Platform For AI：Referensi Node Alur Kerja

Start

Node Start menandai awal suatu alur aplikasi dan memungkinkan Anda mengonfigurasi parameter input untuk alur tersebut.

• Alur aplikasi percakapan mencakup dua bidang default: riwayat percakapan dan input pengguna. Anda dapat menambahkan variabel kustom sesuai kebutuhan, termasuk variabel input bertipe file untuk menerima file yang diunggah. Untuk informasi selengkapnya, lihat Input/output tipe file.

  

• Saat menjalankan alur aplikasi, konfigurasikan parameter input untuk sesi saat ini di panel chat.

  

Conditional Branch (Condition)

Node ini menerapkan logika if-else untuk kontrol alur. Jika suatu kondisi bernilai true, hanya cabang yang sesuai yang dijalankan; jika tidak, cabang else akan dijalankan. Anda dapat menggunakan node ini bersama dengan node pengembangan aplikasi alur kerja.

• Antarmuka konfigurasi

  

• Input

  Saat mengonfigurasi kondisi cabang, perhatikan hal-hal berikut:

  • Setiap cabang merepresentasikan jalur eksekusi. Cabang terakhir adalah cabang else, yang dijalankan ketika tidak ada cabang lain yang cocok. Cabang ini tidak dapat diedit.

  • Setiap cabang dapat mencakup beberapa kondisi. Kondisi dalam satu cabang mendukung agregasi AND/OR.

  • Pastikan akurasi dan validitas dengan menentukan output node hulu, operator perbandingan (seperti =, ≠, is empty, does not include, dll.), serta nilai yang dicocokkan.

• Output

  Tidak ada output.

• Contoh penggunaan

  Node kondisi menyediakan port koneksi khusus untuk setiap cabang yang terhubung ke node-node downstream. Ketika kondisi suatu cabang dipicu, alur kerja akan mengeksekusi node-node downstream yang terhubung ke cabang tersebut, sementara cabang-cabang lainnya dilewati. Anda kemudian dapat menggunakan komponen pengembangan aplikasi alur kerja untuk mengumpulkan output dari node-node downstream di semua cabang kondisional.

  

Variable Aggregate

Node ini mengonsolidasikan hasil output dari berbagai cabang menjadi satu variabel terpadu, sehingga memastikan akses yang konsisten terlepas dari cabang mana yang dieksekusi. Ini sangat berguna dalam skenario multi-cabang di mana variabel dengan fungsi serupa di berbagai cabang dipetakan ke satu variabel output, sehingga menghindari definisi berulang di node hulu.

• Antarmuka konfigurasi

  

• Input

  Saat mengonfigurasi grup variabel, perhatikan hal-hal berikut:

  • Node hulu biasanya merupakan beberapa cabang eksekusi yang berasal dari node pengembangan aplikasi alur kerja atau pengembangan aplikasi alur kerja.

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

  • Karena node Condition atau Intent Recognition hanya memicu satu cabang, setiap grup berisi tepat satu nilai non-kosong. Node Variable Aggregate mengekstrak nilai ini untuk digunakan dengan mudah di node hulu.

  • Jika diperlukan beberapa output dari setiap cabang Condition atau Intent Recognition, buat beberapa grup untuk mengekstrak nilai yang sesuai secara terpisah.

• Output

  Variabel output menyesuaikan secara dinamis berdasarkan grup yang dikonfigurasi. Dengan beberapa grup, node ini menghasilkan beberapa pasangan kunci-nilai, di mana kuncinya adalah nama grup dan nilainya adalah variabel non-kosong pertama dalam grup tersebut.

• Contoh penggunaan

  Untuk contoh penggunaan, lihat komponen pengembangan aplikasi alur kerja.

Loop

Node Loop mengeksekusi tugas berulang yang bergantung pada hasil iterasi sebelumnya hingga kondisi keluar terpenuhi atau jumlah maksimum loop tercapai. Di dalam node Loop, konfigurasikan alur anak. Sistem akan berulang kali mengeksekusi logika alur anak menggunakan variabel loop hingga kondisi penghentian terpicu atau batas eksekusi tercapai.

• Antarmuka konfigurasi

  

• Input

  • Variabel loop: Meneruskan data antar iterasi dan menyediakannya untuk node hilir setelah loop berakhir. Konfigurasikan beberapa variabel loop dengan memasukkan nilai secara manual atau memilih output dari node hulu.

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

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

• Output

  Node ini menghasilkan nilai terkini dari variabel loop setelah eksekusi loop selesai. Hanya node Variable Assigner yang dapat memperbarui variabel loop. Tanpa node tersebut, output node loop tetap tidak berubah dari input awal setelah N iterasi.

• Node terkait

  Node terkait loop hanya dapat digunakan di dalam loop. Klik ikon "+" di sisi kanan node dalam loop untuk menambahkan node terkait berikut:

  • Break Loop

    Menghentikan loop. Node hulu biasanya merupakan node pengembangan aplikasi alur kerja.

  • Variable Assigner

    Menetapkan hasil output dari node anak dalam loop ke variabel loop.

  

Direct Output

Node Direct Output mengonfigurasi konten pesan balasan secara langsung melalui templat output. Node ini mendukung referensi output node hulu menggunakan sintaksis {{node.variable}} dan mendukung keluaran streaming.

Contoh penggunaan: Tambahkan node Direct Output sebelum node LLM untuk mengirim pesan langsung kepada pengguna.

Batch Processing

Node Batch Processing menangani data daftar melalui pemrosesan batch paralel. Setiap elemen daftar menjalani proses alur anak yang identik, sehingga meningkatkan efisiensi secara signifikan melalui eksekusi paralel.

{
  "result": [
    "This document is the XX product user manual, covering product features and installation steps...",
    "This contract is for software service procurement with a 12-month term...",
    null,
    "Standard VAT invoice, issued on January 15, 2026..."
  ]
}

End

Node End menandai penyelesaian suatu alur aplikasi (Workflow) dan menentukan parameter output alur tersebut. Satu alur aplikasi hanya dapat berisi satu node End.

• Konfigurasi parameter output

  Output alur aplikasi dapat mereferensi output dari node hulu apa pun sebagai hasil eksekusi akhir. Misalnya, dalam konfigurasi berikut, output jawaban alur menggunakan output node LLM, sedangkan search_results menggunakan output node pencarian.

  

  Catatan

  • Alur aplikasi percakapan mencakup bidang output Chat default untuk respons dialog.

  • Alur aplikasi harus mencakup node Start dan End. Hanya node yang terhubung di antara keduanya yang dieksekusi; node yang tidak terhubung diabaikan.

Large Language Model (LLM)

Node LLM adalah komponen inti suatu alur aplikasi, dirancang khusus untuk memanggil model bahasa besar guna menangani tugas bahasa alami. Node ini memberikan respons teks cerdas untuk menjawab pertanyaan atau menangani input bahasa alami yang kompleks. Node ini juga menawarkan opsi konfigurasi fleksibel untuk menyesuaikan parameter model, mengelola riwayat percakapan, dan menyesuaikan prompt demi mengoptimalkan kualitas dan akurasi respons.

• Skenario

  • Generasi teks: Menghasilkan konten berdasarkan topik atau kata kunci.

  • Klasifikasi konten: Secara otomatis mengklasifikasikan jenis email (permintaan/keluhan/spam).

  • Transformasi teks: Menerjemahkan teks ke bahasa tertentu.

  • RAG: Menjawab pertanyaan pengguna menggunakan pengetahuan yang diambil.

• Antarmuka konfigurasi

  

• Input

  • Pengaturan model: Gunakan model yang diterapkan dari ModelGallery, penerapan kustom, atau penyedia seperti Dashscope dan DeepSeek. Untuk hasil terbaik, pilih model berkapasitas tinggi. Konfigurasikan parameter berikut:

    • Temperature: Nilai antara 0 dan 1 yang mengontrol keacakan output. Nilai lebih rendah (mendekati 0) menghasilkan output yang lebih deterministik; nilai lebih tinggi (mendekati 1) menghasilkan output yang lebih beragam.

    • Top P: Mengontrol keragaman dengan memilih token yang probabilitas kumulatifnya tidak melebihi ambang batas P.

    • Top K: Membatasi pemilihan token hanya pada K token paling mungkin, mengurangi keacakan dan memfokuskan output pada kosakata berprobabilitas tinggi.

    • Presence penalty: Mengurangi pengulangan entitas atau informasi dengan memberikan penalti pada konten yang sudah dihasilkan. Nilai lebih tinggi mengurangi kemungkinan pengulangan.

    • Frequency penalty: Mengurangi probabilitas generasi kata atau frasa yang sering muncul. Nilai lebih tinggi meningkatkan keragaman leksikal.

    • Max tokens: Menetapkan panjang maksimum output per generasi. Nilai lebih rendah dapat memotong teks; nilai lebih tinggi memungkinkan output lebih panjang.

    • Seed: Saat ditentukan, model mencoba sampling deterministik sehingga seed dan parameter identik menghasilkan output identik. Determinisme penuh tidak dijamin. Pantau potensi perubahan menggunakan parameter respons system_fingerprint (akses proxy mungkin diperlukan).

    • Stop sequences: Hingga 4 urutan yang menghentikan generasi teks saat terdeteksi. Teks yang dikembalikan tidak menyertakan urutan penghenti itu sendiri.

  • Riwayat percakapan: Saat diaktifkan, secara otomatis memasukkan riwayat chat alur aplikasi ke dalam prompt.

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

  • Prompt: Sesuaikan konten prompt SYSTEM/USER/ASSISTANT menggunakan templat Jinja2. Referensikan variabel input dengan kurung kurawal ganda {{}}.

• Output

  Node ini secara default menghasilkan data String tetapi dapat dikonfigurasi untuk output JSON. Untuk JSON, definisikan variabel output kustom; LLM menghasilkan output berdasarkan nama variabel.

• Contoh penggunaan

  • Membangun alur aplikasi Q&A untuk keuangan dan kesehatan dengan DeepSeek+RAG dan LangStudio

  • LangStudio & DeepSeek: Solusi chatbot RAG dan pencarian web

Intent Recognition

Terutama digunakan untuk kontrol alur, node ini menganalisis maksud input pengguna menggunakan model bahasa besar dan mengeksekusi cabang yang sesuai berdasarkan hasil pengenalan. Node ini mendukung konfigurasi multi-maksud serta riwayat percakapan.

• Antarmuka konfigurasi

  

• Input

  • Input pengguna: Pilih input pengguna untuk pengenalan maksud.

  • Konfigurasi multi-maksud: Definisikan maksud sesuai kebutuhan, pastikan deskripsinya jelas tanpa tumpang tindih semantik. Maksud terakhir secara default adalah "Other", yang merepresentasikan input yang tidak cocok, dan tidak dapat diedit.

  • Pengaturan model: Konfigurasikan LLM untuk pengenalan maksud. Untuk hasil terbaik, pilih model berkapasitas tinggi seperti qwen-max.

  • Riwayat percakapan: Saat diaktifkan, secara otomatis memasukkan riwayat chat ke dalam prompt selama inferensi LLM.

  • Prompt tambahan: Menambahkan konten ke prompt sistem untuk meningkatkan akurasi pengenalan maksud.

• Output

  Tidak ada output.

• Contoh penggunaan

  Saat Anda menghubungkan node Pengenalan Maksud ke node-node downstream, setiap cabang maksud memiliki port koneksi yang sesuai. Ketika suatu maksud dikenali, cabang tersebut akan mengeksekusi node-node downstream yang terhubung dengannya dan melewatkan cabang-cabang lainnya. Anda dapat menggunakan komponen pengembangan aplikasi alur kerja untuk mengumpulkan hasil eksekusi (output node downstream) dari semua cabang.

  

Agent

Node Agent di LangStudio memungkinkan pengembangan agen otonom. Node ini mendukung strategi penalaran dan kemampuan penggunaan tool, mengintegrasikan pendekatan penalaran berbeda (saat ini FunctionCalling dan ReAct) untuk secara dinamis memanggil tool Model Context Protocol (MCP) selama waktu proses, sehingga memungkinkan penalaran otonom multi-langkah.

Document Parsing

Mendukung penguraian dokumen cerdas bawaan dan layanan penguraian dokumen AI Search Open Platform.

• Parser bawaan: Mengekstrak konten terstruktur dan metadata dari berbagai format: PDF, DOCX, PPTX, TXT, HTML, CSV, XLSX, XLS, JSONL, dan MD.

• AI Search Open Platform: Menyediakan penguraian terstruktur berakurasi tinggi untuk mengekstrak hierarki logis (judul, paragraf) dan konten (teks, tabel, gambar), sehingga meningkatkan kualitas ekstraksi. Memerlukan koneksi layanan model AI Search Open Platform yang telah dikonfigurasi sebelumnya. Format yang didukung: PDF, DOCX, PPTX, TXT, dan HTML.

Alat ini mendukung skenario RAG hilir, Ringkasan, dan T&J. Antarmuka konfigurasinya sebagai berikut:

• File dokumen: Masukkan satu dokumen untuk penguraian cerdas. Pilih bidang bertipe File dari hulu.

• Pengaturan model: (Opsional) Pilih koneksi layanan model AI Search Open Platform yang telah dikonfigurasi di LangStudio. Tanpa konfigurasi, sistem menggunakan parser dasar bawaan.

• Output:

  • file_id: Pengenal unik untuk file input

  • content: Konten teks terstruktur dengan informasi hierarkis (judul, paragraf)

  • status: Status penguraian (SUCCESS atau FAIL)

  • metadata: Metadata dokumen dan detail penguraian

    • file_name: Nama file

    • file_type: Jenis file

    • source_uri: URI file asli

    • download_url: URL unduhan file

    • analysis_method: Metode penguraian yang digunakan. "opensearch" menunjukkan penguraian terstruktur AI Search Open Platform; "builtin" menunjukkan penguraian dasar bawaan.

Contoh penggunaan downstream: Rujuk hasil penguraian dokumen di node downstream sesuai kebutuhan. Untuk menggunakan konten yang telah diurai di node LLM, sertakan konten tersebut dalam prompt pengguna seperti yang ditunjukkan di bawah ini:

Speech Recognition

Mengonversi file audio atau video ke teks menggunakan tool speech recognition. Mendukung berbagai format audio dan bahasa.

Knowledge Base Retrieval (Index Lookup)

Mengambil konten teks dari Basis pengetahuan yang relevan dengan pertanyaan pengguna untuk digunakan sebagai konteks pada node-node LLM di hilir.

• Antarmuka konfigurasi

  

• Input

  • Nama indeks basis pengetahuan: Pilih basis pengetahuan terdaftar di LangStudio. Untuk informasi selengkapnya, lihat Manajemen basis pengetahuan.

  • Kata kunci pencarian: Referensikan parameter output node hulu (format String) untuk pengambilan basis pengetahuan.

  • Top K: Jumlah hasil paling relevan yang dikembalikan dari indeks basis pengetahuan.

• Output

  Variabel output pengambilan result (tipe: List[Dict]) dengan kunci berikut:

  Kunci	Deskripsi
  content	Konten chunk dokumen yang diambil—fragmen teks dari basis pengetahuan yang relevan dengan kueri.
  score	Skor kemiripan antara chunk dokumen dan kueri. Skor lebih tinggi menunjukkan relevansi lebih kuat.

  Contoh output yang menampilkan catatan dengan skor tertinggi top_k:

  [
    {
      "score": 0.8057173490524292,
      "content": "Due to pandemic-related uncertainties, XX Bank proactively\nincreased provisions for loan losses and non-credit asset impairments\nbased on economic trends and conditions in the Chinese mainland,\naccelerated disposal of non-performing assets, and enhanced provisioning coverage.\nIn 2020, it achieved a net profit of CNY 28.928 billion, up 2.6% year-on-year,\nwith gradually improving profitability.\n(CNY million) 2020 2019 Change (%)\nOperating Results and Profitability\nOperating Revenue 153,542 137,958 11.3\nPre-Impairment Operating Profit 107,327 95,816 12.0\nNet Profit 28,928 28,195 2.6\nCost-to-Income Ratio(1)(%) 29.11 29.61 Down 0.50\npercentage points\nAverage Total Assets Return (%) 0.69 0.77 Down 0.08\npercentage points\nWeighted Average ROE (%) 9.58 11.30 Down 1.72\npercentage points\nNet Interest Margin(2)(%) 2.53 2.62 Down 0.09\npercentage points\nNote: (1) Cost-to-Income Ratio = Operating and Administrative Expenses / Operating Revenue.",
      "id": "49f04c4cb1d48cbad130647bd0d75f***1cf07c4aeb7a5d9a1f3bda950a6b86e",
      "metadata": {
        "page_label": "40",
        "file_name": "2021-02-04_China XX Insurance Group Co., Ltd._XX_China XX_2020_Annual Report.pdf",
        "file_path": "oss://my-bucket-name/datasets/chatglm-fintech/2021-02-04__China_XX_Insurance_Group_Co.__Ltd.__601318__China_XX__2020__Annual_Report.pdf",
        "file_type": "application/pdf",
        "file_size": 7982999,
        "creation_date": "2024-10-10",
        "last_modified_date": "2024-10-10"
      }
    },
    {
      "score": 0.7708036303520203,
      "content": "7.2 billion, up 5.2% year-on-year.\n2020\n(CNY million) Life &\nHealth Insurance Property\nInsurance Banking Trust Securities Other Asset\nManagement Technology Other\nBusinesses & Consolidation Eliminations Group Total\nNet Profit Attributable to Shareholders 95,018 16,083 16,766 2,476 2,959 5,737 7,936 (3,876) 143,099\nMinority Interest 1,054 76 12,162 3 143 974 1,567 281 16,260\nNet Profit (A) 96,072 16,159 28,928 2,479 3,102 6,711 9,503 (3,595) 159,359\nAdjustments:\n Short-term Investment Fluctuations(1)(B) 10,308 – – – – – – – 10,308\n Discount Rate Impact (C) (7,902) – – – – – – – (7,902)\n One-time Items Excluded by Management\n from Core Operations (D) – – – – – – 1,282 – 1,282\nCore Profit (E=A-B-C-D) 93,666 16,159 28,928 2,479 3,102 6,711 8,221 (3,595) 155,670\nCore Profit Attributable to Shareholders 92,672 16,",
      "id": "8066c16048bd722d030a85ee8b1***36d5f31624b28f1c0c15943855c5ae5c9f",
      "metadata": {
        "page_label": "19",
        "file_name": "2021-02-04_China XX Insurance Group Co., Ltd._XXX_China XX_2020_Annual Report.pdf",
        "file_path": "oss://my-bucket-name/datasets/chatglm-fintech/2021-02-04__China_XX_Insurance_Group_Co.__Ltd.__601318__China_XX__2020__Annual_Report.pdf",
        "file_type": "application/pdf",
        "file_size": 7982999,
        "creation_date": "2024-10-10",
        "last_modified_date": "2024-10-10"
      }
    }
  ]

• Contoh penggunaan

  • Bangun alur aplikasi Q&A DeepSeek+RAG untuk keuangan dan kesehatan menggunakan LangStudio

  • LangStudio dan DeepSeek: Solusi chatbot RAG dan pencarian web

Alibaba Cloud IQS - Web Search (IQS-GenericSearch)

Menjalankan pencarian standar menggunakan Alibaba Cloud Information Query Service dengan filter rentang waktu.

• Antarmuka konfigurasi

  

• Input

  • Kata kunci pencarian: Kata kunci untuk pencarian web. Kata kunci yang lebih dari 100 karakter akan dipotong menjadi 100 karakter. Terjadi error jika kata kunci kurang dari 2 karakter.

  • Rentang waktu: Pilih rentang waktu data—NoLimit, OneDay, OneWeek, OneMonth, atau OneYear.

  • Koneksi IQS: Jika role berotorisasi tidak dikonfigurasi saat startup, Anda dapat memilih koneksi IQS yang telah dikonfigurasi sebelumnya. Untuk informasi cara menyiapkan koneksi IQS, lihat Konfigurasi koneksi layanan - Koneksi kustom. Atur kunci ke api_key dan masukkan nilai yang sesuai, yang dapat Anda peroleh dari Information Query Service - Manajemen Kredensial. Untuk detail lebih lanjut tentang koneksi IQS, lihat Bangun alur aplikasi pencarian web DeepSeek menggunakan LangStudio & Alibaba Cloud Information Query Service.

• Output

  • output: Variabel output pencarian web (tipe: List[Dict]) dengan kunci berikut:

    Key	Deskripsi
    title	Judul hasil pencarian—biasanya judul halaman web atau dokumen yang merangkum konten.
    link	URL hasil pencarian untuk mengakses konten lengkap.
    summary	Ringkasan hasil pencarian—gambaran singkat informasi inti.
    content	Konten hasil pencarian lengkap dengan informasi detail.
    markdown_text	Konten pencarian dalam format Markdown (mungkin kosong).
    score	Skor hasil pencarian yang menunjukkan relevansi atau kualitas. Skor lebih tinggi berarti kesesuaian lebih baik dengan maksud pencarian.
    publish_time	Waktu publikasi konten (timestamp atau tanggal) yang menunjukkan ketepatan waktu informasi.
    host_logo	Logo atau ikon situs sumber (URL gambar) untuk mengidentifikasi asal informasi.
    hostname	Hostname atau domain situs sumber yang menunjukkan asal informasi.
    site_label	Label atau kategori situs sumber yang menunjukkan latar belakang tematik.

  • scene_items: Informasi tambahan yang meningkatkan hasil pencarian. Parameter ini biasanya kosong dalam pencarian umum. Saat pencarian umum tidak cukup untuk skenario tertentu, seperti waktu, cuaca, atau kalender, sistem mengembalikan scene_items untuk memberikan informasi yang tepat dan sadar konteks.

• Contoh penggunaan

  Bangun alur aplikasi pencarian web DeepSeek menggunakan LangStudio dan Alibaba Cloud Information Query Service

SerpAPI - Web Search (SerpAPI-GenericSearch)

Menjalankan pencarian web menggunakan SerpApi dengan dukungan berbagai mesin pencari (Bing, Google, Baidu, Yahoo, dan kustom), lokasi yang dapat dikonfigurasi, dan jumlah hasil.

• Antarmuka konfigurasi

  

• Input

  • Koneksi SerpApi: Pilih koneksi SerpApi yang telah dikonfigurasi di LangStudio. Untuk informasi selengkapnya, lihat Buat koneksi SerpApi.

  • Kata kunci pencarian: Referensikan parameter output node hulu (format String).

  • Mesin pencari: Mendukung bing, google, baidu, yahoo, dan input kustom.

  • Lokasi: Lokasi pencarian. Untuk hasil terbaik, tentukan kota (misalnya, Shanghai, China).

  • Jumlah hasil: Jumlah hasil pencarian yang dikembalikan.

• Output

  Variabel output pencarian web output (tipe: List[Dict]) dengan kunci berikut:

  Kunci	Deskripsi
  title	Judul hasil pencarian—biasanya judul halaman web atau dokumen yang merangkum konten.
  link	URL hasil pencarian untuk mengakses konten lengkap.
  summary	Ringkasan hasil pencarian—gambaran singkat informasi inti.

• Contoh penggunaan

  Solusi chatbot LangStudio & DeepSeek dengan RAG dan pencarian web

HTTP Request

Tool HTTP Request menyederhanakan integrasi API eksternal dengan dukungan berbagai metode HTTP, jenis autentikasi, dan format badan permintaan.

Python Development

Alur aplikasi mendukung node kode Python kustom untuk logika pemrosesan data kompleks, dengan dukungan input dan output streaming. Antarmuka konfigurasi:

Cukup tulis kode Python—sistem secara otomatis mengurai input dan output. Perhatikan hal-hal berikut:

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

  Catatan

  Untuk mengaktifkan input streaming untuk node Python, konfigurasikan @tool(properties={"streaming_pass_through": True}). Jika tidak, input dari LLM atau Agent akan berupa teks output lengkap, bukan stream.

• Tipe input/output yang didukung: int, float, bool, str, dict, TypedDict, dataclass (hanya output), list, File.

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

  Penting

  Penguraian input/output otomatis bergantung pada waktu proses. Tanpa waktu proses yang berjalan, Anda tidak dapat mengonfigurasi informasi input/output node.

• Untuk menginstal dependensi, klik Install Dependencies di area kanvas kanan atas dan masukkan nama paket. File requirements.txt disimpan bersama alur aplikasi dan diinstal di lingkungan selama startup waktu proses atau penerapan layanan.

  

  

Contoh penggunaan 1: Masukkan kode berikut untuk memetakan input dan output:

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
    )

Contoh penggunaan 2: Input/output streaming. Gunakan node Python untuk memangkas stream teks proses berpikir dari output LLM/Agent, mengabaikan bagian <think>\n\n</think> untuk menghasilkan stream hasil akhir yang bersih. Contoh kode:

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: iterator string streaming; Output: 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 yang menunjukkan apakah 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 berpikir lengkap
            if m:
                in_thinking = False
                result_part = m.groups()[0]
                if result_part:
                    yield result_part  # Segera keluarkan teks hasil jika ada
        else:
            yield chunk  # Langsung keluarkan semua chunk berikutnya setelah keluar dari blok berpikir

Template transformation

Tool Template Transformer memungkinkan pemformatan teks dan transformasi data fleksibel menggunakan sintaksis templat Jinja2.

Dear {{ customer_name }}:

Your order {{ order_id }} has been confirmed. Details:

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

Total: ¥{{ total }}

Thank you for your purchase!

Dear Zhang San:

Your order ORD-2025-001 has been confirmed. Details:

- 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 product description...
---

List Operations

Tool List Operations melakukan penyaringan dan pengurutan fleksibel pada data daftar untuk pemrosesan dan pemilihan detail halus.

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

Operation 2 - Sort (by filename length):
  Sort key: item.file_name
  Sort direction: asc

Operation 3 - Filter (keep top 3):
  Filter key: index
  Filter operator: less than
  Filter value: 3

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

Operation 1 - Filter (high-scoring users):
  Filter key: item.score
  Filter operator: greater than or equal
  Filter value: 80

Operation 2 - Sort (by score descending):
  Sort key: item.score
  Sort direction: desc

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

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