Platform For AI:Node Alur Kerja

Input

Setiap cabang merepresentasikan satu jalur eksekusi. Perhatikan hal berikut saat mengonfigurasi kondisi:

• Cabang terakhir selalu else. Cabang ini dijalankan ketika tidak ada kondisi lain yang terpenuhi dan tidak dapat diedit.

• Setiap cabang mendukung beberapa kondisi yang dikombinasikan dengan logika and/or.

• Verifikasi output node hulu, operator pencocokan (seperti =, ≠, is empty, does not include), dan nilai pencocokan untuk memastikan kondisi akurat.

Output

Node ini tidak menghasilkan output.

Contoh penggunaan

Setiap cabang memiliki Port yang sesuai pada node-nya. Ketika kondisi cabang dipicu, node hilir dalam cabang tersebut dijalankan, sedangkan cabang lainnya dilewati. Gunakan node Variable aggregate setelahnya untuk menggabungkan hasil.

Input

Konfigurasikan satu atau beberapa grup variabel. Setiap grup mengumpulkan satu output dari cabang-cabang:

• Node hulu biasanya merupakan cabang eksekusi dari node Conditional branch atau node Intent recognition.

• Semua variabel dalam satu grup harus bertipe sama. Nilai pertama yang tidak kosong menjadi output grup tersebut.

• Karena hanya satu cabang yang dijalankan dalam satu waktu, setiap grup akan memiliki tepat satu nilai yang tidak kosong.

• Untuk mengumpulkan beberapa output per cabang, tambahkan beberapa grup—satu grup untuk setiap output.

Output

Node ini menghasilkan satu pasangan kunci-nilai per grup. Kuncinya adalah nama grup; nilainya adalah variabel pertama yang tidak kosong dalam grup tersebut.

Contoh penggunaan

Lihat Conditional branch.

Input

Output

Nilai variabel loop setelah iterasi terakhir. Variabel loop hanya diperbarui oleh node Variable Assigner. Tanpa node tersebut, output loop selalu identik dengan input awal, terlepas dari jumlah iterasi.

Node terkait

Tambahkan node berikut di dalam loop dengan mengklik + di sebelah kanan node dalam loop:

• Break Loop: Keluar dari loop segera. Biasanya didahului oleh node Conditional branch.

• Variable Assigner: Menetapkan output sub-node ke variabel loop, memajukan status loop.

Contoh penggunaan

Skenario: Perusahaan perlu mengurai beberapa dokumen dan menjalankan pemrosesan LLM pada masing-masing. Dokumen yang gagal diurai dilewati secara otomatis.

Konfigurasi:

Contoh output:

{
  "result": [
    "Dokumen ini adalah panduan pengguna produk XX, mencakup fitur produk dan langkah instalasi...",
    "Kontrak ini untuk pengadaan layanan perangkat lunak dengan masa berlaku 12 bulan...",
    null,
    "Faktur PPN standar, diterbitkan pada 15 Januari 2026..."
  ]
}

Nilai null berarti file gagal diurai, sehingga node Batch Break melewati pemrosesan lanjutan untuk item tersebut.

Catatan penggunaan

• Urutan hasil: Daftar output mempertahankan urutan yang sama dengan daftar input.

• Fleksibilitas sub-alur: Item dapat memicu jalur eksekusi berbeda dalam sub-alur.

• Nilai null: Jika jalur eksekusi keluar lebih awal atau output kosong, posisi yang sesuai bernilai null.

Konfigurasi parameter output

Referensikan output node hulu apa pun sebagai output alur. Misalnya, answer dapat mereferensikan output node LLM, sedangkan search_results dapat mereferensikan output node pencarian.

Alur percakapan mencakup bidang output default Chat, yang berfungsi sebagai output percakapan alur.

Input

Pengaturan model

Mendukung model yang diterapkan dari ModelGallery, penerapan kustom, dan penyedia pihak ketiga seperti DashScope dan DeepSeek. Untuk kinerja lebih baik, pilih model yang lebih canggih.

Pengaturan lain

Output

Default ke output String. Konfigurasikan output JSON untuk menentukan variabel output kustom. LLM menghasilkan nilai berdasarkan nama setiap variabel. Versi mendatang berencana menambahkan bidang deskripsi untuk setiap variabel guna membimbing generasi output.

Topik terkait

• Bangun Alur Aplikasi Tanya Jawab untuk keuangan dan kesehatan dengan DeepSeek+RAG berbasis LangStudio

• Solusi chatbot LangStudio & DeepSeek: RAG dan pencarian web

Input

Output

Node ini tidak menghasilkan output.

Contoh penggunaan

Setiap intent memiliki Port yang sesuai pada node. Ketika suatu intent dikenali, node downstream pada cabang tersebut dijalankan, sedangkan cabang lainnya dilewati. Gunakan node Variable aggregate untuk mengumpulkan hasil.

Input

Output

Bidang metadata:

Menggunakan output dalam node LLM hulu: Referensikan content dalam prompt user node LLM untuk meneruskan teks yang diurai ke model.

Cara kerja

Alur kerja RAG khas menggunakan node ini:

1. Node Start mengumpulkan kueri pengguna.

2. Node Knowledge Base Retrieval mencari basis pengetahuan dan mengembalikan potongan dokumen paling relevan.

3. Node LLM menghasilkan respons menggunakan kueri dan konten yang diambil.

4. Node End mengembalikan jawaban.

Input

Output

Mengembalikan result, sebuah List[Dict] di mana setiap kamus berisi:

Contoh output (hasil top K diurutkan berdasarkan skor):

[
  {
    "score": 0.8057173490524292,
    "content": "Karena ketidakpastian terkait pandemi, Bank XX secara proaktif\nmeningkatkan penyisihan kerugian pinjaman...",
    "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 miliar, naik 5,2% year-on-year...",
    "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"
    }
  }
]

Topik terkait

• Bangun Alur Aplikasi Tanya Jawab DeepSeek+RAG untuk keuangan dan kesehatan menggunakan LangStudio

• Solusi chatbot LangStudio dan DeepSeek: RAG dan pencarian web

Input

Output

Bidang dalam setiap kamus output:

Topik terkait

Bangun Alur Aplikasi Pencarian Web DeepSeek menggunakan LangStudio dan Layanan Kueri Informasi Alibaba Cloud

Input

Output

Mengembalikan output, sebuah List[Dict] di mana setiap kamus berisi:

Topik terkait

Solusi chatbot LangStudio & DeepSeek dengan RAG dan pencarian web

Cara kerja

Tulis kode Python di editor. Sistem mengurai tanda tangan fungsi entri untuk membuat input dan output node secara otomatis. Perhatikan hal berikut:

• Hiasi fungsi titik masuk dengan @tool untuk memuatnya sebagai node.

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

• Sistem menempatkan Nilai kembali dalam kamus output agar dapat dirujuk oleh node turunan.

• Penguraian input/output memerlukan runtime yang berjalan. Input dan output node tidak dapat dikonfigurasi tanpa runtime tersebut.

Menginstal dependensi: Klik Install Dependencies di bilah alat kanvas dan masukkan nama paket. Sistem menyimpannya ke requirements.txt dan menginstalnya saat runtime dimulai atau layanan diterapkan.

Contoh 1: Pemetaan input/output dasar

Kode berikut mendefinisikan dua input (foo dan bar) dan dua output (output1 dan output2):

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 2: Input dan output streaming

Kode berikut menghapus blok <think>...</think> dari keluaran aliran LLM dan hanya meneruskan teks tanggapan akhir ke bawah:

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 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 thinking 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 thinking

Catatan penggunaan

• Jika input node mereferensikan variabel output kustom list dari node Python, definisikan tipe elemen eksplisit di node Python (misalnya, list[str]) untuk memastikan pencocokan operator akurat.