Platform For AI:ワークフローノードリファレンス

開始

開始ノードは、アプリケーションフローの開始点を示し、フローの入力パラメーターを設定できます。

• 対話型アプリケーションフローには、会話履歴とユーザー入力の 2 つのデフォルトフィールドが含まれています。必要に応じて、アップロードされたファイルを受け入れるためのファイルタイプの入力変数など、カスタム変数を追加できます。詳細については、「ファイルタイプの入出力」をご参照ください。

  

• アプリケーションフローを実行する際、現在のセッションの入力パラメーターをチャットパネルで設定します。

  

条件分岐 (Condition)

このノードは、フロー制御のための if-else ロジックを実装します。条件が true の場合、対応するブランチのみが実行されます。それ以外の場合は、else ブランチが実行されます。このノードは、ワークフローアプリケーション開発ノードと組み合わせて使用できます。

• 設定インターフェイス

  

• 入力

  ブランチの条件を設定する際は、次の点にご注意ください。

  • 各ブランチは実行パスを表します。最後のブランチは else ブランチで、他のどのブランチにも一致しない場合に実行されます。このブランチは編集できません。

  • 各ブランチには複数の条件を含めることができます。ブランチ内の条件は、AND/OR 集約をサポートします。

  • 上流ノードの出力、比較演算子（=、≠、Empty、含まれないなど）、および一致する値を指定して、正確性と有効性を確保します。

• 出力

  出力はありません。

• 使用例

  Condition ノードは、下流ノードに接続するための専用接続ポートを各ブランチに提供します。ブランチの条件がトリガーされると、ワークフローはそのブランチに接続された下流ノードを実行し、他のブランチはスキップされます。その後、ワークフローアプリケーション開発コンポーネントを使用して、すべての条件分岐の下流ノードからの出力を収集できます。

  

変数集約

このノードは、異なるブランチからの出力結果を単一の統一された変数に統合し、どのブランチが実行されても一貫したアクセスを保証します。これは、ブランチ間で同じ目的を持つ変数を 1 つの出力変数にマッピングし、下流ノードでの冗長な定義を回避できるため、マルチブランチシナリオで特に役立ちます。

• 設定インターフェイス

  

• 入力

  変数グループを設定する際は、次の点にご注意ください。

  • 上流ノードは通常、ワークフローアプリケーション開発またはワークフローアプリケーション開発ノードから派生した複数の実行ブランチです。

  • 同じグループ内の変数は、同じ型である必要があります。最初の空でない出力値が、グループの出力になります。

  • Condition ノードまたは意図認識ノードは 1 つのブランチしかトリガーしないため、各グループには空でない値が 1 つだけ含まれます。変数集約ノードは、この値を抽出して下流で簡単に使用できるようにします。

  • 各 Condition または意図認識ブランチから複数の出力が必要な場合は、複数のグループを作成して、対応する値を個別に抽出します。

• 出力

  出力変数は、設定されたグループに基づいて動的に調整されます。複数のグループがある場合、ノードは複数のキーと値のペアを出力します。キーはグループ名、値はそのグループ内の最初の空でない変数です。

• 使用例

  使用例については、ワークフローアプリケーション開発コンポーネントをご参照ください。

ループ

ループノードは、終了条件が満たされるか、最大ループ回数に達するまで、前の反復の結果に依存する反復タスクを実行します。ループノード内で子フローを設定します。システムは、終了条件がトリガーされるか、実行制限に達するまで、ループ変数を使用して子フローのロジックを繰り返し実行します。

• 設定インターフェイス

  

• 入力

  • ループ変数：ループの反復間でデータを渡し、ループ終了後に下流ノードで利用できるようにします。値を手動で入力するか、上流ノードの出力を選択して、複数のループ変数を設定します。

  • ループ終了条件：ループ変数に基づいて設定します。指定された変数がプリセット条件を満たすと、ループは終了します。

  • 最大ループ回数：無限ループを防ぐために、ループの最大実行回数を制限します。

• 出力

  ノードは、ループ実行後のループ変数の現在値を出力します。変数割り当てノードのみがループ変数を更新できます。これがない場合、ループノードの出力は N 回の反復後も初期入力から変更されません。

• 関連ノード

  ループ関連のノードは、ループ内でのみ使用できます。ループ内のノードの右側にある「+」アイコンをクリックして、次の関連ノードを追加します。

  • ループ中断

    ループを終了します。上流ノードは通常、ワークフローアプリケーション開発ノードです。

  • 変数割り当て

    ループ内の子ノードからの出力結果をループ変数に割り当てます。

  

直接出力

[直接出力ノード] は、出力テンプレートを使用して返信メッセージの内容を直接設定し、{{node.variable}} 構文による上流ノード出力の参照とストリーミング出力をサポートします。

使用例：LLM ノードの前に直接出力ノードを追加して、ユーザーに即時メッセージを送信します。

バッチ処理

バッチ処理ノードは、並列バッチ処理によってリストデータを処理します。各リスト要素は同一の子フロー処理を受け、並列実行によって効率が大幅に向上します。

{
  "result": [
    "このドキュメントは XX 製品のユーザーマニュアルで、製品の機能とインストール手順を説明しています...",
    "この契約は、12 ヶ月間のソフトウェアサービス調達に関するものです...",
    null,
    "標準的な付加価値税請求書、2026 年 1 月 15 日発行..."
  ]
}

終了

終了ノードは、アプリケーションフロー (ワークフロー) の完了を示し、フローの出力パラメーターを定義します。1 つのアプリケーションフローには、終了ノードを 1 つしか含めることができません。

• 出力パラメーターの設定

  アプリケーションフローの出力は、最終的な実行結果として任意の上流ノードの出力を参照できます。例えば、以下の設定では、フローの answer 出力は LLM ノードの出力を、search_results は検索ノードの出力を使用します。

  

  説明

  • 対話型アプリケーションフローには、対話応答用のデフォルトの Chat 出力フィールドが含まれています。

  • アプリケーションフローには、開始ノードと終了ノードの両方を含める必要があります。この 2 つのノード間に接続されているノードのみが実行され、接続されていないノードは無視されます。

大規模言語モデル (LLM)

LLM ノードは、アプリケーションフローのコアコンポーネントであり、自然言語タスクのために大規模言語モデルを呼び出すように特別に設計されています。このノードは、質問に答えたり、複雑な自然言語入力を処理したりするためのインテリジェントなテキスト応答を提供します。また、モデルパラメーターの調整、会話履歴の管理、プロンプトのカスタマイズなど、応答の品質と精度を最適化するための柔軟な設定オプションも提供します。

• 利用シーン

  • テキスト生成：トピックやキーワードに基づいてコンテンツを生成します。

  • コンテンツ分類：メールの種類 (問い合わせ/苦情/迷惑メール) を自動的に分類します。

  • テキスト変換：テキストを指定された言語に翻訳します。

  • RAG：検索されたナレッジを使用してユーザーの質問に回答します。

• 設定インターフェイス

  

• 入力

  • モデル設定：ModelGallery からデプロイされたモデル、カスタムデプロイメント、または Dashscope や DeepSeek などのプロバイダーを使用します。最良の結果を得るには、高性能なモデルを選択してください。以下のパラメーターを設定します。

    • Temperature：出力のランダム性を制御する 0 から 1 の間の値。値が低い (0 に近い) ほど決定論的な結果が生成され、値が高い (1 に近い) ほど多様な出力が得られます。

    • Top P：累積確率がしきい値 P を超えないトークンを選択することで、多様性を制御します。

    • Top K：トークンの選択を最も確率の高い上位 K 個のトークンに制限し、ランダム性を減らして、確率の高い語彙に出力を集中させます。

    • Presence penalty：すでに生成されたコンテンツにペナルティを課すことで、エンティティや情報の繰り返しを減らします。値が高いほど、繰り返しの可能性が低くなります。

    • Frequency penalty：頻繁に出現する単語やフレーズの生成確率を減らします。値が高いほど、語彙の多様性が増します。

    • Max tokens：1 回の生成あたりの最大出力長を設定します。値が低いとテキストが切り捨てられる可能性があり、値が高いとより長い出力が可能になります。

    • Seed：指定すると、モデルは決定論的サンプリングを試み、同じシードとパラメーターで同じ結果が生成されるようにします。完全な決定論は保証されません。system_fingerprint レスポンスパラメーターを使用して、潜在的な変更を監視してください (プロキシアクセスが必要な場合があります)。

    • 停止シーケンス：検出されるとテキスト生成を停止する最大 4 つのシーケンス。返されるテキストには、停止シーケンス自体は含まれません。

  • 会話履歴：有効にすると、アプリケーションフローのチャット履歴が自動的にプロンプトに挿入されます。

  • 入力変数：変数は、先行するすべてのノードの出力を参照できます。

  • プロンプト：Jinja2 テンプレートを使用して、SYSTEM/USER/ASSISTANT プロンプトのコンテンツをカスタマイズします。二重中括弧 {{}} を使用して入力変数を参照します。

• 出力

  ノードはデフォルトで String データを返しますが、JSON 出力用に設定することもできます。JSON の場合は、カスタム出力変数を定義します。LLM は変数名に基づいて出力を生成します。

• 使用例

  • DeepSeek+RAG と LangStudio を使用した金融・ヘルスケア向け Q&A アプリケーションフローの構築

  • LangStudio と DeepSeek：RAG と Web 検索チャットボットソリューション

意図認識

主にフロー制御に使用され、このノードは大規模言語モデルを使用してユーザー入力の意図を分析し、認識結果に基づいて対応するブランチを実行します。マルチ意図設定と会話履歴をサポートします。

• 設定インターフェイス

  

• 入力

  • ユーザー入力：意図認識のためのユーザー入力を選択します。

  • マルチ意図設定：必要に応じて意図を定義し、意味的な重複がないように明確な説明を確保します。最後の意図はデフォルトで「その他」となり、一致しない入力を表し、編集はできません。

  • モデル設定：意図認識のための LLM を設定します。最良の結果を得るには、qwen-max などの高性能なモデルを選択してください。

  • 会話履歴：有効にすると、LLM の推論中にチャット履歴が自動的にプロンプトに挿入されます。

  • 追加プロンプト：システムプロンプトにコンテンツを追加して、意図認識の精度を向上させます。

• 出力

  出力はありません。

• 使用例

  意図認識ノードを下流ノードに接続すると、各意図ブランチに対応する接続ポートができます。意図が認識されると、そのブランチは接続された下流ノードを実行し、他のブランチはスキップされます。ワークフローアプリケーション開発コンポーネントを使用して、すべてのブランチの実行結果 (下流ノードの出力) を収集できます。

  

エージェント

LangStudio のエージェントノードは、自律エージェント開発を可能にします。推論戦略とツール使用機能をサポートし、異なる推論アプローチ (現在は FunctionCalling と ReAct) を統合して、実行時に Model Context Protocol (MCP) ツールを動的に呼び出し、マルチステップの自律推論を実現します。

ドキュメント解析

組み込みのインテリジェントドキュメント解析と、AI 検索オープンプラットフォームのドキュメント解析サービスをサポートします。

• 組み込みパーサー：PDF、DOCX、PPTX、TXT、HTML、CSV、XLSX、XLS、JSONL、MD の複数の形式から構造化コンテンツとメタデータを抽出します。

• AI 検索オープンプラットフォーム：高精度な構造化解析を提供し、論理階層 (タイトル、段落) とコンテンツ (テキスト、表、画像) を抽出し、抽出品質を向上させます。事前に設定された AI 検索オープンプラットフォームのモデルサービス接続が必要です。サポートされている形式：PDF、DOCX、PPTX、TXT、HTML。

このツールは、下流の RAG、要約、Q&A シナリオをサポートします。設定インターフェイス：

• ドキュメントファイル：インテリジェント解析のために単一のドキュメントを入力します。上流からファイルタイプのフィールドを選択します。

• モデル設定：(オプション) LangStudio で事前に設定された AI 検索オープンプラットフォームのモデルサービス接続を選択します。設定がない場合、システムは組み込みの基本パーサーを使用します。

• 出力：

  • file_id：入力ファイルの一意の識別子

  • content：階層情報 (タイトル、段落) を含む構造化テキストコンテンツ

  • status：解析ステータス (SUCCESS または FAIL)

  • metadata：ドキュメントのメタデータと解析の詳細

    • file_name：ファイル名

    • file_type：ファイルタイプ

    • source_uri：元のファイル URI

    • download_url：ダウンロード可能なファイル URL

    • analysis_method：使用された解析メソッド。「opensearch」は AI 検索オープンプラットフォームの構造化解析を示し、「builtin」は組み込みの基本解析を示します。

下流での使用例：必要に応じて、下流ノードでドキュメント解析結果を参照します。解析されたコンテンツを LLM ノードで使用するには、以下のようにユーザープロンプトに含めます。

音声認識

音声認識ツールを使用して、音声または動画ファイルをテキストに変換します。複数の音声フォーマットと言語をサポートします。

ナレッジベース検索 (インデックス検索)

ナレッジベースからユーザーの質問に関連するテキストコンテンツを取得し、下流の LLM ノードでコンテキストとして使用します。

• 設定インターフェイス

  

• 入力

  • ナレッジベースのインデックス名：LangStudio に登録されているナレッジベースを選択します。詳細については、「ナレッジベース管理」をご参照ください。

  • 検索キーワード：ナレッジベース検索のために、上流ノードの出力パラメーター (String 形式) を参照します。

  • Top K：ナレッジベースのインデックスから返される最も関連性の高い結果の数。

• 出力

  検索出力変数 result (型：List[Dict]) には、以下のキーが含まれます。

  キー	説明
  content	取得されたドキュメントチャンクのコンテンツ — クエリに関連するナレッジベースからのテキスト断片。
  score	ドキュメントチャンクとクエリの間の類似度スコア。スコアが高いほど、関連性が高いことを示します。

  top_k の最もスコアの高いレコードを示す出力例：

  [
    {
      "score": 0.8057173490524292,
      "content": "パンデミック関連の不確実性により、XX 銀行は経済動向と中国本土の状況に基づき、貸倒引当金および非信用資産減損引当金を積極的に積み増し、不良資産の処分を加速させ、引当金カバー率を強化しました。2020年には、純利益 289 億 2800 万元を達成し、前年比 2.6% 増となり、収益性は徐々に改善しています。(百万元) 2020 2019 変化率 (%)\n営業成績と収益性\n営業収益 153,542 137,958 11.3\n減損前営業利益 107,327 95,816 12.0\n純利益 28,928 28,195 2.6\n経費率(1)(%) 29.11 29.61 0.50 パーセントポイント低下\n平均総資産利益率 (%) 0.69 0.77 0.08 パーセントポイント低下\n加重平均 ROE (%) 9.58 11.30 1.72 パーセントポイント低下\n純金利マージン(2)(%) 2.53 2.62 0.09 パーセントポイント低下\n注：(1) 経費率 = 営業経費および管理費 / 営業収益。",
      "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": "72 億元、前年比 5.2% 増。\n2020\n(百万元) 生命・健康保険 損害保険 銀行 信託 証券 その他 資産運用 テクノロジー その他事業・連結消去 グループ合計\n株主帰属純利益 95,018 16,083 16,766 2,476 2,959 5,737 7,936 (3,876) 143,099\n少数株主持分 1,054 76 12,162 3 143 974 1,567 281 16,260\n純利益 (A) 96,072 16,159 28,928 2,479 3,102 6,711 9,503 (3,595) 159,359\n調整項目：\n 短期投資変動(1)(B) 10,308 – – – – – – – 10,308\n 割引率の影響 (C) (7,902) – – – – – – – (7,902)\n 経営陣がコア業務から除外した一時項目 (D) – – – – – – 1,282 – 1,282\nコア利益 (E=A-B-C-D) 93,666 16,159 28,928 2,479 3,102 6,711 8,221 (3,595) 155,670\n株主帰属コア利益 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"
      }
    }
  ]

• 使用例

  • LangStudio を使用した DeepSeek+RAG 金融・ヘルスケア向け Q&A アプリケーションフローの構築

  • LangStudio と DeepSeek：RAG と Web 検索チャットボットソリューション

Alibaba Cloud IQS - Web 検索 (IQS-GenericSearch)

Alibaba Cloud Information Query Service を使用して、時間範囲フィルタリング付きの標準検索を実行します。

• 設定インターフェイス

  

• 入力

  • 検索キーワード：Web 検索のキーワード。100 文字を超えるキーワードは 100 文字に切り捨てられます。キーワードが 2 文字未満の場合はエラーが発生します。

  • 時間範囲：データ時間範囲を選択します — NoLimit、OneDay、OneWeek、OneMonth、または OneYear。

  • IQS 接続：起動時に承認されたロールが設定されていない場合、事前に設定された IQS 接続を選択できます。IQS 接続の設定方法については、「サービス接続設定 - カスタム接続」をご参照ください。キーを api_key に設定し、対応する値を入力します。この値は Information Query Service - 認証情報管理 から取得できます。IQS 接続の詳細については、「LangStudio と Alibaba Cloud Information Query Service を使用した DeepSeek Web 検索アプリケーションフローの構築」をご参照ください。

• 出力

  • output：Web 検索出力変数 (型：List[Dict]) には、以下のキーが含まれます。

    キー	説明
    title	検索結果のタイトル — 通常、コンテンツを要約した Web ページまたはドキュメントのタイトル。
    link	完全なコンテンツにアクセスするための検索結果の URL。
    summary	検索結果の要約 — コア情報の簡単な概要。
    content	詳細情報を含む完全な検索結果のコンテンツ。
    markdown_text	Markdown 形式の検索コンテンツ (空の場合があります)。
    score	関連性や品質を示す検索結果のスコア。スコアが高いほど、検索意図との一致度が高いことを意味します。
    publish_time	情報の適時性を示すコンテンツの公開時間 (タイムスタンプまたは日付)。
    host_logo	情報源を特定するためのソース Web サイトのロゴまたはアイコン (画像 URL)。
    hostname	情報源を示すソース Web サイトのホスト名またはドメイン。
    site_label	テーマの背景を示すソース Web サイトのラベルまたはカテゴリ。

  • scene_items：検索結果を強化する補助情報。このパラメーターは通常、汎用検索では空です。時間、天気、カレンダーなど、特定のシナリオで汎用検索が不十分な場合、システムは scene_items を返して、正確でコンテキストを意識した情報を提供します。

• 使用例

  LangStudio と Alibaba Cloud Information Query Service を使用した DeepSeek Web 検索アプリケーションフローの構築

SerpAPI - Web 検索 (SerpAPI-GenericSearch)

SerpApi を使用して Web 検索を実行します。複数の検索エンジン (Bing、Google、Baidu、Yahoo、およびカスタム)、設定可能な場所、および結果数をサポートします。

• 設定インターフェイス

  

• 入力

  • SerpApi 接続：LangStudio で事前に設定された SerpApi 接続を選択します。詳細については、「SerpApi 接続の作成」をご参照ください。

  • 検索キーワード：上流ノードの出力パラメーター (String 形式) を参照します。

  • 検索エンジン：bing、google、baidu、yahoo、およびカスタム入力をサポートします。

  • 場所：検索場所。最良の結果を得るには、都市を指定します (例：Shanghai, China)。

  • 結果数：返す検索結果の数。

• 出力

  Web 検索出力変数 output (型：List[Dict]) には、以下のキーが含まれます。

  キー	説明
  title	検索結果のタイトル — 通常、コンテンツを要約した Web ページまたはドキュメントのタイトル。
  link	完全なコンテンツにアクセスするための検索結果の URL。
  summary	検索結果の要約 — コア情報の簡単な概要。

• 使用例

  LangStudio と DeepSeek：RAG と Web 検索チャットボットソリューション

HTTP リクエスト

HTTP リクエストツールは、複数の HTTP メソッド、認証タイプ、およびリクエストボディ形式をサポートし、外部 API 統合を簡素化します。

Python 開発

アプリケーションフローは、複雑なデータ処理ロジックのためのカスタム Python コードノードをサポートし、ストリーミング入出力をサポートします。設定インターフェイス：

Python コードを記述するだけで、システムが自動的に入力と出力を解析します。次の点にご注意ください。

• エントリー関数は、ノードとしてロードするために @tool でデコレートする必要があります。

  説明

  Python ノードのストリーミング入力を有効にするには、@tool(properties={"streaming_pass_through": True}) を設定します。そうしないと、LLM またはエージェントからの入力は、ストリームではなく完全な出力テキストになります。

• サポートされている入出力タイプ：int、float、bool、str、dict、TypedDict、dataclass (出力のみ)、list、File。

• エントリー関数のパラメーターは、ノード入力として動的に解析されます。出力は、他のノードから参照できるように出力辞書に配置されます。

  重要

  自動入出力解析はランタイムに依存します。実行中のランタイムがない場合、ノードの入出力情報を設定することはできません。

• 依存関係をインストールするには、キャンバスエリアの右上にある [依存関係のインストール] をクリックし、パッケージ名を入力します。requirements.txt ファイルはアプリケーションフローと共に保存され、ランタイムの起動時またはサービスデプロイ時に環境にインストールされます。

  

  

使用例 1：次のコードを入力して、入力と出力をマッピングします。

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
    )

使用例 2：ストリーミング入出力。Python ノードを使用して、LLM/エージェント出力から思考プロセスのテキストストリームをトリミングし、<think>\n\n</think> セクションを破棄して、クリーンな最終結果ストリームを生成します。サンプルコード：

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]:  # 入力：ストリーミング文字列イテレータ、出力：フィルタリングされたストリーミング文字列イテレータ
    # <think>\n...\n</think> 構造に一致させ、閉じタグの後のテキストをキャプチャ
    pattern = re.compile(r"<think>\n[\s\S]*\n</think>(.*)")
    in_thinking = True  # 現在 <think> ブロック内にいるかどうかを示すフラグ
    think_buf = ""      # 未処理のコンテンツを保存するためのバッファー

    for chunk in stream:
        if in_thinking:
            think_buf += chunk
            m = pattern.search(think_buf)  # バッファーに完全な思考ブロックが含まれているか確認
            if m:
                in_thinking = False
                result_part = m.groups()[0]
                if result_part:
                    yield result_part  # 結果テキストが存在すればすぐに出力
        else:
            yield chunk  # 思考ブロックを抜けた後、後続のすべてのチャンクを直接出力

テンプレート変換

テンプレート変換ツールは、Jinja2 テンプレート構文を使用して、柔軟なテキストフォーマットとデータ変換を可能にします。

田中 太郎様：

ご注文 {{ order_id }} が確定しました。詳細は以下の通りです。

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

合計: ¥{{ total }}

ご購入いただきありがとうございます！

Zhang San 様

ご注文 ORD-2025-001 が確定しました。ご注文内容：

- ノートパソコン: ¥8999
- ワイヤレスマウス: ¥199

合計: ¥9198

ご購入いただき、誠にありがとうございます。

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

### 関連性: 0.95
#### 製品紹介
これは詳細な製品説明です...
---

リスト操作

リスト操作ツールは、リストデータに対して柔軟なフィルタリングとソートを実行し、詳細な処理と選択を可能にします。

操作 1 - フィルター (ファイルカテゴリによる)：
  フィルターキー：item.category
  フィルター演算子：equals
  フィルター値：image

操作 2 - ソート (ファイル名の長さによる)：
  ソートキー：item.file_name
  ソート方向：asc

操作 3 - フィルター (上位 3 つを保持)：
  フィルターキー：index
  フィルター演算子：less than
  フィルター値：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"}
]

操作 1 - フィルター (高スコアのユーザー)：
  フィルターキー：item.score
  フィルター演算子：greater than or equal
  フィルター値：80

操作 2 - ソート (スコアの降順)：
  ソートキー：item.score
  ソート方向：desc

操作 3 - フィルター (上位 5 人)：
  フィルターキー：index
  フィルター演算子：less than
  フィルター値：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"}
]