Platform For AI:Referência de nós de workflow

Start

O nó Start marca o início da execução e declara os parâmetros de entrada do application flow.

• Em fluxos conversacionais, o sistema fornece dois campos padrão: histórico da conversa e entrada do usuário. Adicione variáveis personalizadas conforme necessário. Para aceitar arquivos enviados pelo usuário, defina uma variável de entrada com o tipo de arquivo. Para mais detalhes, consulte Entrada e saída do tipo arquivo.

  

• Ao executar o application flow, configure os parâmetros de entrada da sessão atual no painel de conversa.

  

Conditional branch

Este nó implementa a lógica if-else para controle de fluxo. Ele avalia condições e direciona a execução para a primeira branch correspondente. Caso nenhuma condição seja verdadeira, a else branch é executada. Combine este nó com o nó Variable aggregate para unificar os resultados de diferentes branches.

• Configuração

  

• Entrada

  Ao configurar as condições das branches, observe o seguinte:

  • Cada branch representa um caminho de execução. A última branch é a else branch, executada quando nenhuma outra condição corresponde; ela não pode ser editada.

  • Uma branch pode conter múltiplas condições, combináveis por meio de lógica AND/OR.

  • Verifique as saídas dos nós anteriores, os operadores (como =, ≠, is empty e does not include) e os valores para garantir que as condições sejam precisas e válidas.

• Saída

  Este nó não gera saída.

• Exemplo de uso

  Ao conectar o nó Conditional branch a nós subsequentes, cada branch possui uma porta de conexão correspondente. Se a condição de uma branch for atendida, o sistema executa os nós subsequentes dessa branch e ignora as demais. Utilize um nó Variable aggregate para coletar os resultados de execução da branch ativa.

  

Variable aggregate

Este nó unifica os resultados de saída de diferentes branches em variáveis consolidadas. Quando um nó Conditional branch ou Intent recognition é executado, apenas uma branch roda. Este nó permite que os nós subsequentes referenciem uma única variável agregada, independentemente da branch executada, evitando lógica redundante.

• Configuração

  

• Entrada

  Ao configurar grupos de variáveis, considere os pontos abaixo:

  • Os nós anteriores geralmente são múltiplas branches de execução geradas por um nó Conditional branch ou Intent recognition.

  • As variáveis dentro do mesmo grupo devem ser do mesmo tipo. O primeiro valor não vazio torna-se a saída desse grupo.

  • Como apenas uma branch anterior é executada, cada grupo terá no máximo um valor não vazio. O nó Variable aggregate extrai esse valor para uso pelos nós subsequentes.

  • Se cada branch tiver múltiplas saídas a serem coletadas, adicione vários grupos para extrair cada valor de saída correspondente.

• Saída

  As variáveis de saída do nó dependem dos grupos configurados. Se houver vários grupos, o nó gera um par chave-valor para cada grupo, onde a chave é o nome do grupo e o valor é a primeira variável não vazia desse grupo.

• Exemplo de uso

  Consulte o caso de uso do nó Conditional branch.

Loop

O nó Loop executa tarefas repetitivas em que cada iteração depende do resultado anterior. O loop continua até que uma condição de saída seja atendida ou o número máximo de iterações seja alcançado. Dentro do nó Loop, configure um subfluxo que o sistema executa repetidamente com base na variável de loop.

• Configuração

  

• Entrada

  • Variáveis de loop: Transferem dados entre iterações. Seus valores finais permanecem disponíveis para os nós subsequentes após a conclusão do loop. Configure múltiplas variáveis de loop cujos valores podem ser inseridos manualmente ou selecionados a partir das saídas de nós anteriores.

  • Condição de saída do loop: Configure uma condição de saída baseada nas variáveis de loop. O loop termina quando uma variável especificada atende à condição predefinida.

  • Número máximo de iterações: Limita a quantidade máxima de execuções do loop para evitar loops infinitos.

• Saída

  A saída do nó corresponde ao valor das variáveis de loop após a última iteração. As variáveis de loop só podem ser atualizadas por um nó Variable Assigner. Sem esse nó, a saída do loop permanecerá idêntica à sua entrada inicial, independentemente do número de iterações.

• Nós relacionados

  Os nós relacionados ao loop só podem ser usados dentro de um loop. Adicione os seguintes nós relacionados clicando em no ícone + à direita de um nó dentro do loop:

  • Break Loop

    Encerra o loop imediatamente. Geralmente é precedido por um nó Conditional branch.

  • Variable Assigner

    Atribui a saída dos nós dentro do loop às variáveis de loop, avançando o estado do loop.

  

Direct output

O nó Direct output configura o conteúdo de resposta direta usando um modelo de saída. Ele suporta a referência a saídas de nós anteriores com a sintaxe {{node.variable}} e saída em streaming.

Exemplo: Adicione um nó Direct output antes de um nó LLM para enviar uma mensagem inicial ao usuário, como "Pensando...", enquanto a tarefa principal é processada.

Batch processing

O nó Batch processing processa dados de lista em paralelo. Ele aplica o mesmo subfluxo a cada elemento da lista, o que melhora significativamente a eficiência. Para tarefas iterativas em que cada etapa depende da anterior, utilize o nó Loop.

{
  "result": [
    "This document is the user manual for product XX, which includes product feature introductions, installation steps...",
    "This is a software service procurement contract with a term of 12 months...",
    null,
    "Value-added tax ordinary invoice, dated January 15, 2026..."
  ]
}

End

O nó End marca a conclusão de um application flow e define seus parâmetros de saída. Um application flow pode ter apenas um nó End.

• Configuração de parâmetros de saída

  A saída do application flow pode referenciar as saídas de qualquer nó anterior. Por exemplo, no exemplo abaixo, a saída 'answer' do application flow usa a saída do nó LLM, enquanto 'search_results' usa a saída do nó de busca.

  

  Nota

  • Um fluxo conversacional possui um campo de saída padrão 'Chat', que serve como a saída conversacional do application flow.

  • Um application flow deve incluir os nós Start e End. Apenas os nós conectados entre eles são executados; nós isolados são ignorados.

LLM

O nó LLM é um componente central de um application flow que chama um large language model para tarefas de linguagem natural, como geração de texto, respostas a perguntas e processamento de entradas complexas. Ele oferece opções de configuração para ajustar parâmetros do modelo, gerencie o histórico de conversas e personalizar prompts.

• Casos de uso

  • Geração de texto: Gera conteúdo textual com base em tópicos e palavras-chave.

  • Classificação de conteúdo: Classifica automaticamente tipos de e-mail (por exemplo, consulta, reclamação ou spam).

  • Tradução de texto: Traduz texto para um idioma especificado.

  • RAG: Responde a perguntas dos usuários combinando conhecimento recuperado com o raciocínio do modelo.

• Configuração

  

• Entrada

  • Configurações do modelo: Suporta modelos implantados do ModelGallery, serviços de modelo personalizados e modelos de provedores como Dashscope e DeepSeek. Para melhor desempenho, escolha um modelo de alta capacidade. Configure os seguintes parâmetros do modelo:

    • Temperature: Um valor geralmente entre 0 e 1 que controla a aleatoriedade da saída. Valores próximos de 0 produzem saídas mais determinísticas, enquanto valores próximos de 1 geram resultados mais diversos.

    • Top P: Limiar de amostragem de núcleo. O modelo amostra a partir do menor conjunto de tokens cuja probabilidade cumulativa excede o limiar P, influenciando a diversidade da saída.

    • Top K: Limita os tokens candidatos aos K mais prováveis. Isso reduz a aleatoriedade e torna a saída mais focada, restringindo a criatividade de forma mais direta que o Top P.

    • Presence penalty: Reduz a repetição das mesmas entidades ou informações. Penaliza tokens já presentes no texto gerado. Valores mais altos reduzem a repetição de forma mais agressiva.

    • Frequency penalty: Penaliza tokens com base em sua frequência no texto gerado, reduzindo palavras ou frases excessivamente frequentes. Valores mais altos incentivam maior diversidade lexical.

    • Max tokens: Comprimento máximo de saída (em tokens) por execução. Valores menores podem truncar a saída, enquanto valores maiores permitem respostas mais longas.

    • Seed: Quando especificado, o modelo tenta amostragem determinística. Solicitações repetidas com a mesma seed e parâmetros devem produzir o mesmo resultado, mas o determinismo completo não é garantido. Consulte o parâmetro de resposta system_fingerprint para monitorar alterações.

    • Stop sequences: Até quatro sequências que instruem o modelo a parar de gerar mais saídas. Quando o modelo encontra uma dessas sequências, ele interrompe a geração de tokens. O texto retornado não inclui a sequência de parada.

  • Histórico de conversas: Se ativado, o histórico de chat do application flow é inserido automaticamente no prompt.

  • Variáveis de entrada: As variáveis podem referenciar as saídas de todos os nós anteriores.

  • Prompt: Um prompt contém o conteúdo personalizado para System (SYSTEM), User (USER) ou Assistant (ASSISTANT). O prompt é um modelo Jinja2 onde você pode referenciar variáveis de entrada usando chaves duplas {{}}.

• Saída

  O nó tem como padrão a saída String, mas suporta json. O tipo json suporta variáveis de saída personalizadas, e o modelo gera a saída com base nos nomes das variáveis.

• Casos de uso

  • Criar um application flow de Q&A para Finanças e Saúde com DeepSeek+RAG baseado no LangStudio

  • LangStudio & DeepSeek: Solução de Chatbot com RAG e Busca Web

Intent recognition

O nó Intent recognition destina-se principalmente ao controle de fluxo. Ele usa um large language model para analisar a intenção do usuário e direciona a execução para a branch correspondente com base no resultado. Suporta configuração de múltiplas intenções e histórico de conversas.

• Configuração

  

• Entrada

  • Entrada do usuário: Selecione a entrada do usuário a ser usada para reconhecimento de intenção.

  • Configuração de múltiplas intenções: Configure as intenções conforme necessário, garantindo que a descrição de cada intenção seja clara e que não haja sobreposição semântica entre elas. A última intenção assume o padrão "Other", correspondida quando nenhuma outra intenção se aplica; ela não pode ser editada.

  • Configurações do modelo: Configure o large language model para reconhecimento de intenção. Para melhor desempenho, escolha um modelo mais capaz, como qwen-max.

  • Histórico de conversas: Quando ativado, o large language model insere automaticamente o histórico de chat do application flow no prompt durante o raciocínio.

  • Prompt adicional: Este conteúdo é anexado ao prompt do sistema para ajudar o modelo a realizar o reconhecimento de intenção com mais precisão.

• Saída

  Este nó não gera saída.

• Exemplo de uso

  Ao conectar o nó Intent recognition a nós subsequentes, cada branch de intenção possui uma porta de conexão correspondente no nó. Quando uma intenção é reconhecida, os nós subsequentes conectados a essa branch são executados, enquanto os nós de outras branches são ignorados. Em seguida, use um nó Variable aggregate para coletar os resultados de execução de cada branch.

  

Agent

O nó Agent permite que um large language model (LLM) planeje, selecione ferramentas e aja autonomamente. Ele suporta estratégias de raciocínio e capacidades de uso de ferramentas. Ao integrar estratégias como FunctionCalling e ReAct, ele permite que o LLM chame autonomamente ferramentas compatíveis com o Model Context Protocol (MCP) em tempo de execução para realizar raciocínio em múltiplas etapas.

Document parsing

Suporta o uso do analisador inteligente de documentos integrado ao sistema e os serviços de análise de documentos da AI Search Open Platform.

• Analisador integrado: Extrai conteúdo estruturado e metadados de documentos, suportando vários formatos principais, incluindo PDF, DOCX, PPTX, TXT, HTML, CSV, XLSX, XLS, JSONL e MD.

• AI Search Open Platform: Realiza análise estruturada de documentos de alta precisão, suportando a extração de informações hierárquicas lógicas, como títulos e parágrafos, além de conteúdo como texto, tabelas e imagens. Isso melhora a eficácia e a precisão da extração de documentos. É necessário configurar primeiro uma conexão de serviço de modelo da AI Search Open Platform. Os formatos de arquivo suportados incluem PDF, DOCX, PPTX, TXT e HTML.

Esta ferramenta suporta cenários de RAG, resumo e respostas a perguntas. A interface de configuração é a seguinte:

• Arquivo de documento: O arquivo de documento a ser analisado. Selecione um campo do tipo arquivo de um nó anterior.

• Configurações do modelo: (Opcional) Selecione uma conexão de serviço de modelo da AI Search Open Platform criada no LangStudio. Se não configurado, o sistema usa o método básico de análise integrado por padrão.

• Saída:

  • file_id: O identificador único do arquivo de entrada.

  • content: O conteúdo de texto estruturado analisado, incluindo informações hierárquicas como títulos e parágrafos.

  • status: O status da análise, que pode ser SUCCESS ou FAIL.

  • metadata: Os metadados do documento e detalhes da análise.

    • file_name: O nome do arquivo.

    • file_type: O tipo do arquivo.

    • source_uri: O URI original do arquivo.

    • download_url: A url para download do arquivo.

    • analysis_method: O método de análise utilizado. "opensearch" indica análise estruturada usando a AI Search Open Platform, enquanto "builtin" indica o uso do método básico de análise integrado.

Exemplo de uso downstream: Nos nós subsequentes, referencie os campos de resultado do nó de análise de documentos conforme necessário. Para usar os resultados da análise de documentos em um nó LLM, inclua o conteúdo analisado no prompt do usuário conforme mostrado abaixo:

Speech recognition

Use o nó Speech recognition para converter arquivos de áudio ou vídeo em texto. Ele suporta múltiplos formatos de áudio e reconhecimento de idiomas.

Desenvolvimento Python (Python)

Os application flows suportam nós com código Python personalizado para processamento complexo de dados. Esses nós suportam entrada e saída em streaming. A página de configuração é a seguinte:

Basta preencher o código Python. Entradas e saídas são analisadas automaticamente a partir do código. Observe o seguinte:

• A função de entrada deve ser decorada com @tool para ser carregada como um nó.

  Nota

  Para habilitar entrada em streaming para um nó Python, configure @tool(properties={"streaming_pass_through": True}). Caso contrário, as entradas para o nó Python, como as de um LLM, serão texto de saída completo em vez de um stream.

• A função suporta os seguintes tipos de entrada/saída: int, float, bool, str, dict, TypedDict, dataclass (apenas saída), list e File.

• Os parâmetros da função de entrada são analisados dinamicamente como as entradas do nó. A saída é colocada em um dicionário output e pode ser referenciada por outros nós.

  Importante

  A análise automática de parâmetros de entrada e saída para um nó Python depende do runtime. Se o runtime não for iniciado, não será possível configurar as informações de entrada e saída do nó.

• Se seu código Python exigir dependências, selecione Install Dependencies no canto superior direito do canvas e insira os pacotes necessários. O arquivo requirements.txt é salvo com o application flow. As dependências são instaladas quando você inicia o runtime ou implanta o serviço.

  

  

Caso de uso 1: Insira o seguinte código na área de código. O código é mapeado para as entradas e saídas do nó:

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
    )

Caso de uso 2: Entrada e saída em streaming. Use um nó Python para aparar um stream de texto de um nó LLM ou agente que inclua processos de pensamento. Ao descartar o conteúdo dentro da seção <think>\n\n</think>, você obtém um stream de texto final do resultado. Veja um exemplo abaixo:

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]:  # The input is a streaming string iterator, and the output is a filtered streaming string iterator.
    # Match the <think>\n...\n</think> structure and capture the text after the closing tag.
    pattern = re.compile(r"<think>\n[\s\S]*\n</think>(.*)")
    in_thinking = True  # Flag to indicate if the current position is inside a <think> block.
    think_buf = ""      # Buffer to store unprocessed content.

    for chunk in stream:
        if in_thinking:
            think_buf += chunk
            m = pattern.search(think_buf)  # Check if the buffer contains a complete thought block.
            if m:
                in_thinking = False
                result_part = m.groups()[0]
                if result_part:
                    yield result_part  # If the result text exists, yield it immediately.
        else:
            yield chunk  # After exiting the thought block, directly yield all subsequent chunks.

Transformação de modelo

A ferramenta Template transformation usa a sintaxe de modelo Jinja2 para permitir formatação flexível de texto e transformação de dados.

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

A ferramenta List operations permite realizar filtragem e ordenação flexíveis em vários tipos de dados de lista para processamento e seleção refinados de dados.

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

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

Operation 3 - Filter (take top 3):
  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 (high-scoring users):
  Filter key: item.score
  Filter operator: greater than or equal to
  Filter value: 80

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

Operation 3 - Filter (take top 5):
  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"}
]