Platform For AI:Referensi node alur kerja

Start

Node Start menandai titik awal eksekusi dan mendeklarasikan parameter input untuk application flow.

• Untuk alur percakapan, sistem menyediakan dua bidang default: riwayat percakapan dan input pengguna. Tambahkan variabel kustom sesuai kebutuhan. Untuk menerima file yang diunggah pengguna, definisikan variabel input dengan tipe file. Untuk detailnya, lihat File type input and output.

  

• Saat menjalankan application flow, konfigurasikan parameter input untuk sesi saat ini di panel percakapan.

  

Conditional branch

Node ini menerapkan logika if-else untuk pengendalian alur. Node ini mengevaluasi kondisi dan mengarahkan eksekusi ke branch pertama yang sesuai. Jika tidak ada kondisi yang bernilai true, maka else branch akan dijalankan. Pasangkan node ini dengan node Variable aggregate untuk menggabungkan hasil dari berbagai branch.

• Configuration

  

• Input

  Saat mengonfigurasi kondisi branch, perhatikan hal-hal berikut:

  • Setiap branch merepresentasikan jalur eksekusi. Branch terakhir adalah else branch, yang dijalankan ketika tidak ada kondisi lain yang cocok dan tidak dapat diedit.

  • Setiap branch dapat berisi beberapa kondisi, yang dapat dikombinasikan menggunakan logika and/or.

  • Verifikasi output dari node hulu, operator (seperti =, ≠, is empty, dan does not include), serta nilai-nilainya untuk memastikan kondisi yang akurat dan valid.

• Output

  Node ini tidak menghasilkan output.

• Usage example

  Saat Anda menghubungkan node Cabang Kondisional ke node downstream, setiap cabang memiliki port koneksi yang sesuai. Jika kondisi suatu cabang terpenuhi, sistem akan menjalankan node downstream di cabang tersebut dan melewatkan cabang lainnya. Gunakan node Agregat Variabel untuk mengumpulkan hasil eksekusi dari cabang aktif.

  

Variable aggregate

Node ini menggabungkan hasil output dari berbagai branch menjadi variabel terpadu. Saat node Conditional branch atau Intent recognition dijalankan, hanya satu branch yang dieksekusi. Node ini memungkinkan node hulu mereferensikan satu variabel agregat tunggal terlepas dari branch mana yang dijalankan, sehingga mencegah logika redundan.

• Configuration

  

• Input

  Saat mengonfigurasi grup variabel, perhatikan hal-hal berikut:

  • Node hulu biasanya merupakan beberapa branch eksekusi yang dihasilkan oleh node Conditional branch atau node Intent recognition.

  • Variabel dalam grup yang sama harus memiliki tipe yang sama. Nilai non-kosong pertama menjadi output untuk grup tersebut.

  • Karena hanya satu cabang hulu yang aktif, setiap kelompok akan memiliki paling banyak satu nilai yang tidak kosong. Variabel aggregate node mengekstrak nilai tersebut untuk digunakan oleh node hilir.

  • Jika setiap branch memiliki beberapa output yang perlu dikumpulkan, Anda dapat menambahkan beberapa grup untuk mengekstrak setiap nilai output yang sesuai.

• Output

  Variabel output node bergantung pada grup yang dikonfigurasi. Jika terdapat beberapa grup, node menghasilkan pasangan kunci-nilai untuk setiap grup, di mana kuncinya adalah nama grup dan nilainya adalah variabel non-kosong pertama dari grup tersebut.

• Usage example

  Lihat kasus penggunaan untuk node Conditional branch.

Loop

Node Loop menjalankan tugas berulang di mana setiap iterasi bergantung pada hasil sebelumnya. Loop berlanjut hingga kondisi keluar terpenuhi atau jumlah iterasi maksimum tercapai. Di dalam node Loop, konfigurasikan sub-alur yang akan dijalankan sistem secara berulang berdasarkan variabel loop.

• Configuration

  

• Input

  • Variabel loop: Meneruskan data antar-iterasi. Nilai akhirnya tetap tersedia untuk node hilir setelah loop selesai. Anda dapat mengonfigurasi beberapa variabel loop yang nilainya dimasukkan secara manual atau dipilih dari output node hulu.

  • Kondisi keluar loop: Anda dapat mengonfigurasi kondisi keluar berdasarkan variabel loop. Loop berhenti ketika variabel loop tertentu memenuhi kondisi yang telah ditetapkan.

  • Jumlah iterasi maksimum: Membatasi jumlah maksimum eksekusi loop untuk mencegah loop tak terbatas.

• Output

  Output node adalah nilai variabel loop setelah iterasi terakhir. Variabel loop hanya dapat diperbarui oleh node Variable Assigner. Tanpa node ini, output loop akan tetap identik dengan input awalnya, terlepas dari jumlah iterasi.

• Related nodes

  Node terkait loop hanya dapat digunakan di dalam loop. Tambahkan node terkait berikut dengan mengklik ikon + di sebelah kanan node di dalam loop:

  • Break Loop

    Keluar dari loop segera. Biasanya didahului oleh node Conditional branch.

  • Variable Assigner

    Menetapkan output node di dalam loop ke variabel loop, sehingga memajukan status loop.

  

Direct output

Node Direct output mengonfigurasi konten balasan langsung dengan menggunakan templat output. Node ini mendukung referensi output node hulu dengan sintaks {{node.variable}} dan streaming output.

Contoh: Tambahkan node Direct output sebelum node LLM untuk mengirim pesan awal kepada pengguna, seperti "Thinking...", sementara tugas utama sedang diproses.

Batch processing

Node Batch processing memproses data daftar secara paralel. Node ini menerapkan sub-alur yang sama ke setiap elemen daftar, yang secara signifikan meningkatkan efisiensi. Untuk tugas iteratif di mana setiap langkah bergantung pada langkah sebelumnya, gunakan node Loop sebagai gantinya.

{
  "result": [
    "Dokumen ini adalah panduan pengguna untuk produk XX, yang mencakup pengenalan fitur produk, langkah-langkah instalasi...",
    "Ini adalah kontrak pengadaan layanan perangkat lunak dengan masa berlaku 12 bulan...",
    null,
    "Faktur pajak pertambahan nilai biasa, tanggal 15 Januari 2026..."
  ]
}

End

Node End menandai penyelesaian suatu application flow dan mendefinisikan parameter output-nya. Satu application flow hanya dapat memiliki satu node End.

• Konfigurasi parameter output

  Output application flow dapat mereferensikan output dari node hulu mana pun. Misalnya, pada contoh di bawah, output 'answer' dari application flow menggunakan output dari node LLM, sedangkan 'search_results' menggunakan output dari node pencarian.

  

  Catatan

  • Alur percakapan memiliki bidang output default 'Chat', yang berfungsi sebagai output percakapan dari application flow.

  • Application flow harus mencakup node Start dan End. Hanya node yang terhubung di antara keduanya yang dieksekusi; node yang terisolasi diabaikan.

LLM

Node LLM adalah komponen inti dari suatu application flow yang memanggil large language model untuk tugas-tugas bahasa alami seperti generasi teks, menjawab pertanyaan, dan pemrosesan input kompleks. Node ini menyediakan opsi konfigurasi untuk menyesuaikan parameter model, mengelola riwayat percakapan, dan menyesuaikan prompt.

• Use cases

  • Generasi teks: Hasilkan konten teks berdasarkan topik dan kata kunci.

  • Klasifikasi konten: Secara otomatis mengklasifikasikan jenis email (misalnya, permintaan informasi, keluhan, atau spam).

  • Terjemahan teks: Terjemahkan teks ke bahasa tertentu.

  • RAG: Jawab pertanyaan pengguna dengan menggabungkan pengetahuan yang diambil dengan penalaran model.

• Configuration

  

• Input

  • Pengaturan model: Mendukung model yang dideploy dari ModelGallery, layanan model yang dideploy khusus, dan model dari penyedia seperti Dashscope dan DeepSeek. Untuk performa terbaik, pilih model yang sangat mumpuni. Konfigurasikan parameter model berikut:

    • Temperature: Nilai biasanya antara 0 dan 1 yang mengontrol keacakan output. Nilai lebih dekat ke 0 menghasilkan output yang lebih deterministik, sedangkan nilai lebih dekat ke 1 menghasilkan hasil yang lebih beragam.

    • Top P: Ambang batas pengambilan sampel nucleus. Model mengambil sampel dari himpunan token terkecil yang probabilitas kumulatifnya melebihi ambang batas P, memengaruhi keragaman output.

    • Top K: Membatasi token kandidat hanya pada K token paling mungkin. Ini mengurangi keacakan dan membuat output lebih fokus, membatasi kreativitas lebih langsung daripada Top P.

    • Presence penalty: Mengurangi pengulangan entitas atau informasi yang sama. Memberikan penalti pada token yang sudah ada dalam teks yang dihasilkan. Nilai yang lebih tinggi mengurangi pengulangan lebih agresif.

    • Frequency penalty: Memberikan penalti pada token berdasarkan frekuensinya dalam teks yang dihasilkan, mengurangi kata atau frasa yang terlalu sering muncul. Nilai yang lebih tinggi mendorong keragaman leksikal yang lebih besar.

    • Max tokens: Panjang output maksimum (dalam token) per eksekusi. Nilai yang lebih rendah dapat memotong output, sedangkan nilai yang lebih tinggi memungkinkan respons yang lebih panjang.

    • Seed: Ketika ditentukan, model mencoba pengambilan sampel deterministik. Permintaan berulang dengan seed dan parameter yang sama seharusnya menghasilkan hasil yang sama, tetapi determinisme penuh tidak dijamin. Lihat parameter respons system_fingerprint untuk memantau perubahan.

    • Stop sequences: Hingga empat sekuens yang menginstruksikan model untuk berhenti menghasilkan output lebih lanjut. Ketika model menemukan salah satu sekuens ini, ia berhenti menghasilkan token. Teks yang dikembalikan tidak menyertakan sekuens stop.

  • Riwayat percakapan: Jika diaktifkan, riwayat percakapan application flow secara otomatis dimasukkan ke dalam prompt.

  • Variabel input: Variabel dapat mereferensikan output dari semua node sebelumnya.

  • Prompt: Prompt berisi konten khusus untuk System (SYSTEM), User (USER), atau Assistant (ASSISTANT). Prompt adalah templat Jinja2 tempat Anda dapat mereferensikan variabel input dengan menggunakan kurung kurawal ganda {{}}.

• Output

  Secara default, node menghasilkan output String tetapi mendukung JSON. Tipe JSON mendukung variabel output kustom, dan model menghasilkan output berdasarkan nama variabel.

• Use cases

  • Bangun alur aplikasi Tanya Jawab untuk Keuangan dan Kesehatan dengan DeepSeek+RAG Berbasis LangStudio

  • LangStudio & DeepSeek: Solusi Chatbot RAG dan Pencarian Web

Intent recognition

Node Intent recognition terutama digunakan untuk pengendalian alur. Node ini menggunakan large language model untuk menganalisis maksud pengguna dan mengarahkan eksekusi ke branch yang sesuai berdasarkan hasilnya. Node ini mendukung konfigurasi multi-maksud dan riwayat percakapan.

• Configuration

  

• Input

  • Input pengguna: Pilih input pengguna yang akan digunakan untuk pengenalan maksud.

  • Konfigurasi multi-maksud: Siapkan maksud sesuai kebutuhan, pastikan deskripsi setiap maksud jelas dan tidak ada tumpang tindih semantik antar maksud yang berbeda. Maksud terakhir secara default adalah "Other", yang dicocokkan ketika tidak ada maksud lain yang berlaku dan tidak dapat diedit.

  • Pengaturan model: Konfigurasikan large language model untuk pengenalan maksud. Untuk performa yang lebih baik, pilih model yang lebih mumpuni, seperti qwen-max.

  • Riwayat percakapan: Saat diaktifkan, large language model secara otomatis memasukkan riwayat percakapan application flow ke dalam prompt selama penalaran.

  • Prompt tambahan: Konten ini ditambahkan ke prompt sistem untuk membantu model melakukan pengenalan maksud dengan lebih akurat.

• Output

  Node ini tidak menghasilkan output.

• Usage example

  Saat menghubungkan node Intent recognition ke node hulu, setiap branch maksud memiliki port koneksi yang sesuai pada node tersebut. Saat suatu maksud dikenali, node hulu yang terhubung ke branch tersebut dieksekusi, sedangkan node pada branch lain dilewati. Anda kemudian dapat menggunakan node Variable aggregate untuk mengumpulkan hasil eksekusi dari setiap branch.

  

Agent

Node Agent memungkinkan large language model (LLM) merencanakan, memilih tool, dan bertindak secara otonom. Node ini mendukung strategi penalaran dan kemampuan penggunaan tool. Dengan mengintegrasikan strategi seperti FunctionCalling dan ReAct, node ini memungkinkan LLM memanggil tool yang mematuhi Model Context Protocol (MCP) secara otonom pada waktu proses untuk mencapai penalaran multi-langkah.

Document parsing

Mendukung penggunaan parser dokumen cerdas bawaan sistem dan layanan penguraian dokumen dari AI Search Open Platform.

• Parser bawaan: Mengekstraksi konten terstruktur dan metadata dari dokumen, mendukung berbagai format dokumen utama, termasuk PDF, DOCX, PPTX, TXT, HTML, CSV, XLSX, XLS, JSONL, dan MD.

• AI Search Open Platform: Mencapai penguraian dokumen terstruktur presisi tinggi, mendukung ekstraksi informasi hierarki logis seperti judul dan paragraf, serta konten seperti teks, tabel, dan gambar. Ini meningkatkan efektivitas dan akurasi ekstraksi dokumen. Anda perlu terlebih dahulu mengonfigurasi koneksi layanan model AI Search Open Platform. Format file yang didukung meliputi PDF, DOCX, PPTX, TXT, dan HTML.

Tool ini mendukung skenario RAG, ringkasan, dan tanya jawab. Antarmuka konfigurasinya sebagai berikut:

• Dokumen file: File dokumen yang akan diurai. Pilih bidang tipe file dari node hulu.

• Pengaturan model: (Opsional) Pilih koneksi layanan model AI Search Open Platform yang telah dibuat di LangStudio. Jika tidak dikonfigurasi, sistem menggunakan metode penguraian dasar bawaan secara default.

• Output:

  • file_id: Pengidentifikasi unik file input.

  • content: Konten teks terstruktur yang diurai, termasuk informasi hierarkis seperti judul dan paragraf.

  • status: Status penguraian, yang dapat berupa SUCCESS atau FAIL.

  • metadata: Metadata dokumen dan detail penguraian.

    • file_name: Nama file.

    • file_type: Jenis file.

    • source_uri: URI asli file.

    • download_url: URL unduhan file.

    • analysis_method: Metode penguraian yang digunakan. "opensearch" menunjukkan penguraian terstruktur menggunakan AI Search Open Platform, sedangkan "builtin" menunjukkan penggunaan metode penguraian dasar bawaan.

Contoh penggunaan downstream: Pada node downstream, rujuk bidang hasil dari node penguraian dokumen sesuai kebutuhan. Untuk memanfaatkan hasil penguraian dokumen di node LLM, Anda dapat menyertakan konten yang telah diurai dalam prompt pengguna seperti pada contoh berikut:

Speech recognition

Gunakan node Speech recognition untuk mengonversi file audio atau video menjadi teks. Node ini mendukung berbagai format audio dan pengenalan bahasa.

Python development (Python)

Alur aplikasi mendukung node dengan kode Python kustom untuk pemrosesan data kompleks. Node ini mendukung input dan output streaming. Halaman konfigurasinya sebagai berikut:

Cukup isi kode Python. Input dan output secara otomatis diurai dari kode. Perhatikan hal-hal berikut:

• Fungsi entri harus didekorasi dengan @tool agar dimuat sebagai node.

  Catatan

  Untuk mengaktifkan input streaming untuk node Python, Anda harus mengonfigurasi @tool(properties={"streaming_pass_through": True}). Jika tidak, input ke node Python, seperti dari LLM, akan berupa teks output lengkap alih-alih stream.

• Fungsi mendukung tipe input/output berikut: int, float, bool, str, dict, TypedDict, dataclass (hanya output), list, dan File.

• Parameter fungsi entri diurai secara dinamis sebagai input node. Output ditempatkan dalam kamus output dan dapat direferensikan oleh node lain.

  Penting

  Penguraian otomatis parameter input dan output untuk node Python bergantung pada runtime. Jika runtime tidak diluncurkan, Anda tidak dapat mengonfigurasi informasi input dan output node.

• Jika kode Python Anda memerlukan dependensi, pilih Install Dependencies di pojok kanan atas kanvas dan masukkan paket yang diperlukan. File requirements.txt disimpan bersama alur aplikasi. Dependensi diinstal saat Anda meluncurkan runtime atau mendeploy layanan.

  

  

Kasus penggunaan 1: Masukkan kode berikut di area kode. Kode ini dipetakan ke input dan output node:

from langstudio.core import tool
from dataclasses import dataclass

@dataclass
class Result:
    output1: str
    output2: int

@tool
def invoke(foo: str, bar: int) -> Result:    
    return Result(
        output1="hello" + foo,
        output2=bar + 10
    )

Kasus penggunaan 2: Input dan output streaming. Gunakan node Python untuk memangkas stream teks dari node LLM atau agen yang mencakup proses berpikir. Dengan membuang konten dalam bagian <think>\n\n</think>, Anda bisa mendapatkan stream teks akhir dari hasilnya. Berikut contohnya:

import re
from typing import Iterator
from langstudio.core import tool

@tool(properties={"streaming_pass_through": True})
def strip_think(
    stream: Iterator[str],
) -> Iterator[str]:  # Input adalah iterator string streaming, dan output adalah iterator string streaming yang telah difilter.
    # Cocokkan struktur <think>\n...\n</think> dan tangkap teks setelah tag penutup.
    pattern = re.compile(r"<think>\n[\s\S]*\n</think>(.*)")
    in_thinking = True  # Bendera untuk menunjukkan apakah posisi saat ini berada di dalam blok <think>.
    think_buf = ""      # Buffer untuk menyimpan konten yang belum diproses.

    for chunk in stream:
        if in_thinking:
            think_buf += chunk
            m = pattern.search(think_buf)  # Periksa apakah buffer berisi blok pikiran lengkap.
            if m:
                in_thinking = False
                result_part = m.groups()[0]
                if result_part:
                    yield result_part  # Jika teks hasil ada, hasilkan segera.
        else:
            yield chunk  # Setelah keluar dari blok pikiran, langsung hasilkan semua potongan berikutnya.

Template transformation

Tool Template transformation menggunakan sintaks templat Jinja2 untuk memungkinkan pemformatan teks dan transformasi data yang fleksibel.

Dear {{ customer_name }}:

Your order {{ order_id }} has been confirmed. The details are as follows:

{% for product in products %}
- {{ product.name }}: ¥{{ product.price }}
{% endfor %}

Total: ¥{{ total }}

Thank you for your purchase!

Dear John Doe:

Your order ORD-2025-001 has been confirmed. The details are as follows:

- Laptop: ¥8999
- Wireless Mouse: ¥199

Total: ¥9198

Thank you for your purchase!

{% for chunk in chunks %}
### Relevance: {{ "%.2f" % chunk.score }}
#### {{ chunk.title }}
{{ chunk.content }}
---
{% endfor %}

### Relevance: 0.95
#### Product Introduction
This is a detailed introduction to the product...
---

List operations

Tool List operations memungkinkan Anda melakukan penyaringan dan pengurutan fleksibel pada berbagai jenis data daftar untuk pemrosesan dan pemilihan data detail halus.

Operation 1 - Filter (berdasarkan kategori file):
  Filter key: item.category
  Filter operator: equals
  Filter value: image

Operation 2 - Sort (berdasarkan panjang nama file):
  Sort key: item.file_name
  Sort direction: asc

Operation 3 - Filter (ambil 3 teratas):
  Filter key: index
  Filter operator: less than
  Filter value: 3

[
  {"name": "Zhang San", "score": 95, "department": "Tech Dept"},
  {"name": "Li Si", "score": 72, "department": "Marketing Dept"},
  {"name": "Wang Wu", "score": 88, "department": "Tech Dept"},
  {"name": "Zhao Liu", "score": 91, "department": "Product Dept"},
  {"name": "Qian Qi", "score": 65, "department": "Marketing Dept"},
  {"name": "Sun Ba", "score": 98, "department": "Tech Dept"}
]

Operation 1 - Filter (pengguna ber-skor tinggi):
  Filter key: item.score
  Filter operator: greater than or equal to
  Filter value: 80

Operation 2 - Sort (berdasarkan skor menurun):
  Sort key: item.score
  Sort direction: desc

Operation 3 - Filter (ambil 5 teratas):
  Filter key: index
  Filter operator: less than
  Filter value: 5

[
  {"name": "Sun Ba", "score": 98, "department": "Tech Dept"},
  {"name": "Zhang San", "score": 95, "department": "Tech Dept"},
  {"name": "Zhao Liu", "score": 91, "department": "Product Dept"},
  {"name": "Wang Wu", "score": 88, "department": "Tech Dept"}
]