie 'answer' du application flow utilise la sortie du nœud LLM, tandis que 'search_results' utilise la sortie du nœud de recherche.

  

  Remarque

  • Un flux conversationnel possède un champ de sortie 'Chat' par défaut, qui sert de sortie conversationnelle du application flow.

  • Un application flow doit inclure des nœuds Start et End. Seuls les nœuds connectés entre eux sont exécutés ; les nœuds isolés sont ignorés.

LLM

Le nœud LLM est un composant central d'un application flow qui appelle un large language model pour des tâches de langage naturel telles que la génération de texte, la réponse aux questions et le traitement d'entrées complexes. Il offre des options de configuration pour ajuster les paramètres du modèle, gérer l'historique des conversations et personnaliser les invites.

• Cas d'utilisation

  • Génération de texte : générez du contenu textuel basé sur des sujets et des mots-clés.

  • Classification de contenu : classez automatiquement les types d'e-mails (par exemple, demande, plainte ou spam).

  • Traduction de texte : traduisez du texte dans une langue spécifiée.

  • RAG : répondez aux questions des utilisateurs en combinant les connaissances récupérées avec le raisonnement du modèle.

• Configuration

  

• Input

  • Paramètres du modèle : prend en charge les modèles déployés depuis ModelGallery, les services de modèles déployés personnalisés et les modèles de fournisseurs tels que Dashscope et DeepSeek. Pour des performances optimales, choisissez un modèle hautement performant. Configurez les paramètres de modèle suivants :

    • Temperature : une valeur généralement comprise entre 0 et 1 qui contrôle l'aléatoire de la sortie. Les valeurs proches de 0 produisent des sorties plus déterministes, tandis que les valeurs proches de 1 produisent des résultats plus diversifiés.

    • Top P : seuil d'échantillonnage par noyau. Le modèle échantillonne à partir du plus petit ensemble de jetons dont la probabilité cumulative dépasse le seuil P, influençant la diversité de la sortie.

    • Top K : limite les jetons candidats aux K jetons les plus probables. Cela réduit l'aléatoire et rend la sortie plus ciblée, contraignant la créativité plus directement que Top P.

    • Presence penalty : réduit la répétition des mêmes entités ou informations. Pénalise les jetons déjà présents dans le texte généré. Des valeurs plus élevées réduisent la répétition de manière plus agressive.

    • Frequency penalty : pénalise les jetons en fonction de leur fréquence dans le texte généré, réduisant les mots ou phrases trop fréquents. Des valeurs plus élevées encouragent une plus grande diversité lexicale.

    • Max tokens : longueur maximale de sortie (en jetons) par exécution. Des valeurs plus faibles peuvent tronquer la sortie, tandis que des valeurs plus élevées permettent des réponses plus longues.

    • Seed : lorsqu'il est spécifié, le modèle tente un échantillonnage déterministe. Les demandes répétées avec le même seed et les mêmes paramètres devraient produire le même résultat, mais le déterminisme complet n'est pas garanti. Reportez-vous au paramètre de réponse system_fingerprint pour surveiller les changements.

    • Stop sequences : jusqu'à quatre séquences qui indiquent au modèle d'arrêter la génération de sortie supplémentaire. Lorsque le modèle rencontre l'une de ces séquences, il arrête la génération de jetons. Le texte renvoyé n'inclut pas la séquence d'arrêt.

  • Historique des conversations : si activé, l'historique de chat du application flow est automatiquement inséré dans l'invite.

  • Variables d'entrée : les variables peuvent référencer les sorties de tous les nœuds précédents.

  • Prompt : une invite contient le contenu personnalisé pour le System (SYSTEM), l'User (USER) ou l'Assistant (ASSISTANT). L'invite est un modèle Jinja2 où vous pouvez référencer les variables d'entrée en utilisant des doubles accolades {{}}.

• Output

  Le nœud utilise par défaut une sortie String, mais prend en charge JSON. Le type JSON prend en charge les variables de sortie personnalisées, et le modèle génère la sortie en fonction des noms de variables.

• Cas d'utilisation

  • Créer un application flow de questions-réponses pour la finance et la santé avec DeepSeek+RAG basé sur LangStudio

  • LangStudio & DeepSeek : solution de chatbot RAG et recherche Web

Intent recognition

Le nœud Intent recognition est principalement destiné au contrôle du flux. Il utilise un large language model pour analyser l'intention de l'utilisateur et dirige l'exécution vers la branche correspondante en fonction du résultat. Il prend en charge la configuration multi-intentions et l'historique des conversations.

• Configuration

  

• Input

  • Entrée utilisateur : sélectionnez l'entrée utilisateur à utiliser pour la reconnaissance d'intention.

  • Configuration multi-intentions : configurez les intentions selon vos besoins, en veillant à ce que la description de chaque intention soit claire et qu'il n'y ait aucun chevauchement sémantique entre les différentes intentions. La dernière intention est par défaut « Other », qui est associée lorsqu'aucune autre intention ne s'applique et ne peut pas être modifiée.

  • Paramètres du modèle : configurez le large language model pour la reconnaissance d'intention. Pour de meilleures performances, choisissez un modèle plus performant, tel que qwen-max.

  • Historique des conversations : lorsqu'il est activé, le large language model insère automatiquement l'historique de chat du application flow dans l'invite lors du raisonnement.

  • Invite supplémentaire : ce contenu est ajouté à l'invite système pour aider le modèle à effectuer la reconnaissance d'intention avec plus de précision.

• Output

  Ce nœud ne produit aucune sortie.

• Exemple d'utilisation

  Lors de la connexion du nœud Intent recognition à des nœuds en aval, chaque branche d'intention dispose d'un port de connexion correspondant sur le nœud. Lorsqu'une intention est reconnue, les nœuds en aval connectés à cette branche sont exécutés, tandis que les nœuds des autres branches sont ignorés. Vous pouvez ensuite utiliser un nœud Variable aggregate pour collecter les résultats d'exécution de chaque branche.

  

Agent

Le nœud Agent permet à un large language model (LLM) de planifier, de sélectionner des outils et d'agir de manière autonome. Il prend en charge les stratégies de raisonnement et les capacités d'utilisation d'outils. En intégrant des stratégies telles que FunctionCalling et ReAct, il permet au LLM d'appeler de manière autonome des outils conformes au Model Context Protocol (MCP) au moment de l'exécution pour réaliser un raisonnement en plusieurs étapes.

Document parsing

Prend en charge l'utilisation de l'analyseur de documents intelligent intégré au système et des services d'analyse de documents de la plateforme ouverte AI Search.

• Analyseur intégré : extrait le contenu structuré et les métadonnées des documents, prenant en charge divers formats de documents courants, y compris PDF, DOCX, PPTX, TXT, HTML, CSV, XLSX, XLS, JSONL et MD.

• Plateforme ouverte AI Search : réalise une analyse structurée de documents de haute précision, prenant en charge l'extraction d'informations de hiérarchie logique telles que les titres et les paragraphes, ainsi que du contenu tel que le texte, les tableaux et les images. Cela améliore l'efficacité et la précision de l'extraction de documents. Vous devez d'abord configurer une connexion de service de modèle de plateforme ouverte AI Search. Les formats de fichiers pris en charge incluent PDF, DOCX, PPTX, TXT et HTML.

Cet outil prend en charge les scénarios RAG, de résumé et de questions-réponses. L'interface de configuration est la suivante :

• Fichier documentaire : le fichier documentaire à analyser. Sélectionnez un champ de type fichier d'un nœud en amont.

• Paramètres du modèle : (facultatif) sélectionnez une connexion de service de modèle de plateforme ouverte AI Search créée sur LangStudio. Si elle n'est pas configurée, le système utilise par défaut la méthode d'analyse de base intégrée.

• Sortie :

  • file_id : l'identifiant unique du fichier d'entrée.

  • content : le contenu textuel structuré analysé, incluant des informations hiérarchiques telles que les titres et les paragraphes.

  • status : le statut de l'analyse, qui peut être SUCCESS ou FAIL.

  • metadata : les métadonnées du document et les détails de l'analyse.

    • file_name : le nom du fichier.

    • file_type : le type du fichier.

    • source_uri : l'URI d'origine du fichier.

    • download_url : l'URL téléchargeable du fichier.

    • analysis_method : la méthode d'analyse utilisée. « opensearch » indique une analyse structurée utilisant la plateforme ouverte AI Search, tandis que « builtin » indique l'utilisation de la méthode d'analyse de base intégrée.

Exemple d'utilisation en aval : dans les nœuds en aval, référencez les champs de résultat du nœud d'analyse de documents selon vos besoins. Pour utiliser les résultats de l'analyse de documents dans un nœud LLM, vous pouvez inclure le contenu analysé dans l'invite utilisateur comme indiqué ci-dessous :

Speech recognition

Utilisez le nœud Speech recognition pour convertir des fichiers audio ou vidéo en texte. Il prend en charge plusieurs formats audio et la reconnaissance linguistique.

Développement Python (Python)

Les flux d'application prennent en charge des nœuds avec du code Python personnalisé pour le traitement complexe des données. Ces nœuds gèrent les entrées et sorties en streaming. La page de configuration se présente comme suit :

Il vous suffit de saisir le code Python. Les entrées et sorties sont analysées automatiquement à partir du code. Veuillez noter les points suivants :

• La fonction d'entrée doit être décorée avec @tool pour être chargée en tant que nœud.

  Remarque

  Pour activer l'entrée en streaming pour un nœud Python, vous devez configurer @tool(properties={"streaming_pass_through": True}). Sinon, les entrées du nœud Python, par exemple celles provenant d'un LLM, seront constituées du texte de sortie complet au lieu d'un flux.

• La fonction prend en charge les types d'entrée/sortie suivants : int, float, bool, str, dict, TypedDict, dataclass (sortie uniquement), list et File.

• Les paramètres de la fonction d'entrée sont analysés dynamiquement en tant qu'entrées du nœud. La sortie est placée dans un dictionnaire output et peut être référencée par d'autres nœuds.

  Important

  L'analyse automatique des paramètres d'entrée et de sortie d'un nœud Python dépend de l'environnement d'exécution. Si l'environnement d'exécution n'est pas lancé, vous ne pouvez pas configurer les informations d'entrée et de sortie du nœud.

• Si votre code Python nécessite des dépendances, sélectionnez Install Dependencies dans le coin supérieur droit du canevas et saisissez les packages requis. Le fichier requirements.txt est enregistré avec le flux d'application. Les dépendances sont installées lorsque vous lancez l'environnement d'exécution ou déployez le service.

  

  

Cas d'utilisation 1 : Saisissez le code suivant dans la zone de code. Le code est mappé aux entrées et sorties du nœud :

from langstudio.core import tool
from dataclasses import dataclass

@dataclass
class Result:
    output1: str
    output2: int

@tool
def invoke(foo: str, bar: int) -> Result:    
    return Result(
        output1="hello" + foo,
        output2=bar + 10
    )

Cas d'utilisation 2 : Entrée et sortie en streaming. Utilisez un nœud Python pour tronquer un flux de texte provenant d'un nœud LLM ou agent qui inclut des processus de réflexion. En ignorant le contenu situé dans la section <think>\n\n</think>, vous obtenez un flux de texte final correspondant au résultat. Voici un exemple :

import re
from typing import Iterator
from langstudio.core import tool

@tool(properties={"streaming_pass_through": True})
def strip_think(
    stream: Iterator[str],
) -> Iterator[str]:  # The input is a streaming string iterator, and the output is a filtered streaming string iterator.
    # Match the <think>\n...\n</think> structure and capture the text after the closing tag.
    pattern = re.compile(r"<think>\n[\s\S]*\n</think>(.*)")
    in_thinking = True  # Flag to indicate if the current position is inside a <think> block.
    think_buf = ""      # Buffer to store unprocessed content.

    for chunk in stream:
        if in_thinking:
            think_buf += chunk
            m = pattern.search(think_buf)  # Check if the buffer contains a complete thought block.
            if m:
                in_thinking = False
                result_part = m.groups()[0]
                if result_part:
                    yield result_part  # If the result text exists, yield it immediately.
        else:
            yield chunk  # After exiting the thought block, directly yield all subsequent chunks.

Transformation de modèle

L'outil de transformation de modèle utilise la syntaxe de modèle Jinja2 pour permettre un formatage flexible du texte et une transformation des données.

Dear {{ customer_name }}:

Your order {{ order_id }} has been confirmed. The details are as follows:

{% for product in products %}
- {{ product.name }}: ¥{{ product.price }}
{% endfor %}

Total: ¥{{ total }}

Thank you for your purchase!

Dear John Doe:

Your order ORD-2025-001 has been confirmed. The details are as follows:

- Laptop: ¥8999
- Wireless Mouse: ¥199

Total: ¥9198

Thank you for your purchase!

{% for chunk in chunks %}
### Relevance: {{ "%.2f" % chunk.score }}
#### {{ chunk.title }}
{{ chunk.content }}
---
{% endfor %}

### Relevance: 0.95
#### Product Introduction
This is a detailed introduction to the product...
---

Opérations sur les listes

L'outil Opérations sur les listes vous permet d'effectuer un filtrage et un tri flexibles sur divers types de données de liste pour un traitement et une sélection granulaires des données.

Operation 1 - Filter (by file category):
  Filter key: item.category
  Filter operator: equals
  Filter value: image

Operation 2 - Sort (by file name length):
  Sort key: item.file_name
  Sort direction: asc

Operation 3 - Filter (take top 3):
  Filter key: index
  Filter operator: less than
  Filter value: 3

[
  {"name": "Zhang San", "score": 95, "department": "Tech Dept"},
  {"name": "Li Si", "score": 72, "department": "Marketing Dept"},
  {"name": "Wang Wu", "score": 88, "department": "Tech Dept"},
  {"name": "Zhao Liu", "score": 91, "department": "Product Dept"},
  {"name": "Qian Qi", "score": 65, "department": "Marketing Dept"},
  {"name": "Sun Ba", "score": 98, "department": "Tech Dept"}
]

Operation 1 - Filter (high-scoring users):
  Filter key: item.score
  Filter operator: greater than or equal to
  Filter value: 80

Operation 2 - Sort (by score descending):
  Sort key: item.score
  Sort direction: desc

Operation 3 - Filter (take top 5):
  Filter key: index
  Filter operator: less than
  Filter value: 5

[
  {"name": "Sun Ba", "score": 98, "department": "Tech Dept"},
  {"name": "Zhang San", "score": 95, "department": "Tech Dept"},
  {"name": "Zhao Liu", "score": 91, "department": "Product Dept"},
  {"name": "Wang Wu", "score": 88, "department": "Tech Dept"}
]