Topik ini menjelaskan detail konfigurasi komponen Natural Language Conversation. Komponen ini menerima dan memproses pesan dari perangkat seluler (input pengguna) yang berinteraksi dengan Large Language Model (LLM). Konfigurasikan komponen ini agar setiap input pengguna dikirimkan secara akurat ke LLM sesuai urutan penerimaannya. LLM kemudian menghasilkan respons yang koheren dan konsisten dengan memanfaatkan informasi kontekstual, sehingga menjamin kelangsungan dan kelengkapan percakapan multi-putaran.
Informasi Komponen
Ikon Komponen | Nama Komponen |
| Natural Language Conversation. |
Prasyarat
Buka halaman kanvas alur yang sudah ada atau buat alur baru.
Buka halaman kanvas alur yang sudah ada.
Di , klik Flow Name dari alur yang ingin Anda edit untuk membuka halaman orkestrasi alur.
Buat alur baru untuk membuka halaman kanvas. Untuk informasi selengkapnya, lihat Create a flow.
Prosedur
Klik ikon komponen Natural Language Conversation pada kanvas untuk melihat area konfigurasi komponen di sebelah kanan.
Konfigurasikan data komponen sesuai kebutuhan. Untuk petunjuk konfigurasi lengkap, lihat Deskripsi Item Konfigurasi.
Setelah konfigurasi selesai, klik Save. Pada kotak dialog yang muncul, klik Save.
Deskripsi Item Konfigurasi
1. Pengaturan Model
Anda dapat mengatur Implementation Type menjadi Model atau Application. Item konfigurasi untuk masing-masing tipe berbeda dan dijelaskan di bawah ini:
Implementation Type - Model
Item Konfigurasi | Deskripsi |
Protocol | Saat tipe implementasi adalah Model, hanya OpenAI yang saat ini didukung sebagai vendor. |
baseUrl | Titik akses jaringan untuk layanan model, seperti "https://api.openai.com/v1" atau titik akses lain yang kompatibel dengan OpenAI. |
apiKey | Kunci untuk layanan model. |
Model Name | Nama model yang akan digunakan, seperti "gpt-3.5-turbo" atau "qwen-plus". |
Initial Prompt | Prompt awal yang dimasukkan untuk sesi model. Prompt ini mengarahkan output-nya. Contohnya, "Anda adalah seorang komedian cerdas. Gunakan bahasa humoris dalam sesi tanya jawab berikutnya." |
Model Input | Input untuk percakapan model pada putaran saat ini. Anda dapat langsung mereferensikan atau menyematkan beberapa variabel dalam teks, seperti "{{incomingMessage}}" atau "Tolong bantu saya mencari informasi tentang {{topic}}." |
Model Output Variable Name | Nama variabel untuk output putaran saat ini dalam percakapan model. Gunakan kembali variabel ini dalam alur kerja berikutnya dan gunakan sebagai konten balasan pesan. |
Fallback Text | Saat layanan model tidak tersedia, konten ini digunakan sebagai output. Contohnya, "Maaf, saya sementara tidak dapat menjawab pertanyaan Anda." |
Implementation Type - Application
Item Konfigurasi | Deskripsi |
Protocol | Saat tipe implementasi adalah Application, hanya Dashscope yang saat ini didukung sebagai vendor. Catatan Untuk informasi lebih lanjut tentang aplikasi, lihat Application development. |
apiKey | Kunci untuk layanan aplikasi. Catatan Untuk informasi selengkapnya, lihat Get an API key. |
workspaceId | ID ruang kerja tempat agen, alur kerja, atau aplikasi orkestrasi agen berada. Sertakan ID ini saat memanggil aplikasi di sub-ruang kerja. Jangan sertakan ID ini saat memanggil aplikasi di ruang kerja default. Catatan Untuk informasi tentang ruang kerja, lihat Workspace Permission Management. |
appId | ID aplikasi. |
Application Input | Input untuk percakapan aplikasi pada putaran saat ini. Anda dapat langsung mereferensikan atau menyematkan beberapa variabel dalam teks, seperti "{{incomingMessage}}" atau "Tolong bantu saya mencari informasi tentang {{topic}}." |
Custom Pass-through Parameters | Meneruskan parameter kustom, seperti {"city": "Hangzhou"}. |
Application Output Variable Name | Nama variabel untuk output putaran saat ini dalam percakapan aplikasi. Gunakan kembali variabel ini dalam alur kerja berikutnya dan gunakan sebagai konten balasan pesan. |
Fallback Text | Saat layanan aplikasi tidak tersedia, konten ini digunakan sebagai output. Contohnya, "Maaf, saya sementara tidak dapat menjawab pertanyaan Anda." |
2. Konfigurasi Request Header
Saat Implementation Type dalam pengaturan model diatur ke Application, konfigurasi request header tidak didukung.
Item Konfigurasi | Deskripsi |
Konfigurasi Request Header | Atur header permintaan HTTP. Masukkan informasi berikut:
|
3. Pengaturan Pesan
Konfigurasikan pengiriman pesan setelah Large Language Model menghasilkan respons.
Item Konfigurasi | Deskripsi |
Channel | Saluran untuk mengirim pesan. Catatan Hanya saluran WhatsApp yang saat ini didukung. |
Aktifkan Status Input WhatsApp | Tampilkan status mengetik dalam sesi saat ini untuk menunjukkan bahwa respons sedang dipersiapkan untuk pengguna. |
Action | Aksi pesan. Saat ini, hanya reply yang didukung, artinya membalas pesan yang berasal dari perangkat seluler pengguna. |
Message Type | Jenis pesan yang akan dikirim. Saat ini, hanya balasan teks biasa yang didukung. |
4. Pengaturan Timeout
Item Konfigurasi | Deskripsi |
Waiting Time | Periode timeout untuk menunggu pesan yang berasal dari perangkat seluler dari pengguna. Setelah waktu yang ditentukan habis, percakapan multi-putaran saat ini akan berakhir secara otomatis. Saat ini, hanya pengaturan timeout yang dapat mengakhiri sesi; Anda tidak dapat menutupnya secara aktif. |
Perbedaan Antara Komponen Natural Language Conversation dan Natural Language Generation
Keduanya merupakan komponen AI yang menggunakan Large Language Model (LLM) untuk pembuatan konten dan respons cerdas. Keduanya bertujuan mengotomatiskan pemrosesan pesan dari perangkat seluler pengguna serta memberikan respons cerdas. Namun, terdapat perbedaan utama dalam mekanisme pemrosesan pesan dan skenario penerapannya:
Komponen Natural Language Conversation dirancang untuk percakapan berkelanjutan multi-putaran. Saat pengguna mengirim pesan dari perangkat seluler, komponen ini mengirimkannya ke LLM untuk menghasilkan respons. Jika pengguna mengirim pesan baru selama model sedang memproses, pesan-pesan tersebut disimpan sementara dalam antrian internal dan tidak dibuang. Setelah model menyelesaikan respons putaran saat ini, pesan-pesan berikutnya dalam antrian dikirimkan ke model secara berurutan, sehingga menjamin kelangsungan dan kelengkapan konteks percakapan.
Komponen Natural Language Generation cocok untuk skenario pembuatan konten satu putaran yang tidak bergantung pada konteks. Komponen ini meneruskan variabel yang dikonfigurasi dalam alur (seperti input pengguna, parameter sistem) sebagai input ke LLM. Model menghasilkan respons sekali saja, dan hasilnya dikembalikan ke alur bisnis untuk digunakan atau dikirimkan lebih lanjut. Komponen ini hanya memproses pesan terbaru dari perangkat seluler dan tidak mengantri atau menunda pemrosesan pesan baru yang diterima di tengah proses.
Item |
|
|
Fungsi Komponen | Meneruskan variabel yang ditetapkan pelanggan dalam alur ke LLM. Setelah menghasilkan respons, LLM mengembalikannya ke komponen untuk dikirimkan atau digunakan oleh node berikutnya. |
|
Cakupan Pemrosesan Pesan dari Perangkat Seluler | Hanya memproses pesan terbaru dari perangkat seluler setelah model merespons. | Memproses pesan pertama dari perangkat seluler dan melanjutkan pemrosesan semua pesan yang masuk ke antrian selama periode respons setelah putaran pertama selesai. |
Pesan Baru dari Perangkat Seluler Selama Respons | Diabaikan (tidak diproses lebih lanjut) | Diantri (masuk ke antrian, menunggu pemrosesan batch berikutnya) |
Bentuk Interaksi | Generasi tunggal, ritme alur tetap | Percakapan berkelanjutan, menangani input pengguna berturut-turut |
Karakteristik Pengalaman | Lebih stabil, lebih terkendali; Interrupsi pengguna tidak memengaruhi generasi saat ini. | Lebih mirip percakapan manusia; Meminimalkan kehilangan input pengguna. |
Kasus Penggunaan Khas | Penjelasan, ringkasan, penulisan ulang, konversi informasi terstruktur ke bahasa alami. | Tanya jawab berkelanjutan, pertanyaan lanjutan, pemrosesan informasi tambahan, percakapan multi-putaran. |
Skenario | Skenario berbasis alur dengan kontrol alur kuat, langkah-langkah tetap, dan tidak menginginkan "interrupsi-antrian" multi-putaran:
| Skenario berbasis percakapan di mana pengguna sering berbicara secara berkelanjutan dan memerlukan setiap pesan diproses:
|
Natural Language Generation
Natural Language Conversation