Komponen Natural Language Dialogue menerima dan memproses pesan mobile originated (MO) secara berurutan untuk mengaktifkan percakapan multi-putaran. - Chat App Message Service

Komponen ini menerima dan memproses pesan mobile originated (MO) (input pengguna) secara berurutan selama interaksi dengan model bahasa besar (LLM), memastikan setiap input diteruskan ke LLM menggunakan konteks percakapan untuk menghasilkan respons yang koheren dan menjaga kelangsungan percakapan multi-putaran.

Informasi komponen

Ikon	Nama
	Natural Language Dialogue

Prasyarat

Untuk mengonfigurasi komponen ini, akses kanvas alur dengan menggunakan alur yang sudah ada atau membuat alur baru.

Buka kanvas alur yang sudah ada
Di Chat Flow > Flow Management > Flow Name
Buat alur baru untuk membuka kanvasnya. Untuk informasi lebih lanjut, lihat Create a flow.

Prosedur

Di kanvas, klik ikon komponen Natural Language Dialogue untuk membuka panel konfigurasinya di sebelah kanan.
Di kanvas chat flow, sebuah alur terdiri dari node Start, Natural Language Dialogue, dan End. Pilih node Natural Language Dialogue. Di panel konfigurasi, atur parameter model. Misalnya, atur Implementation Type ke Model dan Protocol ke OpenAI. Kemudian, masukkan baseUrl (misalnya, https://api.demo.com/v1), API key, dan Model Name. Di area teks Initial prompt, masukkan deskripsi peran sistem.
Konfigurasikan komponen sesuai kebutuhan. Untuk penjelasan detail mengenai parameter, lihat bagian Konfigurasi.
Setelah selesai mengonfigurasi, klik Save. Di kotak dialog yang muncul, klik Save.

Konfigurasi

1. Pengaturan model

Klik Implementation Type dan pilih antara Model atau Application. Parameter yang tersedia berbeda tergantung pilihan Anda.

Model

Parameter	Deskripsi
Protocol	Hanya OpenAI yang didukung ketika tipe implementasi adalah Model.
baseUrl	Titik akhir layanan model, seperti `https://api.openai.com/v1` atau URL kompatibel OpenAI lainnya.
apiKey	Kunci API untuk layanan model.
Model Name	Nama model yang akan digunakan, seperti `gpt-3.5-turbo` atau `qwen-plus`.
Initial Prompt	Menetapkan konteks untuk sesi model dan mengarahkan output. Contoh: "Anda adalah komedian yang cerdas. Gunakan bahasa humoris dalam respons Anda."
Model Input	Input untuk giliran percakapan saat ini. Referensikan variabel secara langsung atau sisipkan dalam teks, seperti `{{incomingMessage}}` atau `Mohon cari informasi tentang {{topic}}.`
Model Output Variable Name	Nama variabel untuk output model. Gunakan pada langkah berikutnya atau sebagai balasan.
Fallback Text	Output ketika layanan model tidak tersedia. Contoh: "Maaf, saya tidak dapat menjawab pertanyaan Anda saat ini."

Application

Parameter	Deskripsi
Protocol	Hanya Dashscope yang didukung ketika tipe implementasi adalah Application. Catatan Pelajari cara membangun aplikasi di Application development.
apiKey	Kunci API untuk layanan aplikasi. Catatan Obtain an API Key.
workspaceId	ID ruang kerja yang berisi aplikasi (agen atau alur kerja). Wajib untuk sub-ruang kerja; opsional untuk ruang kerja default. Catatan Workspace permission management.
appId	ID aplikasi.
Application Input	Input untuk giliran percakapan saat ini. Referensikan variabel secara langsung atau sisipkan dalam teks, seperti `{{incomingMessage}}` atau `Mohon cari informasi tentang {{topic}}.`
Custom Pass-through Parameters	Parameter kustom yang diteruskan ke aplikasi, seperti `{"city": "Hangzhou"}`.
Application Output Variable Name	Nama variabel untuk output aplikasi. Gunakan pada langkah berikutnya atau sebagai balasan.
Fallback Text	Output ketika layanan aplikasi tidak tersedia. Contoh: "Maaf, saya tidak dapat menjawab pertanyaan Anda saat ini."

2. Konfigurasi request header

Catatan

Konfigurasi request header tidak didukung ketika Implementation Type diatur ke Application.

Parameter

Deskripsi

request header

Pengaturan Header permintaan HTTP. Masukkan informasi berikut:

Key
Value

3. Pengaturan pesan

Konfigurasikan pengiriman pesan setelah LLM menghasilkan respons.

Parameter	Deskripsi
Channel	Saluran untuk mengirim pesan. Catatan Saat ini, hanya saluran WhatsApp yang didukung.
Enable WhatsApp typing indicator	Menampilkan indikator mengetik di percakapan saat ini untuk memberi tahu pengguna bahwa respons sedang dipersiapkan.
Action	Aksi pesan. Saat ini, hanya "reply" yang didukung, yang mengirim balasan ke pesan mobile originated (MO) pengguna.
Message Type	Jenis pesan yang akan dikirim. Saat ini, hanya balasan teks biasa yang didukung.
long message splitting	Memisahkan pesan panjang yang dihasilkan oleh LLM menjadi beberapa pesan pendek berdasarkan pembatas yang ditentukan. Do not split: Mengirim respons model apa adanya. Split by newline character: Memisahkan pesan menggunakan karakter baris baru (\n). Custom: Memisahkan pesan dengan menggunakan pembatas kustom yang Anda tentukan di kotak input.
Message sending interval	Opsi ini hanya tersedia ketika long message splitting diaktifkan. Opsi ini mengatur jeda antar pengiriman setiap bagian pesan yang telah dipisah. Fixed interval: Sistem mengirim pesan yang telah dipisah pada interval tetap yang Anda tentukan. Anda harus memasukkan waktu di kotak input interval. Smart interval: Sistem mensimulasikan cara mengetik manusia dengan menghitung interval pengiriman secara otomatis berdasarkan jumlah karakter setiap bagian pesan yang telah dipisah. Pesan yang lebih panjang memiliki jeda yang lebih lama.

4. Pengaturan timeout

Parameter	Deskripsi
Waiting Time	Periode timeout untuk menunggu pesan mobile originated (MO) dari pengguna. Jika waktu ini terlampaui, percakapan multi-putaran akan berakhir secara otomatis. Saat ini, sesi hanya dapat diakhiri melalui timeout; tidak dapat ditutup secara manual.

Natural Language Dialogue vs. Natural Language Generation

Kedua komponen menggunakan model bahasa besar (LLM) untuk menghasilkan konten cerdas secara otomatis dan merespons pesan pengguna. Namun, keduanya berbeda dalam mekanisme penanganan pesan dan kasus penggunaannya:

Komponen Natural Language Dialogue dirancang untuk percakapan multi-putaran. Ketika pengguna mengirim pesan MO, komponen ini mengirimkannya ke LLM untuk menghasilkan respons. Jika pengguna mengirim pesan tambahan saat model sedang memproses, pesan-pesan baru tersebut tidak dibuang, melainkan ditempatkan dalam antrian internal. Setelah model menyelesaikan respons saat ini, pesan dalam antrian diproses secara berurutan, sehingga menjaga kelangsungan dan integritas konteks percakapan.
Komponen Natural Language Generation ideal untuk tugas satu putaran yang tidak bergantung pada konteks. Komponen ini meneruskan variabel dari alur (seperti input pengguna atau parameter sistem) ke LLM untuk menghasilkan respons sekali jalan. Hasilnya kemudian dikembalikan ke alur bisnis untuk digunakan atau dikirimkan selanjutnya. Komponen ini hanya memproses pesan MO terbaru dan tidak mengantri pesan baru yang tiba selama pemrosesan.

Aspek	Natural Language Generation	Natural Language Dialogue
Peran komponen	Meneruskan variabel yang ditentukan dalam alur ke LLM untuk menghasilkan respons. Respons tersebut kemudian dikembalikan ke komponen untuk dikirim atau digunakan di node berikutnya.	Mengirim pesan MO pengguna ke LLM untuk menghasilkan respons. Mengantri pesan MO baru yang diterima selama menunggu respons. Setelah respons pertama dikirim, komponen mengirim pesan dalam antrian ke model untuk balasan berikutnya.
Lingkup pemrosesan input	Hanya memproses pesan MO terbaru yang diterima setelah model membalas.	Memproses pesan MO awal, lalu melanjutkan memproses semua pesan MO yang diantri selama respons pertama sedang dihasilkan.
Penanganan pesan MO baru selama pembuatan respons	Diabaikan (tidak diproses).	Diantri (ditahan untuk diproses dalam batch berikutnya).
Model interaksi	Generasi satu putaran dengan alur tetap dan dapat diprediksi.	Percakapan berkelanjutan yang dapat menangani pernyataan pengguna berturut-turut.
Karakteristik pengalaman pengguna	Lebih stabil dan terkendali. Interrupsi pengguna tidak memengaruhi siklus generasi saat ini.	Terasa lebih seperti percakapan manusia. Memastikan tidak ada input pengguna yang terlewat.
Kasus penggunaan khas	Menjelaskan, meringkas, menulis ulang, atau mengonversi informasi terstruktur ke dalam bahasa alami.	Tanya jawab berkelanjutan, menangani pertanyaan lanjutan, memproses informasi tambahan, dan percakapan multi-putaran lainnya.
Kasus penggunaan	Skenario berbasis proses yang memerlukan kontrol ketat dan langkah-langkah tetap, serta tidak menginginkan gangguan dari antrian multi-putaran: Menjelaskan status pesanan, tiket, atau logistik Mengonfirmasi informasi yang telah dirangkum Menghasilkan respons skrip pada node tetap dalam alur Menghasilkan teks berdasarkan variabel	Skenario yang banyak melibatkan dialog, di mana pengguna sering mengirim pesan secara cepat berturut-turut dan mengharapkan setiap pesan diproses: Pertanyaan pra-penjualan Panduan penggunaan Menangani pertanyaan lanjutan yang sering dan berturut-turut Skenario di mana pengguna cenderung mengirim beberapa pesan pendek sekaligus