Platform For AI：應用流開發

步驟一：建立對話型應用流

1. 進入LangStudio，選擇工作空間後，在應用流頁簽單擊建立應用流。

2. 在建立方式中，選擇按類型建立 > 對話型，配置參數如下。

   • 名稱：為應用流命名。系統會自動產生，也可以自訂修改。

   • 選擇運行時：運行時用於應用流的開發調試，故將在步驟三調試時建立並綁定運行時。

   • 工作路徑：建議選擇工作空間的預設儲存路徑。

     說明

     如選擇了運行時，會自動載入運行時的工作路徑。

3. 單擊確定，會建立一個由開始節點、大模型節點和結束節點群組成的簡單應用流。

更多建立方式請參見建立方式說明。

步驟二：配置節點

完成建立後，將進入應用流開發介面。在畫布上可以添加、刪除和配置節點。

1. 單擊新添加的大模型節點，右側將展開節點配置地區。

2. 在模型設定中，選擇一個模型服務串連。此處選擇已配置好的百鍊模型服務串連。

   說明

   串連用於安全地儲存和管理訪問外部服務（如大模型 API）所需的憑證。如尚未配置，需建立串連，詳情請參見串連配置。

可添加其他節點滿足複雜情境需求，更多節點參見預置組件說明。

步驟三：調試應用流

此步驟的目標是準備計算環境並執行應用流，以驗證其輸出結果。

1. 為應用流綁定一個建立的運行時。

   1. 在應用流名稱旁選擇運行時，無選項時，單擊建立運行時。

   2. 在彈出的建立頁中填寫運行時名稱，運行時工作路徑會預設填充該應用流的工作路徑。其他參數保持預設，然後單擊確定。

   重要

   運行時一旦啟動即會產生費用。調試完成後，請務必前往運行時頁面對運行時執行個體進行停止或刪除操作，以避免產生不必要的費用。更多運行時使用請參見運行時管理。

2. 待運行時啟動成功後，單擊右上方的運行。輸入對話內容並發送。

3. 查看鏈路/錯誤記錄檔。單擊產生答案下的查看鏈路或查看日誌，查看鏈路（Trace詳情、拓撲視圖）或作業記錄。

適用情境

• 敏感資訊管理：儲存 API 金鑰、認證令牌等，避免寫入程式碼在代碼中。

• 配置參數化：靈活設定模型地址、逾時時間等運行參數。

配置與使用

1. 開啟應用流後，單擊控制台右上方全域配置，添加環境變數。

   

2. 在Python節點中，可通過標準 Python 的 os.environ訪問已配置的環境變數：

   import os
   
   # 樣本：擷取 API 金鑰
   api_key = os.environ["OPENAI_API_KEY"]

開始（Start）

開始節點用於標識應用流的運行起始狀態，並可以配置應用流的輸入參數。

• 對於對話型應用流，系統會預設提供對話歷史和對話輸入兩個預設欄位，您可以根據需求添加自訂變數（支援定義類型為File的輸入變數，用於接收使用者上傳的檔案，詳見檔案類型輸入輸出）。

  

• 在運行應用流時，通過對話面板配置當前會話的輸入參數。

  

大模型（LLM）

LLM節點是應用流的核心組件，專門用於調用大語言模型以處理自然語言任務。通過此節點，使用者可以獲得智能的文本響應，協助回答問題或處理複雜的自然語言輸入。此外，LLM節點還提供靈活的配置選項，允許使用者調整模型參數、管理對話歷史以及自訂提示詞，以最佳化響應品質和準確性。

• 應用情境

  • 文本產生：根據主題、關鍵詞產生常值內容。

  • 內容分類：自動分類郵件類型（諮詢/投訴/垃圾郵件）。

  • 文本轉換：將文本翻譯成指定語言。

  • RAG：結合檢索到的知識回答使用者問題。

• 配置介面

  

• 輸入（Input）

  • 模型設定：支援使用從ModelGallery部署或其他自訂部署的模型服務，以及Dashscope、DeepSeek等模型供應商提供的模型。如果關注效果，建議選擇能力較強的模型。支援配置以下模型參數：

    • 溫度：通常是一個介於0到1之間的值，用於控制模型輸出的隨機性。溫度越接近0，結果越確定和一致；溫度越接近1，結果則越隨機和多樣化。

    • Top P：用於控制結果的多樣性。模型會從候選詞中選擇，確保選擇的詞的累積機率不超過設定的閾值P，從而影響輸出的多樣性。

    • Top K：用於控制模型的輸出。它限定了模型在產生結果時可以選擇的候選詞數量。具體來說，Top K設定一個數值K，模型只會從機率最高的前K個詞中進行選擇。這種方法可以減少產生結果中的隨機性，使輸出更加集中在可能性較高的詞彙上。相比於Top P，Top K更加直接地限制了候選詞的數量，而不是基於累積機率。

    • 存在懲罰：用於減少模型重複產生相同的實體或資訊。通過對已產生的內容施加懲罰，模型更傾向於產生新的或不同的內容。隨著參數值的增加，模型對已經產生過的內容施加更大的懲罰，從而降低重複產生的可能性。

    • 頻率懲罰：用於減少過於頻繁出現的詞或短語的產生機率。隨著參數值的增加，對這些常見詞或短語施加更大的懲罰，從而降低其出現頻率。較高的頻率懲罰參數值有助於提升文本的詞彙多樣性。

    • 最大標記：用於設定模型在單次產生中可以輸出的最大長度。設定較低的最大標記值可能會導致產生的文本較短或被截斷，而較高的值則允許更長的輸出，從而協助控制產生內容的規模和複雜度，確保結果符合預期的長度要求。

    • 種子：當指定種子值時，模型會盡量進行確定性採樣，使得相同種子和參數的重複請求應產生相同的結果。然而，不能保證完全的確定性，建議您參考system_fingerprint（可能需要代理才能訪問）響應參數來監控可能的變化。

    • 停止序列：最多4個停止序列，用於指示模型在產生文本時停止進一步輸出。當模型檢測到其中任意一個停止序列時，它將停止產生更多的tokens，並且返回的文本將不包含該停止序列本身。

  • 對話歷史：配置開啟後，會自動地在提示詞中插入應用流的聊天記錄。

  • 輸入變數：變數中可以引用本節點前置所有節點的輸出。

  • 提示詞：自訂系統(SYSTEM)/使用者(USER)/助手(ASSISTANT)的提示詞內容，提示詞是jinja2模板，模板中可以通過兩個雙引號{{}}的方式引用輸入變數。

• 輸出（Output）

  節點預設輸出String類型的資料，也可以根據需求配置為JSON類型資料。JSON類型支援自訂添加輸出變數，大模型會根據變數名稱的含義進行輸出。

• 使用案例

  • 基於LangStudio搭建DeepSeek+RAG在金融和醫學領域的問答應用流

  • 基於LangStudio&DeepSeek的RAG及連網搜尋聊天機器人解決方案

Python開發（Python）

應用流支援自訂Python代碼的節點，可以實現複雜的資料處理邏輯，支援流式輸入和流式輸出。配置介面如下：

只需填寫Python代碼，輸入輸出會根據代碼自動解析。注意以下事項：

• 執行入口函數需要被@tool裝飾，才可以被載入為一個節點。

  說明

  當需要Python節點支援輸入資料流時，必須配置 @tool(properties={"streaming_pass_through": True})，否則給到Python節點的LLM等輸入都會是完整的輸出文本。

• 函數支援的輸入/輸出類型：int、float、bool、str、dict、TypedDict、dataclass（只支援輸出）、list、File。

• 入口函數的入參會被動態解析成節點的輸入，輸出會被放到output字典中，可以被其他節點引用。

  重要

  Python節點的輸入/輸出參數的自動解析，依賴於運行時。在沒有啟動運行時的情況下，無法配置節點的輸入/輸出資訊。

• 如果Python代碼需要安裝相應的依賴，在畫布右上方，選擇安裝依賴，填寫依賴包。requirements.txt檔案會同應用流一起儲存，在啟動運行時，或是部署服務時安裝依賴到對應的環境裡。

  

  

使用案例1：在代碼地區輸入以下代碼，代碼會被映射為節點的輸入和輸出：

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
    )

使用案例2：流式輸入輸出。使用Python節點對大模型/Agent等節點輸出的包含思考過程的文字資料流進行裁剪，丟棄<think>\n\n<think>部分思考內容，可獲得一個最終結果文本輸出資料流。範例程式碼如下：

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]:  # 輸入為流式字串迭代器，輸出為過濾後的流式字串迭代器
    # 匹配 <think>\n...\n</think> 結構，並捕獲結束標籤後的文本
    pattern = re.compile(r"<think>\n[\s\S]*\n</think>(.*)")
    in_thinking = True  # 標記當前是否處於 <think> 塊內部
    think_buf = ""      # 緩衝區，用於儲存未處理完的內容

    for chunk in stream:
        if in_thinking:
            think_buf += chunk
            m = pattern.search(think_buf)  # 檢查緩衝區是否含完整的思考塊
            if m:
                in_thinking = False
                result_part = m.groups()[0]
                if result_part:
                    yield result_part  # 若結果文本存在，立即輸出
        else:
            yield chunk  # 已經脫離思考塊，直接輸出後續所有chunk

條件分支（Condition）

該節點主要用於流程式控制制。主要實現if-else邏輯，若設定的條件成立則僅運行對應的分支，若均不成立則運行else分支。需搭配變數彙總（Variable Aggregate）節點使用。

• 配置介面

  

• 輸入（Input）

  配置分支條件時，需注意：

  • 每個分支代表一個執行路線，最後一個分支為else分支，代表沒有匹配到任何分支，不可編輯。

  • 每個分支可包含多個條件，條件之間支援and/or彙總。

  • 注意上遊節點輸出、匹配符（如=、≠、為空白、不包括等）以及匹配值，以確保條件的準確性和有效性。

• 輸出（Output）

  無輸出。

• 使用案例

  在串連條件分支組件與下遊節點時，每個分支在組件上都有一個對應的連線連接埠。當某個分支條件被觸發時，該分支將執行串連的下遊節點，而其他分支節點則會被跳過。之後，可以通過變數彙總（Variable Aggregate）組件收集各個條件分支的執行結果（即下遊節點的輸出）。

  

變數彙總（Variable Aggregate）

該節點負責整合不同分支的輸出結果，確保無論哪個分支被執行，其結果都能通過一個統一的變數來引用和訪問。這在多分支的情況下非常有用，可將不同分支下相同作用的變數映射為一個輸出變數，避免下遊節點重複定義。

• 配置介面

  

• 輸入（Input）

  組態變數分組時，需注意：

  • 上遊一般是條件分支（Condition）/意圖識別（Intent Recognition）產生的多個執行分支。

  • 同一分組中變數必須同類型，第一個非空輸出值即為該組的輸出。

  • 由於條件分支/意圖識別僅會觸發一個分支，所以每組有且僅有一個非空值，通過變數彙總節點即可提取出該值，方便下遊使用。

  • 如果每個條件分支/意圖識別的分支有多個需要的輸出，可以添加多個分組，分別提取對應輸出值。

• 輸出（Output）

  輸出變數會根據所添加的分組進行動態調整。如果存在多個分組，節點將輸出多個索引值對（Key-Value），其中，Key為組名，Value為組內第一個非空的變數值。

• 使用案例

  請參見條件分支（Condition）組件的使用案例。

意圖識別（Intent Recognition）

主要用於流程式控制制。通過大語言模型分析使用者輸入的意圖，並根據識別結果執行相應的分支。支援多意圖配置和對話歷史。

• 配置介面

  

• 輸入（Input）

  • 使用者輸入：選擇使用者輸入，用於識別意圖。

  • 多意圖配置：按需設定意圖，確保每個意圖的描述都清晰明確，並且不同意圖之間不存在語義重疊。最後一個意圖預設為“其他意圖”，代表沒有匹配到任何其他意圖，不可編輯。

  • 模型設定：配置意圖識別需要的大語言模型，如果關注效果，請選擇能力較強的模型，如qwen-max等。

  • 對話歷史：配置開啟後，大模型推理時會自動地在提示詞中插入應用流的聊天記錄。

  • 額外提示：輸入的內容將會被追加到系統提示詞中，協助模型更好的完成意圖識別。

• 輸出（Output）

  無輸出。

• 使用案例

  在串連意圖識別組件與下遊節點時，每個意圖分支在組件上都有一個對應的連線連接埠。當某個意圖被識別時，該分支將執行串連的下遊節點，而其他分支節點則會被跳過。之後，可以通過變數彙總（Variable Aggregate）組件收集各個條件分支的執行結果（即下遊節點的輸出）。

  

知識庫檢索（Index Lookup）

從知識庫中檢索與使用者問題相關的常值內容，以便將其用作下遊LLM節點的上下文。

• 配置介面

  

• 輸入（Input）

  • 知識庫索引名稱：選擇在LangStudio上登入可用的知識庫，詳情請參見知識庫管理員。

  • 檢索關鍵詞：選擇希望在知識庫中檢索的關鍵資訊，需要引用上遊節點的輸出參數，格式為String。

  • Top K：知識庫索引檢索時，系統返回的與檢索關鍵詞最相關的前K項結果。

• 輸出（Output）

  檢索輸出變數result， 類型為List[Dict]，其中Dict的Key包含以下欄位：

  Key	說明
  content	檢索到的文檔分區的內容。這個內容是從知識庫中提取出來的文本片段，通常與輸入的查詢相關。
  score	文檔分區與輸入查詢的相似性得分，即文檔分區與查詢的匹配程度。得分越高，說明該文檔分區與查詢的相關性越強。

  以下為輸出樣本，表示返回結果包含得分最高的top_k條記錄：

  [
    {
      "score": 0.8057173490524292,
      "content": "受疫情帶來的不確定性影響，xx銀行根據經濟走勢及中國或中國內地環境預判，主動\n加大了貸款和墊款、非信貸資產減值損失的計提力度，加大\n不良資產核銷處置力度，提升撥備覆蓋率，2020 年實現淨利\n潤289.28億元，同比增長 2.6%，盈利能力逐步改善。\n（人民幣百萬元） 2020年 2019年 變動(%)\n經營成果與盈利\n營業收入 153,542 137,958 11.3\n減值損失前營業利潤 107,327 95,816 12.0\n淨利潤 28,928 28,195 2.6\n成本收入比(1)(%) 29.11 29.61下降 0.50個\n百分點\n平均總資產收益率 (%) 0.69 0.77下降 0.08個\n百分點\n加權平均淨資產收益率 (%) 9.58 11.30下降 1.72個\n百分點\n淨息差(2)(%) 2.53 2.62下降 0.09個\n百分點\n註： (1) 成本收入比 =業務及管理費／營業收入。",
      "id": "49f04c4cb1d48cbad130647bd0d75f***1cf07c4aeb7a5d9a1f3bda950a6b86e",
      "metadata": {
        "page_label": "40",
        "file_name": "2021-02-04_中國xx保險集團股份有限公司_xx_中國xx_2020年__年度報告.pdf",
        "file_path": "oss://my-bucket-name/datasets/chatglm-fintech/2021-02-04__中國xx保險集團股份有限公司__601318__中國xx__2020年__年度報告.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，同比增長 5.2%。\n2020年\n（人民幣百萬元）壽險及\n健康險業務財產保險\n業務 銀行業務 信託業務 證券業務其他資產\n管理業務 科技業務其他業務\n及合并抵消 集團合并\n歸屬於母公司股東的淨利潤 95,018 16,083 16,766 2,476 2,959 5,737 7,936 (3,876) 143,099\n少數股東損益 1,054 76 12,162 3 143 974 1,567 281 16,260\n淨利潤 (A) 96,072 16,159 28,928 2,479 3,102 6,711 9,503 (3,595) 159,359\n剔除專案 ：\n 短期投資波動(1)(B) 10,308 – – – – – – – 10,308\n 折現率變動影響 (C) (7,902) – – – – – – – (7,902)\n 管 理層認為不屬於  \n日常營運收支而剔除的  \n一次性重大專案及其他 (D) – – – – – – 1,282 – 1,282\n營運利潤 (E=A-B-C-D) 93,666 16,159 28,928 2,479 3,102 6,711 8,221 (3,595) 155,670\n歸屬於母公司股東的營運利潤 92,672 16,",
      "id": "8066c16048bd722d030a85ee8b1***36d5f31624b28f1c0c15943855c5ae5c9f",
      "metadata": {
        "page_label": "19",
        "file_name": "2021-02-04_中國xx保險集團股份有限公司_xxx_中國xx__2020年__年度報告.pdf",
        "file_path": "oss://my-bucket-name/datasets/chatglm-fintech/2021-02-04__中國xx保險集團股份有限公司__601318__中國xx__2020年__年度報告.pdf",
        "file_type": "application/pdf",
        "file_size": 7982999,
        "creation_date": "2024-10-10",
        "last_modified_date": "2024-10-10"
      }
    }
  ]

• 使用案例

  • 基於LangStudio搭建DeepSeek+RAG在金融和醫學領域的問答應用流

  • 基於LangStudio&DeepSeek的RAG及連網搜尋聊天機器人解決方案

Agent（Agent）

Agent節點是LangStudio應用流中基於自主性智能體開發的節點群組件。該節點支援推理（Reasoning）策略和Tools Use等能力，可通過整合不同的推理策略（目前支援FunctionCalling和ReAct策略），實現自主調用模型上下文協議（MCP）工具，從而使得大語言模型（LLM）能夠在運行時動態選擇並執行工具（Tools），實現自主性多步推理能力。

迴圈（Loop）

迴圈節點用於執行需要依賴前一輪結果的重複任務，直至滿足允出準則或達到預設的最大迴圈次數。在迴圈節點內，可以配置一個子流程，系統會根據迴圈變數重複執行子流程中的邏輯，直到觸發終止條件或達到執行次數上限。

• 配置介面

  

• 輸入（Input）

  • 迴圈變數：用於在迴圈的各個輪次間傳遞資料，並在迴圈結束後繼續供下遊節點使用。支援配置多個迴圈變數，其值可以手動輸入或從上遊節點的輸出中選擇。

  • 迴圈允出準則：可基於迴圈變數進行配置，當指定的迴圈變數滿足預設條件時，迴圈將終止。

  • 最大迴圈次數：用於限制迴圈的最大執行次數，以防止出現無限迴圈。

• 輸出（Output）

  節點輸出為當前迴圈執行之後迴圈變數的值。只有通過變數賦值節點才能更新迴圈變數，如果沒有該節點，經過N輪迴圈後，迴圈節點的輸出將仍然保持為初始輸入。

• 相關節點

  迴圈相關的節點僅限在迴圈內使用。您可以通過單擊迴圈內指定節點右側的“+”來添加以下相關節點：

  • 退出迴圈（Break Loop）

    退出迴圈，上遊一般是條件分支（Condition）節點。

  • 變數賦值（Variable Assigner）

    將迴圈內子節點輸出結果賦值給迴圈變數。

  

SerpAPI-連網搜尋（SerpAPI-GenericSearch）

使用SerpApi進行網路搜尋，支援多個搜尋引擎（如Bing、Google、Baidu、Yahoo以及自訂），可配置搜尋位置和結果數量。

• 配置介面

  

• 輸入（Input）

  • SerpApi串連：選擇在LangStudio上已建立的SerpApi串連，詳情請參見建立SerpApi串連。

  • 搜尋關鍵詞：選擇希望進行網路搜尋的關鍵資訊，需要引用上遊節點的輸出參數，格式為String。

  • 搜尋引擎：支援bing、google、baidu和yahoo搜尋，也支援自訂的輸入。

  • 位置：搜尋所在位置。如需使用，建議具體到城市，如Shanghai, China。

  • 搜尋結果數量：返回的查詢結果數量。

• 輸出（Output）

  連網搜尋輸出變數output， 類型為List[Dict]，其中Dict的Key包含以下欄位：

  Key	說明
  title	搜尋結果的標題，通常是網頁或文檔的標題，簡要概括了內容的主題。
  link	搜尋結果的連結，即URL。使用者可以通過這個連結訪問完整的內容。
  summary	搜尋結果的摘要，通常是對內容的簡要介紹或概括，協助使用者快速瞭解內容的核心資訊。

• 使用案例

  基於LangStudio&DeepSeek的RAG及連網搜尋聊天機器人解決方案

阿里雲IQS-連網搜尋（IQS-GenericSearch）

使用阿里雲資訊查詢服務進行標準搜尋，支援時間範圍篩選。

• 配置介面

  

• 輸入（Input）

  • 搜尋關鍵詞：選擇希望進行連網搜尋的關鍵資訊。長度必須在2到100個字元之間，若超過100個字元，將被截斷至100個字元；若少於2個字元，則會引發錯誤。

  • 時間範圍：選擇搜尋資料的時間範圍，支援選擇NoLimit、OneDay、OneWeek、OneMonth和OneYear。

  • IQS串連：如果啟動時沒有配置有許可權的角色，可選擇已配置的IQS串連。關於如何配置IQS串連，請參見服務串連配置-自訂串連，並將鍵和值分別配置為api_key和相應的值，相應的值可通過資訊查詢服務-憑證管理查看。關於IQS串連使用詳情，請參見基於LangStudio&阿里雲資訊查詢服務搭建DeepSeek連網搜尋應用流。

• 輸出（Output）

  • output：連網搜尋輸出變數output， 類型為List[Dict]，其中Dict的Key包含以下欄位：

    Key	說明
    title	搜尋結果的標題，通常是網頁或文檔的標題，簡要概括了內容的主題。
    link	搜尋結果的連結，即URL。使用者可以通過這個連結訪問完整的內容。
    summary	搜尋結果的摘要，通常是對內容的簡要介紹或概括，協助使用者快速瞭解內容的核心資訊。
    content	搜尋結果的完整內容或本文，包含詳細的資訊。由於資料量可能很大，通常不在摘要中展示。
    markdown_text	Markdown格式的搜尋內容，可能返回為空白。
    score	搜尋結果的評分，通常是一個數值，用於表示結果的相關性或品質。評分越高，結果通常越符合搜尋意圖。
    publish_time	內容的發布時間，通常是一個時間戳記或日期，協助使用者瞭解資訊的時效性。
    host_logo	內容來源網站的標誌或表徵圖，通常是一個圖片URL，協助使用者識別資訊來源。
    hostname	內容來源網站的主機名稱或網域名稱，指示資訊的來源網站。
    site_label	內容來源網站的標籤或分類，用於指示網站的主題或類別，協助使用者瞭解資訊的背景。

  • scene_items：用於增強搜尋結果的輔助資訊，在大多數通用搜尋中，scene_items通常為空白。然而，當通用搜尋無法準確滿足使用者的需求時，尤其是涉及特定情境（如時間、天氣、日曆等）時，系統會嘗試返回scene_items作為補充，確保使用者在特定情境下能擷取到更精確和有用的資訊。

• 使用案例

  基於LangStudio&阿里雲資訊查詢服務搭建DeepSeek連網搜尋應用流

直接輸出

直接輸出節點可以通過輸出模板配置直接回複的訊息內容，它支援使用 {{node.variable}} 文法引用上遊節點的輸出，支援流式輸出。

使用樣本：在大模型節點前，增加直接輸出節點，先返回一條訊息給使用者。

文檔解析

支援使用系統內建的智能文檔解析工具和AI搜尋開放平台的文檔解析服務。

• 內建解析工具：可提取文檔中的結構化內容與中繼資料資訊，支援多種主流文檔格式，包括：PDF、DOCX、PPTX、TXT、HTML、CSV、XLSX、XLS、JSONL 和 MD。

• AI搜尋開放平台：實現高精度的結構化文檔解析，支援提取標題、段落等邏輯層級資訊，以及文本、表格和圖片等內容，可提升文檔提取的效果與準確性，需先配置 AI搜尋開放平台模型服務串連。支援的檔案格式包括：PDF、DOCX、PPTX、TXT 和 HTML。

該工具支援後續用於 RAG、摘要、問答等情境。配置介面如下：

• 文檔檔案：輸入單個文檔檔案進行智能解析，提取結構化內容。選擇來自上遊的檔案類型欄位。

• 模型設定：（可選）選擇在LangStudio上已建立的 AI搜尋開放平台模型服務串連。若未配置，系統將預設使用內建的基礎解析方法處理上傳的檔案。

• 輸出結果：

  • file_id：輸入檔案的唯一識別碼

  • content：解析出的結構化常值內容，包含標題、段落等層級資訊

  • status：解析狀態，可能值為 SUCCESS 或 FAIL

  • metadata：文檔的中繼資料資訊和解析詳情

    • file_name：檔案名稱

    • file_type：檔案類型

    • source_uri：檔案原始 URI

    • download_url：檔案可下載 URL

    • analysis_method：使用的解析方法。"opensearch" 表示使用AI搜尋開放平台的結構化解析，"builtin" 表示使用內建的基礎解析方法。

下遊使用樣本：在下遊節點按需引用文檔解析節點的結果欄位，如果要在LLM節點中使用文檔解析結果，可以參考如下方式在使用者提示詞中引入文檔解析後的內容：

語音辨識

使用語音辨識工具將音頻或視頻檔案轉換為文本。支援多種音頻格式和語言識別。

HTTP請求

通過 HTTP 要求工具，可以便捷地調用外部 API 介面，支援多種 HTTP 方法、認證方式和請求體格式，滿足各類整合需求。

模板轉換

模板轉換工具允許藉助 Jinja2 模板文法，實現靈活的文字格式設定化和資料轉換。

尊敬的 {{ customer_name }}:

您的訂單 {{ order_id }} 已確認,詳情如下:

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

總計: ¥{{ total }}

感謝您的購買!

尊敬的 張三:

您的訂單 ORD-2025-001 已確認,詳情如下:

- 膝上型電腦: ¥8999
- 無線滑鼠: ¥199

總計: ¥9198

感謝您的購買!

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

### 相關度: 0.95
#### 產品介紹
這是產品的詳細介紹...
---

列表操作

通過列表操作工具，可以對各類列表資料執行靈活的過濾與排序操作，實現資料的精細化處理與篩選。

操作1 - 過濾(按檔案分類):
  過濾鍵: item.category
  過濾操作符: 等於
  過濾值: image

操作2 - 排序(按檔案名稱長度):
  排序鍵: item.file_name
  排序方向: asc

操作3 - 過濾(取前3個):
  過濾鍵: index
  過濾操作符: 小於
  過濾值: 3

[
  {"name": "張三", "score": 95, "department": "技術部"},
  {"name": "李四", "score": 72, "department": "市場部"},
  {"name": "王五", "score": 88, "department": "技術部"},
  {"name": "趙六", "score": 91, "department": "產品部"},
  {"name": "錢七", "score": 65, "department": "市場部"},
  {"name": "孫八", "score": 98, "department": "技術部"}
]

操作1 - 過濾(篩選高分使用者):
  過濾鍵: item.score
  過濾操作符: 大於等於
  過濾值: 80

操作2 - 排序(按分數降序):
  排序鍵: item.score
  排序方向: desc

操作3 - 過濾(取前5名):
  過濾鍵: index
  過濾操作符: 小於
  過濾值: 5

[
  {"name": "孫八", "score": 98, "department": "技術部"},
  {"name": "張三", "score": 95, "department": "技術部"},
  {"name": "趙六", "score": 91, "department": "產品部"},
  {"name": "王五", "score": 88, "department": "技術部"}
]

結束（End）

結束節點用於標識應用流（Workflow）的運行結束狀態，以及應用流的輸出參數。一個應用流Workflow中只能有一個結束節點。

• 輸出參數配置

  應用流輸出可以引用所有上遊節點產生的輸出，作為應用流執行結果。例如，以下樣本中應用流的answer輸出使用了大模型節點的輸出，search_results則是使用了搜尋節點的輸出。

  

  說明

  • 對話型應用流預設有一個Chat輸出欄位，用於作為應用流的對話輸出。

  • 應用流程必須包含開始節點和結束節點，且只有串連在這兩個節點之間的節點才會被執行，游離的節點則不會執行。