Konfigurasikan komponen Natural Language Generation - Chat App Message Service

Konfigurasikan komponen Natural Language Generation untuk menggunakan LLM dalam percakapan multi-putaran, pengambilan pengetahuan, dan pembuatan konten.

Informasi komponen

Penting

Konten yang dihasilkan oleh LLM mungkin tidak akurat. Verifikasi seluruh output sebelum digunakan.

Ikon komponen	Nama komponen
	Natural Language Generation

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 Generation untuk membuka panel konfigurasinya.

Di area Model settings, atur implementation type ke Model dan protocol ke OpenAI. Masukkan baseUrl, apiKey, dan model name, lalu klik Save di bagian atas.
Konfigurasikan komponen sesuai kebutuhan. Setiap pengaturan dijelaskan di Parameters.

Setelah selesai mengonfigurasi, klik Save. Pada kotak dialog yang muncul, klik Save.

Parameter

1. Model settings

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

Model

Parameter	Deskripsi
Protocol	Hanya OpenAI yang didukung ketika implementation type adalah Model.
baseUrl	Titik akhir layanan model, seperti `https://api.openai.com/v1` atau URL apa pun yang kompatibel dengan OpenAI.
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 cerdas. Gunakan bahasa humoris dalam tanggapan Anda."
Model Input	Input untuk giliran percakapan saat ini. Rujuk variabel secara langsung atau sisipkan dalam teks, seperti `{{incomingMessage}}` atau `Please find information about {{topic}}.`
Model Output Variable Name	Nama variabel untuk output model. Gunakan dalam 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 implementation type 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. Rujuk variabel secara langsung atau sisipkan dalam teks, seperti `{{incomingMessage}}` atau `Please find information about {{topic}}.`
Custom Pass-through Parameters	Parameter kustom yang diteruskan ke aplikasi, seperti `{"city": "Hangzhou"}`.
Application Output Variable Name	Nama variabel untuk output aplikasi. Gunakan dalam langkah berikutnya atau sebagai balasan.
Fallback Text	Output ketika layanan aplikasi tidak tersedia. Contoh: "Maaf, saya tidak dapat menjawab pertanyaan Anda saat ini."

2. Request header

Catatan

Konfigurasi request header Implementation Type ketika Application diatur ke Application.

Parameter

Deskripsi

request header configuration

Header permintaan HTTP dengan bidang-bidang berikut:

key
value

3. Multi-message processing

Parameter

Deskripsi

processing method

Menentukan cara menangani pesan baru saat LLM sedang memproses pesan saat ini.

Ignore subsequent messages: Mengabaikan pesan baru yang diterima selama pemrosesan.
Interrupt current message: Menghentikan pemrosesan saat ini dan menangani pesan terbaru.