Alibaba Cloud Model Studio：Aplikasi alur kerja

Start/End

• Kapan digunakan

  • Saat merancang alur kerja, Anda harus menentukan struktur dan konten parameter input dan output di node Start dan End.

• Cara menggunakan

  • Node Mulai

    Komponen	Deskripsi
    Nama variabel	Nama parameter input. Node selanjutnya dapat memanggil variabel berdasarkan namanya.
    Tipe	Tipe data parameter input. Saat ini, hanya String, Boolean, dan Number yang didukung. Untuk meneruskan Array atau Objek, Anda harus menguraikannya sendiri sebelum memasuki alur kerja.
    Deskripsi	Deskripsi parameter input, digunakan untuk menjelaskan tujuan parameter tersebut.

    Catatan

    Selain variabel kustom, aplikasi memiliki beberapa variabel utilitas bawaan:

    • query

      Variabel kueri pengguna. Digunakan untuk menerima variabel prompt dari pemanggilan API atau teks yang dikirim pengguna di jendela uji.

    • historyList (hanya tersedia di alur kerja percakapan)

      Daftar riwayat percakapan. Aplikasi menggunakannya untuk secara otomatis mempertahankan catatan riwayat percakapan dan memberikan pengalaman percakapan multi-putaran.

    • imageList (hanya tersedia di alur kerja percakapan)

      Daftar gambar. Menyimpan gambar yang diunggah pengguna di jendela uji. Saat ini, hanya satu gambar yang dapat disimpan.

  • Node Akhir

    Komponen	Deskripsi
    Mode output	Format parameter output. Output Teks dan Output JSON didukung.
    Kotak Teks (dalam mode output teks)	Anda dapat mengatur format paragraf konten output. Bidang ini mendukung input teks dan referensi variabel, cocok untuk konten tak terstruktur.
    Nama variabel/Nilai variabel (hanya berlaku dalam mode JSON)	Anda harus mengatur konten output dalam format JSON. Anda dapat menyesuaikan nama variabel. Bidang ini mendukung input teks dan referensi variabel, cocok untuk konten terstruktur.
    Hasil kembali	Parameter ini hanya berlaku saat aplikasi dipanggil menggunakan API. Parameter ini menentukan apakah akan mengeluarkan konten node. Untuk informasi lebih lanjut tentang tujuan komponen ini, lihat Mengontrol konten node menggunakan Hasil Kembali.

Basis Pengetahuan

• Mengapa menggunakannya

  Node ini membantu Anda mengekstrak konten yang paling relevan dari sumber informasi besar, seperti repositori dokumen, FAQ, dan informasi produk. Hal ini mempersiapkan data untuk tanya jawab AI selanjutnya.

• Fungsi dan fitur serta penggunaan

  • Anda dapat mencari satu atau beberapa basis pengetahuan untuk mengambil segmen dokumen yang relevan. Hal ini memungkinkan AI mengakses lebih banyak konteks dan memberikan jawaban yang lebih profesional atau akurat. Node ini sering digunakan bersama node LLM.

  • Sangat berguna untuk membangun alur kerja percakapan dan sistem layanan pelanggan cerdas.

• Konfigurasi parameter

  Nama parameter	Deskripsi parameter
  Input	content: Anda dapat langsung memasukkan teks atau mereferensikan variabel yang dihasilkan dari node sebelumnya.
  	imageList: Mendukung pencarian gambar. Anda dapat langsung memasukkan tautan gambar atau mereferensikan variabel yang dihasilkan dari node sebelumnya.
  Pilih basis pengetahuan	Tentukan basis pengetahuan yang akan dicari. Pemilihan ganda didukung.
  Output	Beri nama variabel hasil node ini, seperti kbResult.

• Struktur output contoh:

  {
    "rewriteQuery": "...",
    "chunkList": [
      {
        "score": 0.36,
        "documentName": "Nama Dokumen",
        "title": "Judul Dokumen",
        "content": "Segmen Konten Terkait",
        "imagesUrl": "URL Gambar"
      }
    ]
  }

  chunkList adalah bagian yang paling sering digunakan dari output. Bagian ini berisi segmen dokumen dan skor kemiripannya.

LLM

• Mengapa menggunakannya

  Ini adalah "otak cerdas" dari seluruh alur kerja. LLM dapat memahami bahasa, menghasilkan teks, menganalisis gambar, dan berpartisipasi dalam percakapan multi-putaran. Anda dapat menggunakannya untuk menulis salinan, meringkas teks, atau bahkan menganalisis konten gambar jika menggunakan model seri VL.

• Fungsi dan fitur

  • Mendukung pemrosesan satu input dalam satu waktu atau pemrosesan sejumlah besar data secara batch.

  • Anda dapat mengonfigurasi LLM yang berbeda, seperti Qwen-Plus. Pilih model yang sesuai berdasarkan kinerja, kecepatan, atau fitur lainnya.

• Konfigurasi parameter node

  Nama parameter	Deskripsi parameter
  Pemilihan mode	Mode pemrosesan tunggal: Mode ini melakukan pencarian cepat menggunakan rasio pencarian yang lebih rendah dan tidak menggunakan penulisan ulang kueri.
  	Mode pemrosesan batch: Dalam mode pemrosesan batch, node dijalankan beberapa kali. Setiap kali dijalankan, satu item dari daftar secara berurutan ditetapkan ke variabel pemrosesan batch. Proses ini berlanjut hingga semua item dalam daftar telah diproses atau jumlah maksimum pemrosesan batch yang ditentukan tercapai. Konfigurasi pemrosesan batch: Jumlah maksimum pemrosesan batch (rentang: 1–100, default untuk pengguna biasa: 100): Batas atas untuk eksekusi pemrosesan batch. Catatan Jumlah aktual pemrosesan batch adalah panjang minimum dari array yang dimasukkan pengguna. Jika tidak ada variabel input yang ditentukan, jumlah kali ditentukan oleh jumlah batch dalam konfigurasi. Jumlah eksekusi paralel (rentang: 1–10): Batas konkurensi untuk pemrosesan batch. Jika parameter ini diatur ke 1, semua tugas dieksekusi secara berurutan.
  Konfigurasi model	Pilih LLM yang sesuai dan sesuaikan parameter modelnya. Untuk informasi lebih lanjut tentang model yang didukung, lihat Model yang didukung. Saat memilih model VL: Parameter input model: vlImageUrl dapat mereferensikan parameter atau memasukkan tautan gambar. Sumber gambar: Anda dapat memilih Set Gambar atau Bingkai Video. Set Gambar: Model menganggap gambar yang diunggah sebagai independen dan mencocokkan gambar yang sesuai untuk pemahaman berdasarkan pertanyaan. Bingkai Video: Model menganggap gambar yang diunggah berasal dari video yang sama dan memahami gambar secara keseluruhan secara berurutan. Diperlukan minimal empat bingkai video.
  Konfigurasi parameter	Koefisien suhu: Digunakan untuk menyesuaikan keragaman konten yang dihasilkan. Nilai suhu yang lebih tinggi meningkatkan keacakan teks yang dihasilkan, menghasilkan output yang lebih unik. Nilai suhu yang lebih rendah membuat konten yang dihasilkan lebih konservatif dan konsisten. Model DeepSeek R1 tidak mendukung konfigurasi ini.
  	Panjang balasan maksimum: Membatasi panjang maksimum teks yang dihasilkan model, tidak termasuk prompt. Batas ini bervariasi berdasarkan jenis model, dan nilai maksimum spesifik dapat berbeda.
  Prompt Sistem	Anda dapat menggunakan parameter ini untuk menentukan peran, tugas, dan format output model. Misalnya: "Anda adalah ahli matematika yang berspesialisasi dalam menyelesaikan soal matematika. Keluarkan proses penyelesaian soal dan hasilnya dalam format yang ditentukan."
  Prompt Pengguna	Konfigurasikan templat prompt. Penyisipan variabel didukung. LLM memproses dan menghasilkan konten berdasarkan konfigurasi prompt.
  Output	Nama variabel untuk hasil pemrosesan node ini. Node selanjutnya menggunakan variabel ini untuk mengidentifikasi dan memproses hasilnya. Model DeepSeek R1 mendukung pengeluaran proses berpikir mendalam (reasoningContent).

  Catatan

  Untuk mengintegrasikan aplikasi ke bisnis Anda menggunakan API, lihat Pemanggilan aplikasi.

• Node LLM dalam alur kerja percakapan

  • Berbeda dengan node LLM dalam alur kerja berbasis tugas, node ini mendukung konfigurasi percakapan multi-putaran. Model dapat menggunakan informasi percakapan historis yang dipilih sebagai input.

    Konfigurasi percakapan multi-putaran: Aplikasi percakapan mengumpulkan variabel yang diperlukan dalam "Konteks" dari putaran percakapan sebelumnya dan meneruskannya sebagai parameter input ke LLM.

    

  • Konteks: Mendeklarasikan input konteks yang dibutuhkan LLM. ${System Variable.historyList} default mewakili input dan output aplikasi dari putaran percakapan sebelumnya. Parameter lain merujuk pada parameter aplikasi dari putaran percakapan sebelumnya.

    

• Contoh node model teks

  Pada antarmuka Test, masukkan insinyur chip di parameter query:

  

  Output node End:

  

• Contoh node model gambar

  LLM mendukung satu atau beberapa gambar sebagai input dalam format URL dan base64.

  Catatan

  Gambar tunggal dapat diteruskan secara langsung. Misalnya: https://****.com/****.jpg.

  Beberapa gambar dapat diteruskan sebagai daftar. Misalnya: ["URL","URL","URL"].

  Pada antarmuka Test, masukkan https://****.com/****.jpg di parameter query.

  

  Output node End:

  

API

• Definisi

  Anda dapat memanggil layanan API kustom menggunakan metode POST, GET, PUT, PATCH, dan DELETE serta mengeluarkan hasil pemanggilan API.

  Metode panggilan	Tujuan
  POST	Digunakan untuk mengirimkan data ke server guna membuat sumber daya baru.
  GET	Digunakan untuk mengambil representasi sumber daya tanpa memodifikasi data di server.
  PUT	Digunakan untuk memperbarui representasi sumber daya tertentu di server atau membuat sumber daya baru di server.
  PATCH	Digunakan untuk memperbarui sebagian sumber daya di server.
  DELETE	Digunakan untuk menghapus sumber daya tertentu dari server.

• Konfigurasi parameter

  Nama parameter	Deskripsi parameter
  Alamat API	Masukkan alamat API yang akan dipanggil. Anda dapat memilih POST, GET, PUT, PATCH, atau DELETE.
  Pengaturan Header	Atur parameter Header dengan menetapkan KEY dan VALUE.
  Pengaturan Param	Atur parameter Param dengan menetapkan KEY dan VALUE.
  Pengaturan Body	Anda dapat memilih none, form-data, raw, atau JSON.
  Output	Nama variabel untuk hasil pemrosesan node ini, digunakan oleh node selanjutnya untuk mengidentifikasi dan memproses hasil node ini.

  Catatan

  Untuk mengintegrasikan aplikasi ke bisnis Anda menggunakan API, lihat Pemanggilan aplikasi.

• Contoh node

  Gunakan metode POST untuk memanggil API.

  

Klasifikasi Intent

• Definisi

  Mengklasifikasikan dan mencocokkan input pengguna secara cerdas berdasarkan deskripsi intent dan memilih cabang untuk dieksekusi.

• Konfigurasi parameter

  Nama parameter	Deskripsi parameter
  Input	Variabel yang akan diproses oleh node ini, digunakan untuk mengidentifikasi konten yang akan diproses. Anda dapat mereferensikan variabel dari node leluhur atau node Start atau langsung memasukkan nilai variabel.
  Konfigurasi model	Pemilihan model: Qwen-Plus.
  Konfigurasi intent	Konfigurasikan intent yang berbeda dan masukkan deskripsi intent. Model mencocokkan tautan selanjutnya berdasarkan deskripsi intent, seperti "Untuk menghitung soal matematika" dan "Untuk tanya jawab tentang pengetahuan terkait cuaca".
  Intent lainnya	Jika tidak ada intent yang cocok, tautan ini akan dicocokkan.
  Mode intent	Mode pemilihan tunggal: LLM memilih intent yang paling sesuai dari konfigurasi intent yang ada sebagai output. Mode pemilihan ganda: LLM memilih semua intent yang cocok dari konfigurasi intent yang ada sebagai output.
  Mode berpikir	Mode cepat: Mode ini dapat menghindari pengeluaran proses inferensi yang kompleks, sehingga meningkatkan kecepatan pemrosesan. Cocok untuk skenario sederhana. Mode efek: Mode ini berpikir langkah demi langkah untuk mencocokkan klasifikasi yang sesuai dengan lebih akurat.
  Konfigurasi lanjutan	Konten konfigurasi lanjutan disediakan ke model sebagai prompt tambahan. Di sini, Anda dapat memasukkan lebih banyak kondisi atau memberikan lebih banyak contoh agar hasil klasifikasi model lebih sesuai dengan kebutuhan Anda. Contoh Anggaplah Anda sedang mengembangkan sistem layanan pelanggan untuk platform e-commerce, dan pengguna mungkin mengajukan berbagai pertanyaan tentang pertanyaan pesanan, pengembalian dan penukaran, serta pembayaran. Untuk memastikan model mengklasifikasikan secara akurat, Anda dapat menambahkan prompt dan contoh yang relevan dalam konfigurasi lanjutan. Harap klasifikasikan intent berdasarkan contoh berikut: Kasus 1: Pengguna memasukkan "Saya ingin mengembalikan mantel yang baru saja saya beli", diklasifikasikan sebagai "Pengembalian/Penukaran". Kasus 2: Pengguna memasukkan "Tolong bantu saya memeriksa status pengiriman pesanan saya", diklasifikasikan sebagai "Pertanyaan Pesanan". Kondisi: Hanya proses kueri yang terkait pesanan, dan abaikan masalah pembayaran dan teknis. Efek: Input pengguna: "Kapan buku yang saya pesan di situs web Anda minggu lalu dapat dikirim ke rumah saya?" Hasil klasifikasi: "Pertanyaan Pesanan" Dalam contoh ini, konfigurasi lanjutan membimbing model untuk mengklasifikasikan "menanyakan waktu pengiriman" sebagai intent "Pertanyaan Pesanan" dengan memberikan kasus klasifikasi spesifik, sekaligus membatasi cakupan klasifikasi dan mengecualikan pertanyaan lain yang tidak relevan.
  Konteks	Setelah kemampuan konteks diaktifkan, sistem secara otomatis mencatat informasi percakapan historis dalam format Pesan. Saat model dipanggil, konteks diteruskan, dan model menghasilkan konten berdasarkan konteks tersebut. Item konfigurasi ini hanya tersedia di node Klasifikasi Intent alur kerja percakapan. Catatan Jika Anda mengaktifkan konteks, tipe variabel yang Anda teruskan ke node ini harus berupa Daftar.
  Output	Nama variabel untuk hasil pemrosesan node ini, digunakan oleh node selanjutnya untuk mengidentifikasi dan memproses hasil node ini.

  Catatan

  • Node ini mendukung konteks dalam alur kerja percakapan.

  • Menjalankan node ini mengonsumsi token, dan jumlah konsumsi ditampilkan saat runtime.

Konversi Teks

• Definisi

  Node ini digunakan untuk konversi dan pemrosesan konten teks, seperti mengekstrak konten tertentu dan mengonversi format. Node ini mendukung mode templat.

• Konfigurasi parameter

  Nama parameter	Deskripsi parameter
  Mode output	Output Teks dan Output JSON didukung.
  Input	Gunakan LLM untuk menentukan metode pemrosesan guna mengonversi konten yang akan diproses ke format tertentu untuk node selanjutnya. Anda dapat mereferensikan hasil pemrosesan node leluhur melalui konfigurasi variabel. Text Output: Masukkan / untuk memasukkan variabel. JSON Output: Nama Variabel | Referensi/Input | Variabel.

• Contoh node

  Berikut adalah contoh sederhana node Konversi Teks. Logika alur kerja adalah sebagai berikut: Pertama, pengguna memasukkan kata kunci. Kemudian, kata kunci ini diteruskan ke node Konversi Teks, di mana diproses secara internal untuk menghasilkan balasan output yang sesuai. Akhirnya, balasan dikeluarkan melalui node End, menyelesaikan seluruh proses.

  Pada antarmuka Test, masukkan matematika di parameter query:

  

  Output node End:

  

Konversi Skrip

• Definisi

  Node ini memproses konten input menggunakan kode skrip dan mengonversinya ke templat atau format output tertentu. Proses ini mencakup penguraian, konversi, dan pemformatan data input untuk memastikan konsistensi dan keterbacaan.

• Contoh node

  Ini adalah contoh konversi skrip Python: Variabel kota dan tanggal diteruskan dari node leluhur dan disimpan dalam pasangan kunci-nilai params. Setelah konversi, objek JSON dikeluarkan, berisi result, result.key0, dan result.key1. Skema JSON dari nilai kembali kode harus konsisten dengan output yang ditentukan node.

  Catatan

  Apa itu Skema JSON?

  Skema JSON adalah spesifikasi struktur data. Skema ini memungkinkan node lain di platform memahami dengan jelas bidang (seperti result dan key1) dan tipe data yang akan dikeluarkan node ini. Hal ini memudahkan Anda mereferensikannya di node turunan.

  

• Konfigurasi parameter

  Nama parameter	Deskripsi parameter
  Input	Menentukan data input untuk node ini. Anda dapat memberikan input dengan dua cara: Nilai statis (Input): Langsung isi nilai tetap di panel input sebelah kiri, seperti Beijing. Variabel dinamis (Referensi): Referensikan output dari node leluhur. Misalnya, jika node sebelumnya bernama node_a dan outputnya memiliki bidang bernama city_name, Anda dapat memilih node_a.output.city_name untuk mereferensikannya.
  Output	Hasil yang dihasilkan oleh logika kode node ini. Kamus yang dikembalikan oleh pernyataan return dalam kode akan menjadi output node ini. Misalnya, jika {'result': 'Pemrosesan berhasil'} dikembalikan, node turunan dapat memperoleh string "Pemrosesan berhasil" menggunakan this_node_name.result.
  Kode	Tulis logika kode inti. Memperoleh input: Gunakan objek params bawaan untuk memperoleh parameter input. Mengembalikan output: Fungsi pemrosesan main harus return kamus/objek, yang pasangan kunci-nilainya akan membentuk output node.

Penilaian Kondisional

• Definisi

  Node ini menetapkan cabang kondisional. Saat variabel memenuhi suatu kondisi, alur berlanjut ke cabang selanjutnya yang sesuai. Node ini mendukung konfigurasi kondisi AND/OR. Beberapa kondisi dieksekusi secara berurutan dari atas ke bawah.

• Konfigurasi parameter

  Nama parameter	Deskripsi parameter
  Cabang kondisional	Masukkan pernyataan penilaian kondisional.
  Lainnya	Output yang tidak memerlukan penilaian kondisional dapat dikeluarkan dari sini.

• Contoh node

  Berikut adalah contoh sederhana node Penilaian Kondisional. Logika alur kerja adalah sebagai berikut: Pengguna pertama kali memasukkan dua parameter, yang kemudian diteruskan ke node Penilaian Kondisional. Node melakukan penilaian kondisional pada parameter dan kemudian menghasilkan balasan output melalui cabang berbeda dari node Konversi Teks. Akhirnya, node End mengeluarkan balasan yang dihasilkan.

  Pada antarmuka Test, masukkan 12345 di parameter scert dan admin di parameter admin:

  

  Output node End:

  

Function Compute

• Definisi

  Node ini mengotorisasi layanan Function Compute Alibaba Cloud dan memanggil layanan kustom di Function Compute.

• Konfigurasi parameter

  Nama parameter	Deskripsi parameter
  Input	Variabel yang akan diproses oleh node ini, digunakan untuk mengidentifikasi konten yang akan diproses. Anda dapat mereferensikan variabel dari node leluhur atau node Start atau langsung memasukkan nilai variabel.
  Wilayah	Pilih wilayah: Singapore, Kuala Lumpur, Jakarta.
  Konfigurasi layanan	Pilih konfigurasi layanan.
  Output	Nama variabel untuk hasil pemrosesan node ini, digunakan oleh node selanjutnya untuk mengidentifikasi dan memproses hasil node ini.

Plugin

• Definisi

  Anda dapat mengonfigurasi node plugin di aplikasi alur kerja Anda untuk memperluas kemampuannya dan melakukan tugas yang lebih kompleks. Alibaba Cloud Model Studio menyediakan serangkaian plugin resmi, seperti Quark Search, Calculator, dan Python Code Interpreter. Anda juga dapat membuat plugin kustom berdasarkan kebutuhan spesifik.

  Untuk informasi lebih lanjut, lihat Ikhtisar Plugin.

Terkait aplikasi alur kerja

Terkait node