All Products
Search

This Product

    Alibaba Cloud Model Studio:Aplikasi alur kerja

    Document Center

    Alibaba Cloud Model Studio:Aplikasi alur kerja

    Last Updated:Jun 12, 2026

    Alur kerja memecah tugas kompleks menjadi langkah-langkah terurut untuk mengurangi kompleksitas sistem. Di Alibaba Cloud Model Studio, alur kerja memungkinkan Anda menggabungkan node seperti model besar, API, dan Function Compute guna mengurangi biaya pengkodean.

    Penting

    Aplikasi

    Mengapa menggunakan aplikasi alur kerja

    Alur kerja memecah tugas kompleks menjadi rangkaian langkah untuk mengurangi kompleksitas sistem. Membuat aplikasi alur kerja di Model Studio memungkinkan Anda menentukan urutan eksekusi, menetapkan tanggung jawab, serta menentukan dependensi antarlangkah guna mengotomatiskan dan mengoptimalkan proses.

    Kasus penggunaan umum untuk aplikasi alur kerja meliputi:

    • Perencanaan perjalanan: Anda dapat menggunakan plug-in alur kerja untuk memilih parameter seperti destinasi, lalu secara otomatis menghasilkan rencana perjalanan yang mencakup penerbangan, akomodasi, dan rekomendasi atraksi.

    • Analisis laporan: Untuk set data kompleks, Anda dapat menggabungkan plug-in pemrosesan data, analisis, dan visualisasi untuk menghasilkan laporan analisis terstruktur dan diformat.

    • Dukungan pelanggan: Anda dapat menggunakan alur kerja otomatis untuk menangani pertanyaan pelanggan, termasuk klasifikasi masalah, guna meningkatkan kecepatan dan akurasi respons.

    • Pembuatan konten: Anda dapat menghasilkan konten seperti artikel dan naskah pemasaran. Berikan topik dan persyaratan, lalu sistem akan secara otomatis menghasilkan draf.

    • Pendidikan dan pelatihan: Anda dapat menggunakan alur kerja untuk merancang rencana pembelajaran personalisasi dengan pelacakan progres dan penilaian, memungkinkan siswa belajar mandiri sesuai kecepatan masing-masing.

    • Konsultasi medis: Berdasarkan gejala yang dimasukkan pasien, alur kerja dapat menggabungkan beberapa alat analisis untuk menghasilkan penilaian awal atau merekomendasikan tes relevan guna membantu dokter dalam diagnosis lebih lanjut.

    Contoh

    Contoh 1: Mendeteksi pesan scam

    Contoh ini menunjukkan cara membuat aplikasi alur kerja untuk menentukan apakah sebuah pesan teks merupakan potensi scam. Alur kerja ini menggunakan node start, node model besar, dan node end.

    1. Buka halaman App Management. Klik Create Application > Workflow Application, masukkan App Name, lalu klik Create Now.

    1. Tambahkan node model besar untuk mendeteksi pesan scam.

      Drag node LLM dari panel kiri ke canvas dan konfigurasikan parameter berikut di panel konfigurasinya. Biarkan parameter lain pada nilai default.

      1. Model Configuration: Pilih Qwen-Plus-latest.

      2. Prompts:

        Analisis pesan yang diberikan untuk menentukan apakah itu merupakan potensi scam. Berikan jawaban pasti.
 Persyaratan: Tinjau dengan cermat isi pesan, fokus pada kata kunci dan pola scam umum, seperti permintaan transfer mendesak, permintaan informasi pribadi, atau janji manfaat tidak realistis. 
Langkah:
1. Identifikasi elemen kunci dalam pesan, termasuk namun tidak terbatas pada identitas pengirim, permintaan yang diajukan, imbalan yang dijanjikan, dan rasa urgensi apa pun.
2. Bandingkan pesan tersebut dengan karakteristik scam yang diketahui untuk memeriksa kesamaan taktik atau pola bahasa.
3. Evaluasi kewajaran keseluruhan pesan, pertimbangkan apakah permintaan tersebut sesuai dengan prosedur standar dan akal sehat.
4. Jika pesan berisi tautan atau lampiran, jangan mengklik atau mengunduhnya untuk menghindari risiko keamanan potensial, dan beri peringatan kepada pengguna tentang bahaya konten tersebut.
Format Output: Nyatakan dengan jelas apakah pesan tersebut menunjukkan karakteristik scam dan jelaskan secara singkat alasan Anda. Jika dicurigai scam, berikan saran atau langkah pencegahan untuk melindungi pengguna.

      3. User Prompt:

        Tentukan apakah pesan "${sys.query}" merupakan potensi scam.

      Tutup panel dan hubungkan node Start ke node Large Model.

    p910525

    1. Hubungkan node model besar ke node end. Lalu, klik node end dan di editor panel konfigurasinya, masukkan / untuk menyisipkan variabel Large Model 1/result. Biarkan parameter lain pada nilai default.

    p910524

    Contoh konfigurasi:

    image

    1. Klik Test di pojok kanan atas. Masukkan Paket Anda sudah berada di stasiun pengambilan selama beberapa hari. Silakan ambil. dan klik image. Setelah alur kerja selesai berjalan, lihat output-nya.

    image

    1. Selanjutnya, masukkan Anda memiliki pesan yang mengatakan Anda memenangkan 1 juta. Silakan periksa. dan klik image. Setelah alur kerja berjalan, lihat output-nya.

    image

    Contoh 2: Asisten belanja cerdas

    Contoh ini menunjukkan cara membuat asisten belanja cerdas menggunakan alur kerja yang membantu pengguna memilih ponsel, TV, dan kulkas. Alur kerja ini menggunakan node start, node klasifikasi intent, node model besar, dan node end.

    1. Buka halaman App Management. Klik Create Application > Workflow Application, masukkan App Name, lalu klik Create Now.

    1. Drag node Intent Classification dari panel kiri ke canvas dan konfigurasikan parameter berikut di panel konfigurasinya. Biarkan parameter lain pada nilai default.

      • Input Variable: Pilih Built-in Variable > query.

      • Select Model: Pilih Qwen-Plus-latest.

      • Intent Classification: Klik Add Intent dan tambahkan tiga intent berikut:

        • Buy TV

        • Buy mobile phone

        • Buy refrigerator

      • Memory: Mengaktifkan model untuk mengingat konten obrolan sebelumnya selama percakapan. Aktifkan toggle image dan pilih Custom Cache.

        Current Node Cache: Model hanya mengingat konten obrolan dalam node saat ini.
        Custom Cache: Model mengingat percakapan di seluruh alur kerja.

      Tutup panel dan hubungkan node Start ke node Intent Classification.

    p910523

    1. Drag node LLM dari panel kiri ke canvas. Di panel konfigurasinya, konfigurasikan parameter berikut, biarkan yang lain pada nilai default. Lalu, tutup panel dan hubungkan output Buy refrigerator dari node Intent Classification ke node Large Model.

      • Model Configuration: Pilih Qwen-Plus-latest.

      • Prompts:

        Anda adalah asisten belanja cerdas yang bertanggung jawab merekomendasikan kulkas kepada pelanggan.
Anda harus secara proaktif menanyakan parameter kulkas kepada pengguna sesuai urutan dalam [Daftar Parameter Kulkas] di bawah ini. Tanyakan hanya satu parameter dalam satu waktu, dan jangan mengulangi pertanyaan untuk parameter yang sama.
Jika pengguna memberikan nilai untuk suatu parameter, lanjutkan menanyakan parameter yang tersisa.
Jika pengguna menanyakan definisi suatu parameter, berikan penjelasan berdasarkan pengetahuan profesional Anda, lalu lanjutkan menanyakan nilai parameter mana yang mereka pilih.
Jika pengguna menunjukkan bahwa mereka tidak ingin lagi melakukan pembelian, keluarkan: Terima kasih telah berkunjung. Kami tunggu kesempatan melayani Anda lain kali.
[Daftar Parameter Kulkas]
1. Skenario Penggunaan: [Rumah tangga, Komersial kecil, Komersial besar]
2. Kapasitas: [200L, 300L, 400L, 500L]
3. Rating Efisiensi Energi: [Level 1, Level 2, Level 3]
Setelah semua parameter dari [Daftar Parameter Kulkas] terkumpul, tanyakan: "Apakah Anda yakin ingin membeli?" sekaligus menampilkan parameter yang dipilih pelanggan, contohnya: Untuk komersial kecil|300L|Level 1. Tanyakan apakah mereka yakin dengan kulkas berparameter tersebut. Jika pelanggan memutuskan tidak jadi membeli, tanyakan parameter mana yang ingin mereka sesuaikan.
Jika pelanggan mengonfirmasi parameter tersebut sesuai kebutuhan, Anda harus mengeluarkan dalam format berikut:
[Skenario Penggunaan: Rumah tangga, Kapasitas: 300L, Rating Efisiensi Energi: Level 1]. Keluarkan hanya konten dalam format ini dan tidak ada informasi lain.

      • User Prompt:

        Pertanyaan pengguna: ${sys.query}

      • Memory: Mengaktifkan model untuk mengingat konten obrolan sebelumnya selama percakapan. Aktifkan toggle image dan pilih Custom Cache.

    p910522

    1. Drag node LLM dari panel kiri ke canvas. Di panel konfigurasinya, konfigurasikan parameter berikut, biarkan yang lain pada nilai default. Lalu, tutup panel dan hubungkan output Buy TV dari node Intent Classification ke node Large Model.

      • Model Configuration: Pilih Qwen-Plus-latest.

      • Prompts:

        Anda adalah asisten belanja cerdas yang bertanggung jawab merekomendasikan TV kepada pelanggan.
Anda harus secara proaktif menanyakan parameter TV kepada pengguna sesuai urutan dalam [Daftar Parameter TV] di bawah ini. Tanyakan hanya satu parameter dalam satu waktu, dan jangan mengulangi pertanyaan untuk parameter yang sama.
Jika pengguna memberikan nilai untuk suatu parameter, lanjutkan menanyakan parameter yang tersisa.
Jika pengguna menanyakan definisi suatu parameter, berikan penjelasan berdasarkan pengetahuan profesional Anda, lalu lanjutkan menanyakan nilai parameter mana yang mereka pilih.
Jika pengguna menunjukkan bahwa mereka tidak ingin lagi melakukan pembelian, keluarkan: Terima kasih telah berkunjung. Kami tunggu kesempatan melayani Anda lain kali.
[Daftar Parameter TV]
1. Ukuran Layar: [50-inci, 70-inci, 80-inci]
2. Refresh Rate: [60Hz, 120Hz, 240Hz]
3. Resolusi: [1080P, 2K, 4K]
Setelah semua parameter dari [Daftar Parameter TV] terkumpul, tanyakan: "Apakah Anda yakin ingin membeli?" sekaligus menampilkan parameter yang dipilih pelanggan, contohnya: 50-inci|120Hz|1080P. Tanyakan apakah mereka yakin dengan TV berparameter tersebut. Jika pelanggan memutuskan tidak jadi membeli, tanyakan parameter mana yang ingin mereka sesuaikan.
Jika pelanggan mengonfirmasi parameter tersebut sesuai kebutuhan, Anda harus mengeluarkan dalam format berikut:
[Ukuran Layar: 50-inci, Refresh Rate: 120Hz, Resolusi: 1080P]. Keluarkan hanya konten dalam format ini dan tidak ada informasi lain.

      • User Prompt:

        Pertanyaan pengguna: ${sys.query}

      • Memory: Mengaktifkan model untuk mengingat konten obrolan sebelumnya selama percakapan. Aktifkan toggle image dan pilih Custom Cache.

    p910521

    1. Drag node LLM dari panel kiri ke canvas. Di panel konfigurasinya, konfigurasikan parameter berikut, biarkan yang lain pada nilai default. Lalu, tutup panel dan hubungkan output Buy mobile phone dari node Intent Classification ke node Large Model.

      • Model Configuration: Pilih Qwen-Plus-latest.

      • Prompts:

        Anda adalah asisten belanja cerdas yang bertanggung jawab merekomendasikan ponsel kepada pelanggan.
Anda harus secara proaktif menanyakan parameter ponsel kepada pengguna sesuai urutan dalam [Daftar Parameter Ponsel] di bawah ini. Tanyakan hanya satu parameter dalam satu waktu, dan jangan mengulangi pertanyaan untuk parameter yang sama.
Jika pengguna memberikan nilai untuk suatu parameter, lanjutkan menanyakan parameter yang tersisa.
Jika pengguna menanyakan definisi suatu parameter, berikan penjelasan berdasarkan pengetahuan profesional Anda, lalu lanjutkan menanyakan nilai parameter mana yang mereka pilih.
Jika pengguna menunjukkan bahwa mereka tidak ingin lagi melakukan pembelian, keluarkan: Terima kasih telah berkunjung. Kami tunggu kesempatan melayani Anda lain kali.
[Daftar Parameter Ponsel]
1. Skenario Penggunaan: [Gaming, Fotografi, Menonton film]
2. Ukuran Layar: [6.4-inci, 6.6-inci, 6.8-inci, layar lipat 7.9-inci]
3. RAM + Ruang Penyimpanan: [8GB+128GB, 8GB+256GB, 12GB+128GB, 12GB+256GB]
Setelah semua parameter dari [Daftar Parameter Ponsel] terkumpul, tanyakan: "Apakah Anda yakin ingin membeli?" sekaligus menampilkan parameter yang dipilih pelanggan, contohnya: Untuk fotografi|8GB+128GB|6.6-inci. Tanyakan apakah mereka yakin dengan ponsel berparameter tersebut. Jika pelanggan memutuskan tidak jadi membeli, tanyakan parameter mana yang ingin mereka sesuaikan.
Jika pelanggan mengonfirmasi parameter tersebut sesuai kebutuhan, Anda harus mengeluarkan dalam format berikut:
[Skenario Penggunaan: Fotografi, Ukuran Layar: 6.8-inci, Ruang Penyimpanan: 128GB, Ruang RAM: 8GB]. Keluarkan hanya konten dalam format ini dan tidak ada informasi lain.

      • User Prompt:

        Pertanyaan pengguna: ${sys.query}

      • Memory: Mengaktifkan model untuk mengingat konten obrolan sebelumnya selama percakapan. Aktifkan toggle image dan pilih Custom Cache.

    p910519

    1. Drag node Variable Processing dari panel kiri ke canvas. Di panel konfigurasinya, konfigurasikan parameter berikut, biarkan yang lain pada nilai default. Lalu, tutup panel dan hubungkan output intent Default dari node Intent Classification ke node Variable Processing.

      • Output Mode: Pilih Text Output.

      • Di kotak editor, masukkan:

        Halo! Tolong beri tahu saya apakah Anda ingin membeli TV, kulkas, atau ponsel.

    p910518

    1. Hubungkan ketiga node model besar dan node Variable Processing ke node End. Lalu, klik node end dan di editor panel konfigurasinya, masukkan / untuk menyisipkan empat variabel berikut: Large Model 1/result, Large Model 2/result, Large Model 3/result, dan Variable Processing 1/result. Biarkan parameter lain pada nilai default.

    p910518

    Contoh konfigurasi:

    image

      1. Klik Test di pojok kanan atas. Di kotak dialog, masukkan Ceritakan tentang kulkas Anda, klik image, lalu lihat output-nya.

      2. Selanjutnya, masukkan Untuk rumah tangga dan lihat output-nya.

      3. Lalu, masukkan 200L dan lihat output-nya.

      4. Akhirnya, masukkan Efisiensi energi Level 1 dan lihat output-nya.

    工作流-智能导购

    Parameter sesi

    Variabel sesi berperan sebagai variabel global, menyimpan parameter sepanjang siklus hidup alur kerja agar dapat dirujuk oleh node mana pun.

    Klik ikon image di pojok kanan atas halaman konfigurasi canvas.

    image

    Node

    Node adalah unit fungsional inti dari aplikasi alur kerja. Setiap node menjalankan tugas spesifik, seperti mengeksekusi aksi, memicu kondisi, memproses data, atau mengarahkan alur kerja. Gabungkan node-node ini seperti blok bangunan untuk membuat proses otomatis.

    Awal dan akhir

    • Kapan digunakan

      • Saat merancang alur kerja, definisikan struktur dan konten parameter input/output di node start dan end.

    • Cara menggunakan

      • Start Node

        Komponen

        Deskripsi

        Variabel pradefinisi

        Alur kerja menyediakan variabel pradefinisi berikut untuk memproses input pengguna dan mempertahankan riwayat percakapan:

        • query: Menyimpan input teks pengguna.

        • historyList: Menyimpan riwayat percakapan untuk mempertahankan konteks dalam percakapan multi-putaran. Untuk menggunakan variabel ini di node yang mendukung fitur memory (seperti node model besar dan klasifikasi intent), pilih Custom Cache.

        • imageList: Menyimpan gambar yang diunggah pengguna untuk memungkinkan analisis gambar atau percakapan multimodal. Untuk menggunakan variabel ini di node yang mendukung fitur memory (seperti node model besar dan klasifikasi intent), pilih Custom Cache.

        Variabel kustom

        Variabel kustom adalah parameter input terstruktur yang Anda definisikan untuk alur kerja. Variabel ini menerima data dari pengujian atau pemanggilan API dan dapat dirujuk di node berikutnya. Saat membuat variabel kustom, konfigurasikan parameter berikut:

        • Nama variabel: Masukkan nama yang bermakna. Karakter Cina tidak didukung.

        • Tipe: Tipe data variabel. Tipe yang didukung adalah String, Boolean, Number, Object, Array (dari String, Boolean, Number, atau Object), dan File.

        • Deskripsi: Jelaskan secara singkat fungsi variabel dan kapan menggunakannya.

      • Node Akhir

        Komponen

        Deskripsi

        Mode output

        Text Output: Cocok untuk konten tak terstruktur. Di kotak input, Anda dapat memasukkan konten tetap atau mengetik / untuk merujuk variabel, yang menentukan hasil akhir yang dikembalikan ke pengguna. Anda dapat mengambil variabel dari output node mana pun dalam alur kerja atau dari variabel sesi. Pemetaan variabel output yang tepat memungkinkan Anda mengontrol aliran data alur kerja dan memastikan respons akhir yang akurat dan lengkap.

        JSON Output: Cocok untuk mengeluarkan konten terstruktur dalam format JSON. Anda dapat mendefinisikan nama variabel dan memasukkan teks atau merujuk variabel.

        Streaming output

        Sakelar Streaming Output hanya berlaku untuk mode Text Output.

        Jika diaktifkan, respons dari node model besar dan komponen aplikasi dialirkan token demi token. Jika dinonaktifkan, respons lengkap dikembalikan setelah sepenuhnya dihasilkan.

    Model besar

    • Mengapa menggunakannya

      Node ini adalah inti cerdas dari alur kerja Anda. Node ini dapat memahami bahasa, menghasilkan teks, menganalisis gambar, dan terlibat dalam percakapan multi-putaran. Anda dapat menggunakannya untuk menulis naskah, meringkas teks, atau bahkan menganalisis konten gambar (menggunakan model Qwen-VL).

    • Fitur

      • Mendukung pemrosesan input tunggal maupun pemrosesan batch untuk dataset besar.

      • Anda dapat mengonfigurasi model besar berbeda, seperti Qwen-Plus, sehingga Anda dapat memilih model yang tepat berdasarkan kinerja, latensi, atau persyaratan lainnya.

    • Konfigurasi parameter node

      Parameter

      Deskripsi

      Pemilihan mode

      Single Mode: Memanggil model besar sekali.

      Batch Mode: Node berjalan beberapa kali, secara berurutan menetapkan item dari daftar ke variabel batch dalam setiap eksekusi. Proses ini berhenti ketika semua item daftar diproses atau jumlah maksimum eksekusi batch tercapai.

      Batch Configuration:

      • Maximum Number of Batches (Rentang: 1–100; default untuk pengguna standar: 100): Jumlah maksimum eksekusi proses batch.

        Catatan

        Jumlah eksekusi batch bergantung pada panjang minimum array input. Jika tidak ada variabel input yang dikonfigurasi, jumlah eksekusi ditentukan oleh jumlah batch yang dikonfigurasi.

      • Number of Parallel Runs (Rentang: 1–10): Menetapkan batas konkurensi untuk pemrosesan batch. Pengaturan 1 mengeksekusi semua tugas secara serial.

      Konfigurasi model

      Pilih model besar yang sesuai dan sesuaikan parameternya. Model yang tersedia tercantum di UI.

      Untuk pengenalan mendetail tentang model, lihat daftar model.

      Untuk informasi tentang batas laju pemanggilan API untuk setiap model, lihat pembatasan laju.

      Konfigurasi parameter

      Temperature: Mengontrol keragaman konten yang dihasilkan. Nilai temperature yang lebih tinggi meningkatkan keacakan teks yang dihasilkan, menghasilkan output yang lebih unik, sedangkan nilai yang lebih rendah membuat konten lebih konservatif dan konsisten.

      Konfigurasi ini saat ini tidak didukung untuk model seri DeepSeek R1.

      Maximum Reply Length: Membatasi panjang maksimum (dalam token) teks yang dihasilkan model, tidak termasuk prompt. Batas ini bervariasi tergantung model.

      Parameter berikut hanya tersedia ketika model Qwen-VL dipilih:

      • Model Input Parameters: Untuk vlImageUrl, Anda dapat merujuk variabel atau memasukkan URL gambar.

      • Image Source:

        • Kumpulan gambar: Model memperlakukan setiap gambar yang diunggah secara independen, memilih yang paling relevan untuk menjawab pertanyaan pengguna.

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

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

        • Frame video: Model menganggap gambar yang diunggah berasal dari video yang sama dan memahaminya secara berurutan sebagai satu kesatuan. Anda harus menyediakan minimal 4 frame video.

      Prompt sistem

      Memberikan instruksi tingkat sistem ke model. Anda dapat menggunakannya untuk mendefinisikan peran, tugas, atau format output model. Contohnya: "Anda adalah ahli matematika yang berspesialisasi dalam menyelesaikan soal matematika. Harap keluarkan proses penyelesaian dan hasilnya dalam format yang benar."

      Prompt pengguna

      Input pengguna ke model, seperti permintaan atau instruksi. Anda dapat mengonfigurasi templat prompt atau menyisipkan variabel. Model menggunakan input ini untuk menghasilkan respons.

      Memory

      Memory adalah konteks yang dipertahankan model di beberapa putaran percakapan.

      • Cache node saat ini: Menggunakan output node ini sebagai konteks. Model hanya akan mengingat konteks yang dihasilkan dalam node ini.

        • putaran memory: Jumlah putaran percakapan yang diingat. Satu input dan output yang sesuai merupakan satu putaran.

      • Cache kustom: Menggunakan variabel konteks tertentu sebagai konteks.

        • Variabel konteks: Pilih sumber konteks.

      Variabel output

      Nama variabel yang menyimpan hasil pemrosesan node ini. Node berikutnya dapat menggunakan variabel ini untuk mengakses hasil node ini.

      Model seri DeepSeek R1 mendukung pengeluaran proses Deep Thinking (reasoningContent).

      Ulangi saat gagal

      Jika dinonaktifkan, node berhenti mengeksekusi saat terjadi error.

      Jika diaktifkan, node mengeksekusi ulang saat terjadi error, sesuai dengan jumlah pengulangan dan interval yang dikonfigurasi.

      • maksimum pengulangan: Jumlah maksimum upaya pengulangan saat permintaan gagal.

      • interval pengulangan: Interval waktu antara setiap upaya pengulangan, dalam milidetik.

      Penanganan pengecualian

      Jika dinonaktifkan, node menangani error menggunakan mekanisme penanganan error default sistem.

      Jika diaktifkan, node mengeksekusi logika pemrosesan kustom sesuai konfigurasi saat terjadi error.

      • Nilai default: Konten dalam result dikeluarkan saat terjadi pengecualian.

      • cabang pengecualian: Jika terjadi pengecualian, cabang ini dieksekusi. Anda harus mengonfigurasi alur pemrosesannya.

        image

      Kembalikan hasil

      Fitur ini ditinggalkan.

      Opsi ini hanya berlaku untuk pemanggilan API dan menentukan apakah konten node dikeluarkan. Untuk mempelajari lebih lanjut tentang tujuan komponen ini, lihat Pemanggilan aplikasi.

      Catatan

      Untuk mengintegrasikan aplikasi melalui API, lihat Pemanggilan aplikasi.

    Basis pengetahuan

    • Definisi

      Node basis pengetahuan menerapkan Generasi yang Diperkaya dengan Pengambilan Data (RAG). Node ini mengambil potongan relevan dari basis pengetahuan tertentu berdasarkan input, lalu meneruskan hasilnya sebagai konteks ke node model besar hilir. Proses ini mengatasi masalah umum model besar, seperti pengetahuan usang, ketidakmampuan mengakses data pribadi, dan halusinasi.

    • Konfigurasi input

      Menentukan kriteria untuk mengkueri basis pengetahuan.

      Parameter

      Deskripsi

      content

      Teks yang digunakan untuk mengkueri basis pengetahuan. Anda dapat memasukkan teks langsung atau mengetik / di editor untuk memilih dan merujuk variabel output dari node hulu.

      imageList

      Gambar yang digunakan untuk mengkueri basis pengetahuan. Anda dapat memasukkan URL gambar yang dapat diakses publik, seperti https://xxx.xxx.com/xxx/xxx.jpeg, atau mengetik / di editor untuk memilih dan merujuk variabel output dari node hulu.

    • Metode pemilihan basis pengetahuan

      Metode pemilihan

      Skenario yang berlaku

      Konfigurasi

      Select Fixed Knowledge Base

      Setiap panggilan menggunakan basis pengetahuan yang sama dan telah dipilih sebelumnya.

      Pilih basis pengetahuan tertentu dari daftar drop-down. Anda dapat menambahkan tiga jenis basis pengetahuan: dokumen, tabel, dan gambar.

      Dynamic Import

      Output node hulu secara dinamis menentukan basis pengetahuan mana yang digunakan.

      Konfigurasikan variabel CodeList. Anda dapat menentukan daftar basis pengetahuan dengan merujuk variabel atau dengan input langsung.

    • Metode pemanggilan basis pengetahuan

      Pengaturan ini menentukan logika pemicu untuk basis pengetahuan. Metode default adalah always invoke.

      Metode pemanggilan

      Deskripsi

      Parameter

      always invoke

      Menjalankan pengambilan basis pengetahuan untuk setiap input pengguna. Metode ini cocok untuk skenario tanya-jawab frekuensi tinggi.

      Tidak ada

      intelligent invoke

      Agen menentukan apakah akan mengkueri basis pengetahuan berdasarkan input pengguna dan deskripsinya. Ini cocok untuk skenario percakapan fleksibel.

      Deskripsi Basis Pengetahuan (Wajib)

      legacy invocation

      Hasil dari basis pengetahuan dokumen, tabel, dan gambar dipanggil bersamaan. Parameter topK tunggal mengontrol jumlah potongan yang dipanggil, dan tidak mendukung debugging terpisah untuk setiap jenis.

      topK (Rentang: 1–50, Default: 10)

      Deskripsi parameter:

      • Deskripsi basis pengetahuan: Menggambarkan konten basis pengetahuan dan kondisi di mana datanya dapat digunakan untuk respons. Mendukung input teks atau memasukkan / untuk menyisipkan variabel.

      • topK: Jumlah maksimum potongan yang dipanggil dari setiap basis pengetahuan. Jumlah potongan yang sebenarnya dipanggil bergantung pada hasil pencocokan dan mungkin kurang dari nilai topK.

    • Men-debug hasil Recall

      Fitur ini hanya didukung dalam mode always invoke dan intelligent invoke. Klik tombol Debug di sebelah jenis dokumen, tabel, atau gambar untuk menguji hasil pemanggilan untuk basis pengetahuan tersebut. Gunakan hasilnya untuk menyempurnakan konfigurasi Anda. Setelah selesai, klik Save di pojok kanan atas untuk menerapkan konfigurasi ke aplikasi saat ini.

    • Filtering basis pengetahuan

      Fitur ini dinonaktifkan secara default. Jika diaktifkan, sistem menggunakan model besar untuk secara cerdas memfilter hasil yang dipanggil dari dokumen dan tabel, meningkatkan kualitas output akhir. Fitur ini cocok untuk skenario yang memerlukan presisi jawaban tinggi atau perlu memfilter informasi yang tidak relevan.

    • Node output

      Node basis pengetahuan mengeluarkan objek terstruktur yang berisi objek result:

      Bidang

      Type

      Deskripsi

      result

      Object

      Berisi semua informasi yang dikembalikan dari kueri saat ini.

      result.chunkList

      Array<Object>

      Array potongan yang dipanggil. Array ini kosong jika kueri tidak mengembalikan hasil.

      result.chunkList[ ].content

      String

      Konten asli potongan basis pengetahuan yang dipanggil.

      result.chunkList[ ].title

      String

      Judul dokumen tempat potongan tersebut berada.

      result.chunkList[ ].documentName

      String

      Nama dokumen tempat potongan yang dipanggil berada.

      result.chunkList[ ].score

      Number

      Skor kemiripan potongan basis pengetahuan. Skor yang lebih tinggi menunjukkan kecocokan yang lebih baik.

      result.chunkList[ ].id

      String

      ID potongan.

      result.chunkList[ ].dataId

      String

      ID dokumen.

      result.chunkList[ ].docUrl

      String

      Tautan unduh file sumber.

      result.chunkList[ ].knowledgeBaseId

      String

      ID basis pengetahuan.

      result.chunkList[ ].nid

      String

      Pengidentifikasi untuk teks asli.

      result.chunkList[ ].images

      Array<String>

      Daftar gambar.

      result.chunkList[ ].pageNumber

      Array<Number>

      Array nomor halaman.

      result.rewriteQuery

      String

      Kueri pengguna yang ditulis ulang.

    API

    Catatan

    Untuk memastikan node API dapat mengakses layanan target, tambahkan alamat IP layanan Model Studio (47.93.216.17, 39.105.109.77, 60.205.180.248, dan 59.110.152.173) ke daftar izin aturan masuk di grup keamanan atau firewall server target Anda.

    • Definisi

      Memanggil layanan API kustom menggunakan metode POST, GET, PUT, PATCH, atau DELETE dan mengeluarkan hasil pemanggilan API.

    • Konfigurasi parameter

      Parameter

      Deskripsi

      Alamat API

      URL permintaan untuk API.

      • Metode permintaan:

        • POST: Mengirimkan data ke server untuk membuat resource baru.

        • GET: Mengambil resource tanpa memodifikasi data di server.

        • PUT: Memperbarui resource tertentu atau membuat resource baru di server.

        • PATCH: Memperbarui sebagian resource di server.

        • DELETE: Menghapus resource tertentu dari server.

      • URL: Masukkan alamat API lengkap di kolom input. Anda dapat memasukkan alamat langsung atau menggunakan variabel untuk merujuk nilai dari node sebelumnya. Contohnya, https://dashscope.aliyuncs.com/compatible-mode/v1/files.

      Pengaturan Header

      Menentukan header permintaan HTTP, seperti Content-Type dan Authorization. Anda dapat memasukkan nilai langsung atau merujuknya dari node sebelumnya.

      Pengaturan Parameter

      Parameter kueri dalam URL permintaan. Anda dapat memasukkan nilai langsung atau merujuknya dari node sebelumnya.

      Contohnya, limit dalam https://dashscope.aliyuncs.com/compatible-mode/v1/files?limit=5.

      Pengaturan Body

      Pilih tipe yang benar berdasarkan persyaratan API.

      • none: Tidak ada body permintaan. Cocok untuk permintaan GET.

      • form-data: Data formulir, digunakan untuk unggah file atau pasangan kunci-nilai.

      • raw: Teks mentah, seperti JSON atau XML.

      • JSON: Objek JSON yang diformat otomatis.

      Pengaturan Timeout (dtk)

      Waktu maksimum menunggu respons. Jika respons tidak diterima dalam waktu ini, permintaan timeout.

      Ulangi saat gagal

      Jika dinonaktifkan, node berhenti mengeksekusi saat terjadi error.

      Jika diaktifkan, node mencoba ulang permintaan sesuai dengan jumlah maksimum pengulangan dan interval pengulangan yang dikonfigurasi saat terjadi error.

      • Maksimum pengulangan: Jumlah maksimum kali mencoba ulang permintaan yang gagal.

      • Interval pengulangan: Interval antara pengulangan, dalam milidetik.

      Penanganan pengecualian

      Jika dinonaktifkan, node menggunakan mekanisme penanganan error default saat terjadi error.

      Jika diaktifkan, node mengeksekusi logika kustom saat terjadi error.

      • Nilai default: Mengeluarkan konten result saat terjadi pengecualian.

      • Cabang pengecualian: Melanjutkan ke cabang pengecualian jika terjadi pengecualian. Anda harus mengonfigurasi alur pemrosesan untuk cabang ini.

      Output

      Menyimpan respons API dalam variabel tertentu untuk digunakan oleh node berikutnya.

      Catatan

      Untuk detail mengenai integrasi aplikasi dengan API, lihat integrasi aplikasi.

    Plugin

    • Definisi

      Anda dapat menambahkan node plugin ke aplikasi alur kerja Anda untuk menjalankan tugas yang lebih kompleks. Model Studio menawarkan berbagai plugin resmi, seperti Quark Search, Calculator, dan interpreter kode Python. Anda juga dapat membuat plugin kustom untuk memenuhi kebutuhan spesifik.

      Lihat Ikhtisar Plugin.

    • Prasyarat

      • Untuk menggunakan plugin resmi atau pihak ketiga, Anda harus terlebih dahulu meminta aktivasi plugin tersebut. Untuk petunjuk detail, lihat Ikhtisar Plugin.

      • Jika Anda ingin merujuk plugin kustom, Anda perlu membuat plugin kustom terlebih dahulu.

    • Konfigurasi parameter

      Parameter

      Deskripsi

      Input

      Menentukan konten untuk diproses node. Variabel berubah tergantung plugin yang dipilih. Saat Anda memilih plugin, variabel bawaannya dimuat secara otomatis.

      Anda dapat membuka halaman Plugin Resmi atau Plugin Kustom, klik kartu plugin, dan lihat cara mengonfigurasi variabelnya.

      Output

      Variabel output yang berisi hasil pemrosesan node. Node berikutnya menggunakan variabel ini untuk mengakses hasilnya.

      Ulangi saat gagal

      Jika dinonaktifkan, node berhenti mengeksekusi saat terjadi error.

      Jika diaktifkan, node mencoba eksekusi ulang berdasarkan jumlah pengulangan dan interval yang dikonfigurasi saat terjadi error.

      • Maksimum pengulangan: Jumlah maksimum upaya pengulangan saat permintaan gagal.

      • Interval pengulangan: Interval waktu antara setiap pengulangan, dalam milidetik.

      Penanganan pengecualian

      Jika dinonaktifkan, node menggunakan mekanisme penanganan error default sistem.

      Jika diaktifkan, node mengeksekusi logika kustom saat terjadi error.

      • Nilai default: Mengeluarkan konten result saat terjadi pengecualian.

      • Cabang pengecualian: Mengeksekusi cabang ini jika terjadi pengecualian. Anda harus mengonfigurasi alur pemrosesan untuk cabang tersebut.

    Function Compute

    • Definisi

      Memanggil layanan kustom di Alibaba Cloud Function Compute.

    • Konfigurasi parameter

      Penting

      Timeout default untuk node Function Compute adalah 60 detik dan tidak dapat diubah.

      Parameter

      Deskripsi

      Input

      Variabel input yang diproses node ini. Anda dapat merujuk variabel dari node hulu atau memasukkan nilai langsung.

      Wilayah

      Pilih wilayah tempat layanan Function Compute Anda berada: Singapore, Kuala Lumpur, atau Indonesia (Jakarta).

      Konfigurasi layanan

      Pilih layanan Function Compute yang akan dipanggil. Anda harus terlebih dahulu membuat fungsi.

      Akun Alibaba Cloud yang membuat layanan Function Compute harus sama dengan akun yang Anda gunakan untuk masuk ke Model Studio (Bailian), atau harus berada di bawah akun root Alibaba Cloud yang sama.

      Output

      Variabel yang menyimpan output node. Node berikutnya dapat merujuk variabel ini.

    Script

    • Definisi

      Menggunakan skrip untuk mengubah input menjadi templat atau format output tertentu. Ini melibatkan penguraian, transformasi, dan pemformatan data untuk konsistensi dan keterbacaan.

    • Konfigurasi parameter

      Parameter

      Deskripsi

      input

      Menerima nilai tetap, atau referensi ke variabel dari node hulu atau variabel sesi.

      code

      Menentukan logika inti untuk node. JavaScript dan Python didukung.

      • Ambil input: Gunakan objek bawaan params untuk mengakses parameter input dalam format params.<nama_variabel>. Contohnya, params.input1.

      • Kembalikan output: Fungsi handler main harus return kamus atau objek. Pasangan kunci-nilai objek ini menjadi output node.

      output

      Kamus yang dikembalikan oleh pernyataan return dalam kode berfungsi sebagai output node ini.

      Contohnya, jika Anda mengembalikan {'result': 'Pemrosesan berhasil'}, node hilir dapat mengakses string "Pemrosesan berhasil" dengan menggunakan node_name.result.

      ulangi saat gagal

      Jika dinonaktifkan, node berhenti mengeksekusi saat terjadi error.

      Jika diaktifkan, node mencoba eksekusi ulang sesuai dengan jumlah maksimum pengulangan dan interval pengulangan yang dikonfigurasi.

      • maksimum pengulangan: Jumlah maksimum upaya pengulangan setelah kegagalan.

      • interval pengulangan: Interval antara pengulangan, dalam milidetik.

      penanganan pengecualian

      Jika dinonaktifkan, node menggunakan mekanisme penanganan error default sistem.

      Jika diaktifkan, node mengeksekusi logika kustom saat terjadi error.

      • Nilai default: Mengeluarkan konten result saat terjadi pengecualian.

      • cabang pengecualian: Mengarahkan eksekusi ke cabang terpisah yang dikonfigurasi pengguna jika terjadi pengecualian.

    Kondisi

    • Definisi

      Node kondisi menambahkan logika percabangan ke alur kerja. Saat variabel memenuhi kondisi tertentu, alur kerja mengikuti tautan hilir yang sesuai. Node ini mendukung konfigurasi AND/OR dan mengevaluasi kondisi secara berurutan dari atas ke bawah.

    • Konfigurasi parameter

      Parameter

      Deskripsi

      cabang kondisional

      Masukkan ekspresi kondisional.

      Kondisi di grup berbeda digabungkan dengan OR, sedangkan kondisi dalam grup yang sama digabungkan dengan AND.

      else

      Output default saat tidak ada kondisi yang ditentukan terpenuhi.

    Klasifikasi intent

    • Definisi

      Mencocokkan input pengguna secara cerdas dengan intent yang telah ditentukan berdasarkan deskripsinya, lalu mengarahkan ke tautan yang sesuai.

    • Konfigurasi parameter

      Parameter

      Deskripsi

      variabel input

      Menentukan variabel input yang akan diklasifikasikan. Anda dapat memasukkan nilai langsung, atau menggunakan variabel dari node sebelumnya atau variabel sesi.

      pemilihan model

      Mendukung Qwen-Plus dan model klasifikasi intent.

      klasifikasi intent

      Definisikan intent untuk diklasifikasikan model. Model mencocokkan input ke intent berdasarkan deskripsinya lalu mengarahkan ke tautan yang sesuai. Contohnya: "Untuk menghitung soal matematika" atau "Untuk menjawab pertanyaan terkait cuaca".

      Intent lainnya

      Cabang ini dieksekusi saat model menentukan bahwa input tidak cocok dengan intent yang telah ditentukan.

      Intent mode

      • mode pilih-satu: Model besar memilih satu intent yang paling cocok dari konfigurasi yang tersedia.

      • mode pilih-banyak: Model besar memilih semua intent yang cocok dari konfigurasi yang tersedia.

      mode penalaran

      • mode cepat: Mode ini meningkatkan kecepatan pemrosesan dengan menghindari langkah penalaran kompleks, cocok untuk skenario sederhana.

      • mode kualitas: Mode ini menggunakan penalaran langkah demi langkah untuk mencapai klasifikasi yang lebih akurat.

      memory

      Mengacu pada kemampuan model mengingat riwayat percakapan dalam percakapan multi-putaran, yang berfungsi sebagai konteks.

      • cache lokal-node: Menggunakan output node ini sebagai konteks. Memori model terbatas pada konteks yang dihasilkan oleh node ini.

        • putaran memory: Jumlah putaran percakapan yang diingat. Satu input dan output yang sesuai merupakan satu putaran.

      • cache kustom: Menggunakan konten variabel konteks tertentu sebagai konteks.

        • variabel konteks: Menentukan sumber konteks.

      prompt

      Memberikan instruksi atau batasan tambahan untuk model klasifikasi intent. Anda dapat menambahkan contoh atau mendefinisikan batasan untuk membantu hasil klasifikasi model lebih sesuai kebutuhan Anda.

      Contoh

      Anggap Anda sedang mengembangkan sistem layanan pelanggan untuk platform e-commerce tempat pengguna mungkin bertanya tentang kueri pesanan, pengembalian, atau pembayaran. Untuk memastikan klasifikasi akurat, Anda dapat menambahkan prompt dan contoh relevan di pengaturan lanjutan.

      Silakan klasifikasikan intent berdasarkan contoh berikut:
Contoh 1: Input pengguna "Saya ingin mengembalikan jaket yang baru saja saya beli", klasifikasikan sebagai "Pengembalian dan penukaran".
Contoh 2: Input pengguna "Tolong bantu saya memeriksa status pengiriman pesanan saya", klasifikasikan sebagai "Kueri pesanan".
Batasan: Hanya proses kueri terkait pesanan. Abaikan masalah pembayaran dan teknis.

      Efek:

      Input pengguna: "Kapan buku yang saya pesan dari situs web Anda minggu lalu akan dikirim ke rumah saya?"

      Hasil klasifikasi: "Kueri pesanan"

      Dalam contoh ini, memberikan contoh klasifikasi spesifik memandu model untuk mengklasifikasikan "kueri waktu pengiriman" sebagai intent "Kueri pesanan", sedangkan batasan membatasi cakupan klasifikasi untuk mengecualikan pertanyaan lain yang tidak relevan.

      output

      Variabel yang menyimpan output node. Node hilir dapat menggunakan variabel ini untuk mengakses hasilnya.

      Catatan

      Menjalankan node ini mengonsumsi token. Jumlah token yang dikonsumsi ditampilkan saat runtime.

    Flow output

    • Definisi

      Node flow output mengeluarkan konten tertentu di titik mana pun dalam alur kerja. Ini berbeda dari output akhir, yang hanya dikembalikan setelah alur kerja selesai.

      Node flow output berguna dalam skenario berikut:

      • Membagi output besar: Jika alur kerja menghasilkan banyak output, Anda dapat menyisipkan node flow output untuk membagi konten menjadi dua bagian. Satu bagian dikeluarkan oleh node flow output dan bagian lainnya oleh node end.

      • Mengambil informasi antara: Sisipkan node ini di titik kunci dalam alur kerja untuk mengeluarkan informasi seperti nilai variabel atau status proses. Ini membantu Anda melacak progres dan memecahkan masalah.

      • Memberikan umpan balik selama operasi panjang: Untuk menghindari pengguna tanpa umpan balik, Anda dapat menyisipkan node flow output untuk menampilkan pesan sementara. Ini berguna selama operasi yang memakan waktu seperti memanggil API eksternal, melakukan perhitungan kompleks, atau memproses data dalam batch. Dengan memberikan pembaruan status seperti "Memuat data, mohon tunggu..." atau "Permintaan Anda sedang diproses. Mohon jangan tutup jendela ini.", Anda memberi tahu pengguna bahwa sistem sedang bekerja, bukan macet atau tidak responsif.

    • Konfigurasi parameter

      Parameter

      Deskripsi

      Konten output

      Masukkan konten tetap atau ketik / untuk merujuk variabel dari node sebelumnya atau variabel sesi.

      Streaming output

      Jika diaktifkan, konten dari model besar dialirkan ke percakapan token demi token. Jika dinonaktifkan, seluruh respons dihasilkan terlebih dahulu lalu dikeluarkan sekaligus.

    Pemrosesan variabel

    • Definisi

      Digunakan untuk mengubah dan memproses konten teks, seperti mengekstrak konten tertentu atau mengonversi format. Node ini juga mendukung mode templat.

    • Konfigurasi parameter

      Parameter

      Deskripsi

      Mode output

      • Text output: Mengonversi input ke teks. Di editor, Anda dapat memasukkan konten langsung atau menyisipkan variabel dari node hulu atau variabel sesi.

      • JSON output: Memformat variabel input sebagai objek JSON.

      • Group aggregation: Menentukan nilai mana yang dikembalikan dari grup sesuai strategi tertentu. Anda dapat mengembalikan nilai pertama atau terakhir yang tidak kosong dari setiap grup.

      Variabel output

      Menentukan variabel untuk menyimpan output node agar digunakan oleh node berikutnya.

      Kembalikan hasil

      Fitur ini sedang ditinggalkan.

      Hanya berlaku untuk pemanggilan API, parameter ini menentukan apakah output node dikembalikan. Lihat pemanggilan aplikasi.

    Ekstraksi parameter

    • Definisi

      Mengekstrak parameter terstruktur dari teks menggunakan model.

    • Konfigurasi parameter

      Parameter

      Deskripsi

      Input

      Teks untuk mengekstrak parameter.

      Pemilihan model

      Menentukan model yang digunakan untuk mengekstrak parameter. Pilih yang paling sesuai dengan kebutuhan bisnis Anda.

      Parameter untuk diekstrak

      Model mengekstrak parameter dari input berdasarkan nama, tipe, dan deskripsi yang Anda berikan.

      Prompt

      Instruksi tambahan untuk memandu model selama ekstraksi parameter.

      Memory

      Memory menyediakan konteks percakapan, membantu model mengingat interaksi sebelumnya dalam skenario multi-putaran.

      • Cache di node ini: Menggunakan output node ini sebagai konteks. Model hanya mengingat konteks dari node ini.

        • Putaran memory: Jumlah putaran percakapan yang diingat. Satu putaran terdiri dari satu input dan output yang sesuai.

      • Cache kustom: Menggunakan variabel konteks tertentu untuk menyediakan konteks.

        • Variabel konteks: Pilih sumber konteks.

      Output

      Berisi parameter yang diekstrak oleh model. Node berikutnya dapat merujuk output ini sebagai variabel.

    Grup agen

    • Definisi

      Grup agen berisi beberapa sub-agen. Berdasarkan persyaratan tugas, model keputusan dalam grup secara otomatis merencanakan alur eksekusi, menjadwalkan sub-agen, dan mengoordinasikannya untuk menyelesaikan tugas. Gunakan node ini jika Anda perlu menyelesaikan proyek besar tetapi tidak yakin cara merancang alur kerja spesifiknya. Dengan memecah tugas kompleks menjadi sub-tugas yang diproses paralel oleh agen berbeda, Anda dapat meningkatkan kecepatan eksekusi tugas.

    • Konfigurasi parameter

      Parameter

      Deskripsi

      Input

      Menentukan konten yang akan diproses node. Anda dapat merujuk variabel dari node sebelumnya.

      Pemilihan model

      Pilih model keputusan.

      Nama grup

      Masukkan nama kustom untuk grup agen.

      Agen

      Menentukan sub-agen dalam grup agen. Hanya aplikasi agen yang telah dipublikasikan yang dapat ditambahkan.

      Setelah menambahkan sub-agen, klik Configure untuk menggambarkan fungsinya. Deskripsi ini membantu model keputusan menentukan sub-agen mana yang dipanggil untuk tugas saat ini.

      image

      Variabel output

      Menentukan variabel untuk menyimpan output node ini. Variabel ini dapat dirujuk oleh node berikutnya.

    Buat agen

    • Definisi

      Membuat agen baru khusus untuk canvas orkestrasi.

    • Konfigurasi parameter

      Parameter

      Deskripsi

      Input

      Konten yang akan diproses node ini. Anda dapat merujuk variabel dari node sebelumnya.

      Nama agen

      Nama kustom untuk agen.

      Pemilihan model

      Model besar yang digunakan agen.

      Prompt

      Gunakan bahasa alami untuk mendefinisikan peran dan tugas agen.

      Basis pengetahuan

      Pilih basis pengetahuan untuk agen.

      Plugin

      Mengaktifkan agen untuk memanggil plugin resmi atau kustom guna memperluas kemampuannya.

      Variabel output

      Variabel yang menyimpan output node untuk digunakan di node berikutnya.

    Generasi multimodal

    • Definisi

      Node generasi multimodal menggunakan model multimodal Alibaba Cloud untuk menghasilkan konten gambar, video, atau audio berdasarkan prompt dan parameter yang dikonfigurasi. Gunakan node ini untuk pembuatan konten, produksi aset pemasaran, pembuatan video pendek, dan sintesis sulih suara.

    • Pemilihan model

      Pemilihan model

      Pilih model generasi multimodal dari daftar drop-down. Model dikategorikan berdasarkan fungsi:

      Jenis model

      Model yang didukung

      Fitur

      Generasi gambar

      Qwen-Image

      Unggul dalam rendering teks Cina dan Inggris kompleks.

      Wan 2.6-image-generation

      Menghasilkan dan mengedit gambar dari instruksi teks, mendukung mode pengeditan gambar dan mode campuran teks-dan-gambar.

      Qwen-Image-Plus

      Unggul dalam rendering teks Cina dan Inggris kompleks.

      Z-Image-Turbo

      Model teks-ke-gambar ringan yang dengan cepat menghasilkan gambar berkualitas tinggi. Mendukung rendering bilingual (Cina dan Inggris), pemahaman semantik kompleks, dan berbagai gaya serta tema.

      Wan 2.2-text-to-image-Plus

      Edisi Pro Wan 2.2, dengan peningkatan komprehensif dalam kreativitas, stabilitas, dan fotorealisme.

      Wan 2.2-text-to-image-Flash

      Edisi Flash Wan 2.2, dengan peningkatan komprehensif dalam kreativitas, stabilitas, dan fotorealisme.

      Generasi video

      Wan 2.6-text-to-video

      Wan 2.6. Memiliki kemampuan bercerita multi-shot dan mendukung sulih suara otomatis maupun input file audio kustom.

      Wan 2.6-image-to-video

      Wan 2.6. Memiliki kemampuan bercerita multi-shot dan mendukung sulih suara otomatis maupun input file audio kustom.

      Wan 2.5-text-to-video-Preview

      Pratinjau Wan 2.5. Mendukung sulih suara otomatis dan input file audio kustom.

      Wan 2.5-image-to-video-Preview

      Pratinjau Wan 2.5. Mendukung sulih suara otomatis dan input file audio kustom.

      Wan 2.2-text-to-video-Plus

      Edisi Pro Wan 2.2. Menawarkan pemahaman instruksi lebih akurat, generasi gerakan stabil dan lancar, serta detail lebih kaya dalam output.

      Wan 2.2-image-to-video-Plus

      Edisi Pro Wan 2.2, menawarkan pemahaman instruksi lebih akurat, kontrol gerakan kamera yang dapat dikendalikan, dan visual yang konsisten. Juga menampilkan peningkatan komprehensif dalam stabilitas, tingkat keberhasilan, dan kekayaan konten.

      Wan 2.2-image-to-video-Flash

      Edisi Flash Wan 2.2, menghadirkan generasi ultra-cepat, pemahaman instruksi dan kontrol kamera lebih akurat, visual konsisten, serta peningkatan komprehensif dalam stabilitas dan tingkat keberhasilan.

      Generasi audio

      Qwen3-TTS-Flash

      Mendukung input teks campuran bahasa dan output audio streaming.

      Daftar model yang tersedia dapat berubah. Rujuk UI untuk opsi terkini. Untuk harga pemanggilan model, lihat Penagihan Pemanggilan Model.

    • Parameter konfigurasi bervariasi tergantung model. Panel hanya menampilkan pengaturan yang relevan dengan pilihan Anda.

      Generasi gambar

      Setelah memilih model generasi gambar, konfigurasikan parameter berikut. Parameter yang tersedia bervariasi tergantung model; rujuk UI untuk opsi spesifik.

      Parameter

      Wajib

      Deskripsi

      Petunjuk positif

      Ya

      Menjelaskan konten, gaya, komposisi, dan elemen lain dari gambar target. Anda dapat memasukkan teks langsung atau mengetik / untuk menyisipkan variabel output dari node hulu.

      Negative prompt

      Tidak

      Menjelaskan konten yang tidak Anda inginkan dalam gambar, seperti efek buram atau watermark. Anda dapat memasukkan teks langsung atau mengetik / untuk menyisipkan variabel output dari node hulu.

      Ukuran/Resolusi

      Ya

      Dimensi gambar.

      prompt_extend

      Tidak

      Jika diaktifkan, sistem menggunakan model besar untuk menulis ulang prompt input secara cerdas. Fitur ini hanya berlaku untuk petunjuk positif. Fitur ini secara signifikan meningkatkan hasil untuk prompt yang lebih pendek tetapi menambahkan latensi 3-4 detik.

      Tambahkan Watermark

      Tidak

      Mengontrol apakah akan menambahkan watermark Alibaba Cloud ke gambar yang dihasilkan. Fitur ini dinonaktifkan secara default.

      Gambar referensi

      Tidak

      Unggah gambar referensi untuk memandu gaya atau konten gambar yang dihasilkan. Anda dapat meneruskan variabel tipe File dari node start atau URL publik.

      Jumlah Gambar

      Tidak

      Jumlah gambar yang dihasilkan dalam satu permintaan. Nilai default adalah 1.

      Penulisan ulang prompt cerdas

      Tidak

      Jika diaktifkan, model besar menulis ulang prompt input secara cerdas. Fitur ini hanya berlaku untuk petunjuk positif. Fitur ini secara signifikan meningkatkan hasil untuk prompt yang lebih pendek tetapi meningkatkan waktu generasi gambar.

      enable_interleave

      Tidak

      Dinonaktifkan (default): Mode pengeditan gambar. Mengedit, melakukan style transfer, atau menghasilkan subjek konsisten menggunakan 1 hingga 4 gambar input.

      Diaktifkan: Mode output campuran teks-dan-gambar. Menghasilkan satu blok konten yang berisi teks dan gambar, berdasarkan gambar atau teks biasa.

      Seed acak

      Tidak

      Mengontrol keacakan dalam output yang dihasilkan (default: 1234). Menggunakan nilai seed yang sama dan prompt menghasilkan gambar yang serupa.

      Penalaran Cerdas

      Tidak

      Jika diaktifkan, model besar melakukan penalaran dan penulisan ulang prompt. Ini dapat meningkatkan kualitas generasi tetapi juga meningkatkan waktu generasi.

      Generasi video

      Setelah memilih model generasi video, konfigurasikan parameter berikut. Parameter yang tersedia bervariasi tergantung model; rujuk UI untuk opsi spesifik.

      Parameter

      Wajib

      Deskripsi

      Petunjuk positif

      Ya

      Menjelaskan adegan, tindakan, gaya, dan elemen lain dari video target. Anda dapat memasukkan teks langsung atau mengetik / untuk menyisipkan variabel output dari node hulu.

      Petunjuk negatif

      Tidak

      Menjelaskan konten yang tidak Anda inginkan dalam video, seperti efek buram atau watermark. Anda dapat memasukkan teks langsung atau mengetik / untuk menyisipkan variabel output dari node hulu.

      Resolusi

      Ya

      Resolusi video. Opsi yang tersedia bervariasi tergantung model.

      Durasi Video

      Ya

      Durasi video yang dihasilkan. Opsi yang tersedia bervariasi tergantung model.

      Seed acak

      Ya

      Mengontrol keacakan dalam output yang dihasilkan. Menggunakan nilai seed yang sama dan prompt menghasilkan video yang serupa.

      Ekspansi Cerdas

      Tidak

      Jika diaktifkan, sistem menggunakan model besar untuk menulis ulang prompt input secara cerdas guna meningkatkan kualitas generasi video. Fitur ini hanya berlaku untuk petunjuk positif.

      Multi-shot Cerdas

      Tidak

      Jika diaktifkan, model menghasilkan video multi-shot.

      Hasilkan Audio

      Tidak

      Jika diaktifkan, Anda dapat menambahkan sulih suara dengan menyediakan URL file audio publik.

      Gambar referensi

      Ya (hanya untuk model image-to-video)

      Menentukan gambar referensi untuk berfungsi sebagai frame pertama video. Model menghasilkan video berdasarkan gambar ini. Anda dapat meneruskan variabel tipe File dari node start atau URL publik.

      Generasi audio

      Parameter

      Wajib

      Deskripsi

      Teks untuk Sintesis

      Ya

      Konten teks untuk diubah menjadi ucapan. Anda dapat memasukkan teks langsung atau mengetik / untuk menyisipkan variabel output dari node hulu.

      Jenis Bahasa

      Tidak

      Bahasa untuk ucapan yang disintesis (default: Cina). Bahasa yang didukung: Cina, Inggris, Jerman, Italia, Portugis, Spanyol, Jepang, Korea, Prancis, dan Rusia.

      Voice

      Tidak

      Voice untuk ucapan yang disintesis. Untuk daftar voice yang didukung, lihat Sintesis Ucapan Real-time - Qwen.

    • Keluaran node

      Setelah node generasi multimodal dijalankan, node ini mengeluarkan variabel berikut:

      Parameter

      Tipe

      Deskripsi

      Contoh

      output

      Object

      Objek output lengkap, berisi status tugas, waktu eksekusi, dan hasil.

      -

      output.task_status

      String

      Status tugas, seperti "SUCCEEDED" atau "FAILED".

      SUCCEEDED

      output.submit_time

      String

      Waktu pengiriman tugas, dalam format YYYY-MM-DD HH:mm:ss.SSS.

      2026-01-22 10:54:44.200

      output.end_time

      String

      Waktu akhir tugas, dalam format YYYY-MM-DD HH:mm:ss.SSS.

      2026-01-22 10:54:51.685

      output.task_id

      String

      Pengidentifikasi unik untuk tugas.

      e36c2221-b7fd-xxxx

      output.scheduled_time

      String

      Waktu penjadwalan tugas, dalam format YYYY-MM-DD HH:mm:ss.SSS.

      2026-01-22 10:54:44.251

      output.results

      Array<Object>

      Array hasil generasi, berisi metadata untuk aset yang dihasilkan.

      -

      output.results[].orig_prompt

      String

      Prompt asli yang dimasukkan pengguna.

      a cute cat sitting on a windowsill

      output.results[].actual_prompt

      String

      Prompt yang digunakan untuk generasi setelah ekspansi model.

      a cute white cat with fluffy, soft fur...

      output.results[].url

      String

      URL file yang dihasilkan.

      https://dashscope-result...

      usage

      Object

      Statistik penggunaan model.

      -

      usage.image_count

      Number

      Jumlah gambar yang dihasilkan (mode generasi gambar).

      1

      urls

      Array<String>

      Array URL untuk file yang dihasilkan. Gunakan URL ini untuk mengakses atau mengunduh output.

      ["https://dashscope-result..."]

    Uji aplikasi

    Setelah mengonfigurasi alur kerja, Anda dapat menggunakan fitur uji untuk memverifikasi bahwa alur kerja berjalan sesuai harapan. Klik tombol Test di pojok kanan atas untuk membuka panel uji. Panel uji menawarkan beberapa mode uji untuk kasus penggunaan berbeda.

    Percakapan teks

    Percakapan teks adalah mode uji default. Mode ini mempertahankan riwayat percakapan dan mendukung percakapan multi-putaran berkelanjutan.

    1. Dari daftar drop-down di bagian atas panel uji, pilih mode percakapan teks (dipilih secara default). Jika alur kerja berisi variabel kustom, masukkan nilainya di area konfigurasi parameter.

    2. Di kotak input, masukkan konten uji Anda (teks dan lampiran file didukung), lalu klik tombol Send atau tekan Enter untuk menjalankan uji.

    3. Tinjau hasil uji. Anda dapat mengklik node untuk melihat input dan output terperincinya, atau mengalihkan format output antara Teks dan JSON.

    4. Untuk melanjutkan percakapan, masukkan giliran berikutnya di kotak input dan kirimkan. Untuk memulai percakapan baru, klik tombol Clear All.

    Generasi teks

    Mode generasi teks digunakan untuk interaksi satu putaran. Setiap uji bersifat independen, dan riwayat percakapan tidak dipertahankan.

    Daftar periksa

    Daftar periksa mencantumkan konfigurasi yang diperlukan untuk alur kerja Anda.

    Untuk melihat daftar periksa, klik ikon image di pojok kanan atas halaman konfigurasi canvas.

    image

    Rilis aplikasi

    Setelah aplikasi dirilis, Anda dapat memanggilnya melalui API atau membagikannya sebagai halaman web dengan pengguna RAM di akun utama yang sama. Untuk melakukannya, klik tombol Publish di pojok kanan atas halaman manajemen aplikasi agen.

    Panggil melalui API

    Di tab Publish Channel aplikasi alur kerja Anda, klik View API di sebelah API untuk mempelajari cara memanggil aplikasi agen menggunakan API.

    Catatan: Anda harus mengganti YOUR_API_KEY dengan kunci API Anda untuk memanggil API.

    image

    Untuk FAQ dan informasi tentang pemanggilan API, lihat topik berikut:

    Saat ini, Anda tidak dapat memanggil layanan Xiyan dari alur kerja. Sebagai gantinya, gunakan node API untuk memanggil layanan API kustom.

    Catatan

    Timeout untuk pemanggilan API adalah 600 detik dan tidak dapat diubah. Jika timeout mungkin terjadi, pertimbangkan solusi berikut:

    • Gunakan mode asinkron: Dalam mode ini, sistem mengembalikan ID tugas. Anda kemudian dapat menggunakan ID tugas untuk mengkueri hasilnya, yang menghindari batas timeout sinkron.

    • Pecah tugas: Pecah tugas menjadi beberapa langkah, atau proses data batch dalam potongan yang lebih kecil untuk mencegah eksekusi tunggal timeout.

    Impor atau ekspor alur kerja

    1. Impor atau ekspor alur kerja Model Studio

      Klik ikon image di bagian atas halaman alur kerja dan pilih Export DSL atau Import Model Studio DSL.

      image

    2. Impor alur kerja Dify

      Model Studio mendukung impor satu klik alur kerja Dify untuk migrasi dan penggunaan ulang yang mudah.

      1. Klik ikon image di bagian atas halaman alur kerja dan pilih Import Dify DSL.

        image

      2. Sesuaikan parameter untuk setiap node.

        image

      Detail kompatibilitas node adalah sebagai berikut:

      Node Dify

      Node Model Studio yang dipetakan

      Kompatibilitas

      start

      start

      1. sys.query dipetakan ke query.

      2. sys.dialogue_count dipetakan ke maximum memory turns.

      LLM

      LLM

      1. model: Model Studio menghapus bidang model untuk model yang tidak didukung, mengharuskan Anda memilih model secaramanual. Model yang didukung sepenuhnya kompatibel.

      2. prompt: Prompt Sistem Dify dipetakan ke prompt utama di Model Studio, sedangkan prompt Pengguna Dify dipetakan ke prompt pengguna.

      3. kemampuan visi: Sepenuhnya kompatibel.

      4. konteks: Model Studio memasukkan langsung bidang mentah dari konteks Dify ke dalam prompt sistemnya.

      knowledge retrieval

      knowledge base

      1. input: Model Studio secara konsisten menggunakan bidang content sebagai input.

      2. basis pengetahuan: Model Studio menghapus bidang ini setelah impor. Anda harus mengaitkan basis pengetahuan secara manual di Model Studio.

      3. pengaturan pengambilan: Parameter Top-k Dify dipetakan ke jumlah fragmen yang diambil.

      Direct Reply

      output node

      Sepenuhnya kompatibel.

      agent

      None

      Hanya nama yang dipertahankan. Anda harus mengklik node dan memilih node Model Studio spesifik sebagai pengganti.

      Question Classifier

      intent classification

      Model Studio menghapus bidang model untuk model yang tidak didukung, mengharuskan Anda memilih model secara manual. Model yang didukung sepenuhnya kompatibel.

      Iteration

      batch processing

      1. input: Dipetakan ke Batch Array.

      2. variabel output: Dipetakan ke Output Variable.

      loop

      loop

      Sepenuhnya kompatibel.

      code execution

      script

      Model Studio membedakan antara skrip Python dan JavaScript.

      Template Transform

      None

      Tidak kompatibel. Model Studio menghasilkan node kustom.

      Variable Aggregator

      Variable Processing

      Dipetakan ke mode output Aggregate Groups dari node Variable Processing.

      Document Extractor

      None

      Tidak kompatibel. Model Studio menghasilkan node kustom.

      Variable Assignment

      Variable Settings

      Sepenuhnya kompatibel.

      Parameter Extractor

      parameter extraction

      Model Studio tidak mendukung mode inferensi. Fitur lainnya sepenuhnya kompatibel.

      HTTP request

      API

      Sepenuhnya kompatibel, tetapi Anda harus mengotentikasi ulang.

      List Operation

      None

      Tidak kompatibel. Model Studio menghasilkan node kustom.

      Tool

      plugin, MCP

      Tidak kompatibel. Model Studio menghasilkan node kustom.

      comment

      None

      Tidak kompatibel.

      end

      end

      Jika alur kerja Dify berisi beberapa node end, Model Studio mengonversinya menjadi satu node Variable Processing dan satu node end.

    Kelola versi alur kerja

    1. Klik Publish di pojok kanan atas halaman konfigurasi alur kerja. Di kotak dialog Publish, masukkan informasi versi, seperti 1.0.0, lalu klik OK.

    image

    1. Klik Version Management di bagian atas halaman, dan di panel Historical Versions, Anda dapat melihat atau menggunakan versi berbeda dari aplikasi alur kerja saat ini sesuai kebutuhan dengan mengklik Overwrite Current Draft atau Return to Current Version.

      Anda juga dapat mengklik Export DSL for This Version di bagian atas untuk mengekspor DSL versi historis yang dipilih.

    image

    1. Opsi: Di Node Library, lihat atau cari node.

    image

    Hapus dan salin aplikasi alur kerja

    Di My Applications, temukan kartu aplikasi yang telah dipublikasikan dan klik ikon image untuk menghapus aplikasi, menyalin alur kerjanya, atau mengubah nama aplikasinya.

    image

    FAQ

    Aplikasi alur kerja

    1. Bagaimana cara menulis hasil eksekusi alur kerja ke database?

      Gunakan node konversi skrip untuk menulis output dari node sebelumnya ke database.

    2. Bagaimana cara mengunggah file saat membuat aplikasi alur kerja di Model Studio?

      Tambahkan node API ke aplikasi alur kerja Anda untuk mengunggah file.

    3. Bagaimana cara mengunggah gambar?

      Gunakan model VL dan teruskan URL gambar sebagai parameter.

    4. Dapatkah saya menggunakan API tugas asinkron dalam aplikasi alur kerja?

      Timeout untuk aplikasi alur kerja adalah 600 detik. Hindari menggunakan API tugas asinkron dalam alur kerja.

    5. Bagaimana cara memanggil API alur kerja Model Studio dari aplikasi frontend dan menerima output streaming?

      Pemanggilan frontend saat ini tidak didukung.

    6. Mengapa saya tidak dapat mengimpor file .yaml mandiri ke alur kerja Model Studio?

      Model Studio tidak mendukung pengimporan file .yaml mandiri. Anda harus menyediakan paket terkompresi yang mencakup file MD5. Kami menyarankan untuk menghasilkan ulang MD5 jika Anda mengalami masalah.

    7. Dapatkah nama variabel dalam alur kerja Model Studio menggunakan karakter Cina?

      Tidak, nama variabel tidak boleh mengandung karakter Cina.

    8. Bagaimana riwayat percakapan disimpan?

      Aplikasi alur kerja menyimpan data hanya selama satu bulan. Anda harus menyimpan riwayat percakapan Anda sendiri. session_id berlaku selama satu jam.

    Node

    1. Mengapa node klasifikasi intent saya gagal saat konteks diaktifkan?

      Jika Anda mengaktifkan konteks untuk node klasifikasi intent, variabel yang Anda teruskan kepadanya harus berupa daftar.

    2. Mengapa node API saya gagal saat saya menggunakan output streaming?

      Node API dalam alur kerja tidak mendukung output streaming. Namun, output streaming didukung oleh API HTTP yang mendasarinya.

    3. Bagaimana cara mempercepat node kondisional yang lambat?

      1. Periksa konfigurasi alur kerja Anda: Pastikan setiap node, terutama node kondisional, dikonfigurasi dengan benar. Hindari perhitungan atau pemrosesan data yang tidak perlu kompleks untuk mengurangi waktu respons.

      2. Optimalkan logika skrip: Jika logika kondisional melibatkan skrip kustom, optimalkan skrip dengan mengurangi loop yang tidak perlu atau pemrosesan data berlebihan untuk meningkatkan kinerja.

      3. Jalankan pengujian batch: Ukur waktu respons rata-rata alur kerja Anda untuk mengidentifikasi hambatan kinerja dalam kondisi tertentu.

    4. Bagaimana cara mengalirkan proses penalaran dari node model besar?

      Anda perlu menambahkan node konversi teks setelah node model besar, mengonfigurasi variabel reasoning_content, dan mengaktifkan Result Return. Node end harus menerima hasilnya.

    5. Bagaimana cara menyesuaikan parameter output node model besar?

      1. Gunakan node skrip untuk memproses output: Tambahkan node skrip setelah node model besar untuk memproses outputnya, mengonversinya ke format yang diinginkan, atau menambahkan parameter tambahan.

      2. Konfigurasikan node batch: Jika Anda menggunakan node model besar dalam node batch, Anda dapat memilih output node model besar sebagai output akhir di konfigurasi node batch. Langkah-langkahnya sebagai berikut:

        • Tambahkan node model besar ke node batch.

        • Di konfigurasi node batch, pilih output node model besar sebagai output akhir resultList.

      Lihat Pass parameter untuk aplikasi.

    6. Mengapa node API saya tidak mengembalikan hasil atau gagal melewatkan parameter?

      Verifikasi bahwa kunci API dan Base URL Anda benar. Pastikan parameter input dikonfigurasi dengan benar, dan sesuaikan tipe input bidang jika perlu. Gunakan Model Observation untuk melihat detail penggunaan model.

    7. Bagaimana cara mengatasi masalah saat mengakses data Excel dari basis pengetahuan?

      Anda tidak dapat mengakses file lokal secara langsung. Gunakan MCP untuk mengakses sumber daya lokal. Anda harus memproses output dari node basis pengetahuan secara manual. Kami menyarankan menambahkan node model besar untuk mengonversi output ke format tabel sebelum meneruskannya ke node skrip untuk pemrosesan lebih lanjut.