Platform For AI:Referensi node alur kerja

Start

Node Start menandai titik awal eksekusi dan mendeklarasikan parameter input untuk alur aplikasi.

• Untuk alur percakapan, sistem menyediakan dua bidang bawaan: riwayat percakapan dan input pengguna. Tambahkan variabel kustom sesuai kebutuhan. Untuk menerima file yang diunggah pengguna, definisikan variabel input dengan tipe file. Untuk detail selengkapnya, lihat Input dan output tipe file.

  

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

  

Cabang kondisional

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

• Konfigurasi

  

• Input

  Saat mengonfigurasi kondisi cabang, perhatikan hal berikut:

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

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

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

• Output

  Node ini tidak menghasilkan output.

• Contoh penggunaan

  Saat menghubungkan node Cabang kondisional ke node downstream, setiap cabang memiliki port koneksi tersendiri. Jika kondisi cabang terpenuhi, sistem menjalankan node downstream pada cabang tersebut dan melewati cabang lainnya. Gunakan node Variable aggregate untuk mengumpulkan hasil eksekusi dari cabang aktif.

  

Variable aggregate

Node ini menggabungkan hasil output dari berbagai cabang menjadi variabel terpadu. Saat node Cabang kondisional atau node Pengenalan maksud dijalankan, hanya satu cabang yang dieksekusi. Node ini memungkinkan node downstream merujuk satu variabel agregat tunggal tanpa memedulikan cabang mana yang dijalankan, sehingga mencegah logika redundan.

• Konfigurasi

  

• Input

  Saat mengonfigurasi grup variabel, perhatikan hal berikut:

  • Node upstream umumnya merupakan beberapa cabang eksekusi yang dihasilkan oleh node Cabang kondisional atau Pengenalan maksud.

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

  • Karena hanya satu cabang upstream yang dijalankan, setiap grup akan memiliki paling banyak satu nilai non-kosong. Node Variable aggregate mengekstrak nilai ini untuk digunakan oleh node downstream.

  • Jika setiap cabang memiliki beberapa output yang perlu dikumpulkan, Anda dapat menambahkan beberapa grup untuk mengekstrak masing-masing nilai output yang bersesuaian.

• Output

  Output variabel 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 nilai variabel non-kosong pertama dari grup tersebut.

• Contoh penggunaan

  Lihat kasus penggunaan untuk node Cabang kondisional.

Loop

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

• Konfigurasi

  

• Input

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

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

  • Jumlah maksimum iterasi: 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.

• Node terkait

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

  • Break Loop

    Menghentikan loop secara langsung. Biasanya didahului oleh node Cabang kondisional.

  • 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 upstream menggunakan sintaks {{node.variable}} dan keluaran streaming.

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

Pemrosesan batch

Node Pemrosesan batch memproses data berupa 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 sebuah alur aplikasi dan mendefinisikan parameter output-nya. Sebuah alur aplikasi hanya boleh memiliki satu node End.

• Konfigurasi parameter output

  Output alur aplikasi dapat merujuk output dari node upstream mana pun. Misalnya, dalam contoh di bawah ini, output 'answer' dari alur aplikasi menggunakan output node LLM, sedangkan 'search_results' menggunakan output node pencarian.

  

  Catatan

  • Alur percakapan memiliki bidang output bawaan 'Chat', yang berfungsi sebagai output percakapan dari alur aplikasi.

  • Alur aplikasi 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 sebuah alur aplikasi yang memanggil model bahasa besar untuk tugas bahasa alami seperti generasi teks, jawaban atas pertanyaan, dan pemrosesan input kompleks. Node ini menyediakan opsi konfigurasi untuk menyesuaikan parameter model, mengelola riwayat percakapan, serta menyesuaikan prompt.

• Contoh penggunaan

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

  • Klasifikasi konten: Klasifikasikan jenis email secara otomatis (misalnya, pertanyaan, keluhan, atau spam).

  • Terjemahan teks: Terjemahkan teks ke bahasa tertentu.

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

• Konfigurasi

  

• Input

  • Pengaturan model: Mendukung model yang dikerahkan dari ModelGallery, layanan model yang dikerahkan secara kustom, dan model dari penyedia seperti Dashscope dan DeepSeek. Untuk kinerja terbaik, pilih model dengan kemampuan tinggi. Konfigurasikan parameter model berikut:

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

    • Top P: Ambang batas sampling nukleus. Model melakukan sampling dari himpunan token terkecil yang probabilitas kumulatifnya melebihi ambang batas P, sehingga memengaruhi keragaman output.

    • Top K: Membatasi kandidat token ke K token paling mungkin. Ini mengurangi keacakan dan membuat output lebih fokus, serta membatasi kreativitas secara lebih langsung dibandingkan 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 secara lebih agresif.

    • Frequency penalty: Memberikan penalti pada token berdasarkan frekuensinya dalam teks yang dihasilkan, sehingga 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 lebih rendah dapat memotong output, sedangkan nilai lebih tinggi memungkinkan respons lebih panjang.

    • Seed: Ketika ditentukan, model berupaya melakukan sampling deterministik. Permintaan berulang dengan seed dan parameter yang sama seharusnya menghasilkan hasil yang sama, meskipun determinisme penuh tidak dijamin. Rujuk parameter respons system_fingerprint untuk memantau perubahan.

    • Stop sequences: Maksimal empat urutan yang menginstruksikan model untuk berhenti menghasilkan output lebih lanjut. Ketika model menemukan salah satu urutan ini, ia berhenti menghasilkan token. Teks yang dikembalikan tidak mencakup urutan penghentian tersebut.

  • Riwayat percakapan: Jika diaktifkan, riwayat obrolan alur aplikasi secara otomatis disisipkan ke dalam prompt.

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

  • Prompt: Prompt berisi konten kustom untuk System (SYSTEM), User (USER), atau Assistant (ASSISTANT). Prompt merupakan templat Jinja2 di mana Anda dapat merujuk variabel input menggunakan kurung kurawal ganda {{}}.

• Output

  Node secara bawaan menghasilkan output String tetapi juga mendukung JSON. Jenis JSON mendukung variabel output kustom, dan model menghasilkan output berdasarkan nama variabel tersebut.

• Contoh penggunaan

  • Membangun alur kerja Q&A untuk Keuangan dan Layanan Kesehatan dengan DeepSeek+RAG Berbasis LangStudio

  • LangStudio & DeepSeek: Solusi Chatbot RAG dan Pencarian Web

Pengenalan maksud

Node Pengenalan maksud terutama digunakan untuk pengendalian alur. Node ini menggunakan model bahasa besar untuk menganalisis maksud pengguna dan mengarahkan eksekusi ke cabang yang sesuai berdasarkan hasilnya. Node ini mendukung konfigurasi multi-maksud dan riwayat percakapan.

• Konfigurasi

  

• Input

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

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

  • Pengaturan model: Konfigurasikan model bahasa besar untuk pengenalan maksud. Untuk kinerja lebih baik, pilih model dengan kemampuan lebih tinggi, seperti qwen-max.

  • Riwayat percakapan: Ketika diaktifkan, model bahasa besar secara otomatis menyisipkan riwayat percakapan alur aplikasi ke dalam prompt selama penalaran.

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

• Output

  Node ini tidak menghasilkan output.

• Contoh penggunaan

  Saat menghubungkan node Pengenalan maksud ke node downstream, setiap cabang maksud memiliki port koneksi tersendiri di node. Ketika maksud dikenali, node downstream yang terhubung ke cabang tersebut dijalankan, sedangkan node di cabang lain dilewati. Anda kemudian dapat menggunakan node Variable aggregate untuk mengumpulkan hasil eksekusi dari setiap cabang.

  

Agen

Node Agen memungkinkan model bahasa besar (LLM) merencanakan, memilih alat, dan bertindak secara otonom. Node ini mendukung strategi penalaran dan kemampuan penggunaan alat. Dengan mengintegrasikan strategi seperti FunctionCalling dan ReAct, node ini memungkinkan LLM memanggil alat secara otonom yang sesuai dengan Model Context Protocol (MCP) pada waktu proses untuk mencapai penalaran multi-langkah.

Penguraian dokumen

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

• Parser bawaan: Mengekstrak 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. Hal 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.

Alat ini mendukung skenario RAG, ringkasan, dan jawaban atas pertanyaan. Antarmuka konfigurasinya adalah sebagai berikut:

• Berkas dokumen: Berkas dokumen yang akan diuraikan. Pilih bidang bertipe berkas dari node upstream.

• 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 bawaan.

• Output:

  • file_id: Pengidentifikasi unik berkas input.

  • content: Konten teks terstruktur hasil penguraian, termasuk informasi hierarki seperti judul dan paragraf.

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

  • metadata: Metadata dokumen dan detail penguraian.

    • file_name: Nama berkas.

    • file_type: Jenis berkas.

    • source_uri: URI asli berkas.

    • download_url: URL unduh berkas.

    • 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: Di node downstream, rujuk bidang hasil node penguraian dokumen sesuai kebutuhan. Untuk menggunakan hasil penguraian dokumen di node LLM, Anda dapat menyertakan konten hasil penguraian dalam prompt pengguna seperti ditunjukkan di bawah ini:

Pengenalan ucapan

Gunakan node Pengenalan ucapan untuk mengonversi berkas audio atau video menjadi teks. Node ini mendukung berbagai format audio dan pengenalan bahasa.

Pengembangan Python (Python)

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

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

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

  Catatan

  Untuk mengaktifkan input streaming pada 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, bukan aliran.

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

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

  Penting

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

• Jika kode Python Anda memerlukan dependensi, pilih Install Dependencies di sudut kanan atas kanvas dan masukkan paket yang diperlukan. File requirements.txt disimpan bersama alur aplikasi. Dependensi diinstal saat Anda meluncurkan runtime atau menerapkan 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 aliran teks dari node LLM atau agen yang mencakup proses berpikir. Dengan menghapus konten dalam bagian <think>\n\n</think>, Anda bisa mendapatkan aliran teks akhir dari hasilnya. Berikut adalah 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 berupa iterator string streaming, dan output berupa 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  # Flag 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, hasilkan semua potongan berikutnya secara langsung.

Transformasi templat

Alat Transformasi templat menggunakan sintaks templat Jinja2 untuk memungkinkan pemformatan teks dan transformasi data yang fleksibel.

Kepada {{ customer_name }}:

Pesanan Anda {{ order_id }} telah dikonfirmasi. Detailnya adalah sebagai berikut:

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

Total: ¥{{ total }}

Terima kasih atas pembelian Anda!

Kepada John Doe:

Pesanan Anda ORD-2025-001 telah dikonfirmasi. Detailnya adalah sebagai berikut:

- Laptop: ¥8999
- Wireless Mouse: ¥199

Total: ¥9198

Terima kasih atas pembelian Anda!

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

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

Operasi daftar

Alat Operasi daftar memungkinkan Anda melakukan penyaringan dan pengurutan yang fleksibel pada berbagai jenis data daftar untuk pemrosesan dan seleksi data detail halus.

Operasi 1 - Penyaringan (berdasarkan kategori berkas):
  Kunci penyaringan: item.category
  Operator penyaringan: equals
  Nilai penyaringan: image

Operasi 2 - Pengurutan (berdasarkan panjang nama berkas):
  Kunci pengurutan: item.file_name
  Arah pengurutan: asc

Operasi 3 - Penyaringan (ambil 3 teratas):
  Kunci penyaringan: index
  Operator penyaringan: less than
  Nilai penyaringan: 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"}
]

Operasi 1 - Penyaringan (pengguna dengan skor tinggi):
  Kunci penyaringan: item.score
  Operator penyaringan: greater than or equal to
  Nilai penyaringan: 80

Operasi 2 - Pengurutan (berdasarkan skor menurun):
  Kunci pengurutan: item.score
  Arah pengurutan: desc

Operasi 3 - Penyaringan (ambil 5 teratas):
  Kunci penyaringan: index
  Operator penyaringan: less than
  Nilai penyaringan: 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"}
]