Platform For AI:İş akışı düğümü başvurusu

Başlat

Başlat düğümü, yürütmenin başladığı yeri işaretler ve uygulama akışı için giriş parametrelerini tanımlar.

• Konuşma tabanlı akışlar için sistem varsayılan olarak iki alan sunar: konuşma geçmişi ve kullanıcı girişi. Gerektiğinde özel değişkenler ekleyin. Kullanıcı tarafından yüklenen dosyaları kabul etmek için dosya türünde bir giriş değişkeni tanımlayın. Ayrıntılar için bakınız: Dosya türü girdisi ve çıktısı.

  

• Uygulama akışını çalıştırdığınızda mevcut oturumun giriş parametrelerini konuşma panelinde yapılandırın.

  

Koşullu dal

Bu düğüm, akış kontrolü için if-else mantığını uygular. Koşulları değerlendirir ve yürütmeyi ilk eşleşen dala yönlendirir. Hiçbir koşul true (doğru) değilse else dalı çalışır. Farklı dallardan gelen sonuçları birleştirmek için bu düğümü Değişken toplayıcı düğümüyle birlikte kullanın.

• Yapılandırma

  

• Giriş

  Dal koşullarını yapılandırırken aşağıdaki hususlara dikkat edin:

  • Her dal bir yürütme yolunu temsil eder. Son dal else dalıdır; diğer hiçbir koşul eşleşmediğinde çalışır ve düzenlenemez.

  • Her dal birden fazla koşul içerebilir; bu koşullar and/or (ve/veya) mantığıyla birleştirilebilir.

  • Doğru ve geçerli koşullar sağlamak amacıyla yukarı akış düğümlerinden gelen çıktıları, operatörleri (örneğin =, ≠, is empty ve does not include) ve değerleri doğrulayın.

• Çıktı

  Bu düğüm çıktı üretmez.

• Kullanım örneği

  Koşullu dal düğümünü aşağı akış düğümlerine bağladığınızda her dalın karşılık gelen bir bağlantı noktası bulunur. Bir dal koşulu sağlandığında sistem o daldaki aşağı akış düğümlerini çalıştırır ve diğer dalları atlar. Aktif daldan gelen yürütme sonuçlarını toplamak için Değişken toplayıcı düğümünü kullanın.

  

Değişken toplayıcı

Bu düğüm, farklı dallardan gelen çıktı sonuçlarını tek bir değişkende birleştirir. Koşullu dal veya Niyet tanıma düğümü çalıştığında yalnızca tek bir dal yürütülür. Bu düğüm sayesinde hangi dalın çalıştığından bağımsız olarak aşağı akış düğümleri tek bir toplanmış değişkene başvurabilir; böylece gereksiz mantık tekrarlarından kaçınılır.

• Yapılandırma

  

• Giriş

  Değişken gruplarını yapılandırırken aşağıdaki hususlara dikkat edin:

  • Yukarı akış düğümleri genellikle bir Koşullu dal veya Niyet tanıma düğümü tarafından oluşturulan birden çok yürütme dalından oluşur.

  • Aynı gruptaki değişkenler aynı türde olmalıdır. O grup için çıktı olarak ilk boş olmayan değer kullanılır.

  • Yalnızca tek bir yukarı akış dalı çalıştığından her grupta en fazla bir boş olmayan değer bulunur. Değişken toplayıcı düğümü, aşağı akış düğümlerinin kullanabilmesi için bu değeri ayıklar.

  • Her dalda toplanacak birden çok çıktı varsa her bir karşılık gelen çıktı değerini ayıklamak için birden çok grup ekleyebilirsiniz.

• Çıktı

  Düğümün çıktı değişkenleri yapılandırılan gruplara bağlıdır. Birden çok grup varsa düğüm her grup için bir anahtar-değer çifti çıktılar; burada anahtar grup adı, değer ise o gruptaki ilk boş olmayan değişkendir.

• Kullanım örneği

  Koşullu dal düğümünün kullanım senaryosuna bakınız.

Döngü

Döngü düğümü, her yinelemenin önceki sonuca bağlı olduğu tekrarlayan görevleri çalıştırır. Döngü, bir çıkış koşulu karşılanana veya maksimum yineleme sayısı aşılmaya kadar devam eder. Döngü düğümü içinde sistemin döngü değişkenine göre tekrar tekrar çalıştırdığı bir alt akış yapılandırın.

• Yapılandırma

  

• Giriş

  • Döngü değişkenleri: Yinelemeler arasında veri aktarımı sağlar. Döngü tamamlandıktan sonra son değerleri aşağı akış düğümleri kullanmaya devam eder. Değerleri elle girilebilen veya yukarı akış düğüm çıktılarından seçilebilen birden çok döngü değişkeni yapılandırın.

  • Döngü çıkış koşulu: Döngü değişkenlerine dayalı bir çıkış koşulu yapılandırabilirsiniz. Belirtilen bir döngü değişkeni önceden ayarlanmış koşulu karşıladığında döngü sonlanır.

  • Maksimum yineleme sayısı: Sonsuz döngüleri önlemek amacıyla döngü yürütmelerinin üst sınırını belirler.

• Çıktı

  Düğümün çıktısı, son yinelemeden sonraki döngü değişkenlerinin değeridir. Döngü değişkenleri yalnızca bir Değişken Atayıcı düğümü tarafından güncellenebilir. Bu düğüm olmadan yineleme sayısından bağımsız olarak döngünün çıktısı ilk girdisiyle aynı kalır.

• İlgili düğümler

  Döngüyle ilgili düğümler yalnızca bir döngü içinde kullanılabilir. Döngü içindeki bir düğümün sağındaki + simgesine tıklayarak aşağıdaki ilgili düğümleri ekleyin:

  • Döngüyü Kes

    Döngüden hemen çıkar. Bu işlem genellikle bir Koşullu dal düğümünden önce gelir.

  • Değişken Atayıcı

    Döngü içindeki düğümlerin çıktısını döngü değişkenlerine atayarak döngünün durumunu ilerletir.

  

Doğrudan çıktı

Doğrudan çıktı düğümü, bir çıktı şablonu kullanarak doğrudan yanıt içeriğini yapılandırır. {{node.variable}} sözdizimiyle yukarı akış düğüm çıktılarına başvurmayı ve akışlı (streaming) çıktıyı destekler.

Örnek: Ana görev işlenirken kullanıcıya "Düşünüyor..." gibi bir ilk mesaj göndermek için bir LLM düğümünden önce bir Doğrudan çıktı düğümü ekleyin.

Toplu işleme

Toplu işleme düğümü liste verilerini paralel olarak işler. Aynı alt akışı listedeki her öğeye uygulayarak verimliliği önemli ölçüde artırır. Her adımın öncekine bağlı olduğu yinelenen görevler için bunun yerine Döngü düğümünü kullanın.

{
  "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..."
  ]
}

Son

Son düğümü, bir uygulama akışının tamamlandığını işaretler ve çıktı parametrelerini tanımlar. Bir uygulama akışı yalnızca tek bir Son düğümüne sahip olabilir.

• Çıktı parametresi yapılandırması

  Uygulama akışının çıktısı herhangi bir yukarı akış düğümünün çıktısına başvurabilir. Örneğin aşağıdaki örnekte uygulama akışının 'answer' çıktısı LLM düğümünün çıktısını kullanırken 'search_results' arama düğümünün çıktısını kullanır.

  

  Not

  • Konuşma tabanlı bir akışta uygulama akışının konuşma çıktısı olarak hizmet veren varsayılan bir 'Chat' çıktı alanı bulunur.

  • Bir uygulama akışı Başlat ve Son düğümlerini içermelidir. Yalnızca bunların arasında bağlı olan düğümler yürütülür; izole düğümler yok sayılır.

LLM

LLM düğümü, metin oluşturma, soru yanıtlama ve karmaşık giriş işleme gibi doğal dil görevleri için bir büyük dil modeli çağıran bir uygulama akışının temel bileşenidir. Model parametrelerini ayarlama, konuşma geçmişini yönetme ve istemleri özelleştirme için yapılandırma seçenekleri sunar.

• Kullanım senaryoları

  • Metin oluşturma: Konulara ve anahtar kelimelere dayalı metin içeriği oluşturun.

  • İçerik sınıflandırma: E-posta türlerini (örneğin bilgi talebi, şikayet veya spam) otomatik olarak sınıflandırın.

  • Metin çevirisi: Metni belirtilen dile çevirin.

  • RAG: Alınan bilgiyi modelin akıl yürütmesiyle birleştirerek kullanıcı sorularını yanıtlayın.

• Yapılandırma

  

• Giriş

  • Model ayarları: ModelGallery'den dağıtılan modelleri, özel olarak dağıtılan model hizmetlerini ve Dashscope ile DeepSeek gibi sağlayıcılardan gelen modelleri destekler. En iyi performans için yüksek yetkinliğe sahip bir model seçin. Aşağıdaki model parametrelerini yapılandırın:

    • Sıcaklık (Temperature): Genellikle 0 ile 1 arasında bir değerdir; çıktı rastgeleliğini kontrol eder. 0'a yakın değerler daha deterministik çıktılar üretirken 1'e yakın değerler daha çeşitli sonuçlar verir.

    • Top P: Çekirdek örnekleme eşiği. Model kümülatif olasılığı P eşiğini aşan en küçük token kümesinden örnekleme yapar; bu da çıktının çeşitliliğini etkiler.

    • Top K: Aday tokenları en olası K tanesiyle sınırlar. Rastgeleliği azaltarak çıktıyı daha odaklı hale getirir ve yaratıcılığı Top P'ye göre daha doğrudan kısıtlar.

    • Varlık cezası (Presence penalty): Aynı varlıkların veya bilgilerin tekrarlanmasını azaltır. Oluşturulan metinde zaten bulunan tokenlara ceza uygular. Daha yüksek değerler tekrarı daha agresif şekilde azaltır.

    • Frekans cezası (Frequency penalty): Tokenlara oluşturulan metindeki frekanslarına göre ceza uygular; aşırı sık kullanılan kelime veya ifadeleri azaltır. Daha yüksek değerler daha fazla sözcük çeşitliliğini teşvik eder.

    • Maksimum token: Çalıştırma başına maksimum çıktı uzunluğu (token cinsinden). Daha düşük değerler çıktıyı kesebilir, daha yüksek değerler ise daha uzun yanıtlara izin verir.

    • Seed (Tohum): Belirtildiğinde model deterministik örnekleme yapmaya çalışır. Aynı seed ve parametrelerle yapılan tekrarlanan istekler aynı sonucu vermelidir ancak tam determinizm garanti edilmez. Değişiklikleri izlemek için system_fingerprint yanıt parametresine bakınız.

    • Durdurma dizileri (Stop sequences): Modelin daha fazla çıktı üretmeyi durdurmasını sağlayan en fazla dört dizi. Model bu dizilerden biriyle karşılaştığında token üretmeyi bırakır. Dönen metin durdurma dizisini içermez.

  • Konuşma geçmişi: Etkinleştirildiğinde uygulama akışının sohbet geçmişi otomatik olarak isteme eklenir.

  • Giriş değişkenleri: Değişkenler tüm önceki düğümlerin çıktılarına başvurabilir.

  • İstem (Prompt): Sistem (SYSTEM), Kullanıcı (USER) veya Asistan (ASSISTANT) için özel içerik barındırır. İstem, çift süslü parantez {{}} kullanarak giriş değişkenlerine başvurabileceğiniz bir Jinja2 şablonudur.

• Çıktı

  Düğüm varsayılan olarak String çıktı üretir ancak JSON'u da destekler. JSON türü özel çıktı değişkenlerini destekler; model değişken adlarına göre çıktı oluşturur.

• Kullanım senaryoları

  • LangStudio Tabanlı DeepSeek+RAG ile Finans ve Sağlık Alanında Soru-Cevap Uygulama Akışı Oluşturma

  • LangStudio ve DeepSeek: RAG ve Web Araması Sohbet Botu Çözümü

Niyet tanıma

Niyet tanıma düğümü öncelikle akış kontrolü içindir. Kullanıcı niyetini analiz etmek için büyük bir dil modeli kullanır ve sonuca göre yürütmeyi ilgili dala yönlendirir. Çoklu niyet yapılandırmasını ve konuşma geçmişini destekler.

• Yapılandırma

  

• Giriş

  • Kullanıcı girişi: Niyet tanımada kullanılacak kullanıcı girişini seçin.

  • Çoklu niyet yapılandırması: Niyetleri gerektiği gibi ayarlayın; her niyetin açıklamasının net olduğundan ve farklı niyetler arasında anlamsal örtüşme olmadığından emin olun. Son niyet varsayılan olarak "Diğer"dir; başka hiçbir niyet uygulanmadığında eşleşir ve düzenlenemez.

  • Model ayarları: Niyet tanıma için büyük dil modelini yapılandırın. Daha iyi performans için qwen-max gibi daha yetkin bir model seçin.

  • Konuşma geçmişi: Etkinleştirildiğinde büyük dil modeli akıl yürütme sırasında uygulama akışının sohbet geçmişini otomatik olarak isteme ekler.

  • Ek istem: Modelin niyet tanımını daha doğru yapmasına yardımcı olmak için sistem istemine eklenir.

• Çıktı

  Bu düğüm çıktı üretmez.

• Kullanım örneği

  Niyet tanıma düğümünü aşağı akış düğümlerine bağlarken her niyet dalının düğümde karşılık gelen bir bağlantı noktası bulunur. Bir niyet tanındığında o dala bağlı aşağı akış düğümleri yürütülür, diğer dallardaki düğümler atlanır. Her daldan gelen yürütme sonuçlarını toplamak için ardından bir Değişken toplayıcı düğümü kullanabilirsiniz.

  

Ajan

Ajan düğümü, büyük bir dil modelinin (LLM) planlama yapmasını, araç seçmesini ve özerk hareket etmesini sağlar. Akıl yürütme stratejilerini ve araç kullanma yeteneklerini destekler. FunctionCalling ve ReAct gibi stratejileri entegre ederek LLM'nin çalışma zamanında Model Bağlam Protokolü (MCP) uyumlu araçları özerk şekilde çağırmasını ve çok adımlı akıl yürütmeyi gerçekleştirmesini mümkün kılar.

Belge ayrıştırma

Sistemin yerleşik akıllı belge ayrıştırıcısını ve AI Search Open Platform belge ayrıştırma hizmetlerini kullanmayı destekler.

• Yerleşik ayrıştırıcı: PDF, DOCX, PPTX, TXT, HTML, CSV, XLSX, XLS, JSONL ve MD dahil çeşitli yaygın belge formatlarını destekleyerek belgelerden yapılandırılmış içerik ve meta verileri ayıklar.

• AI Search Open Platform: Başlıklar ve paragraflar gibi mantıksal hiyerarşi bilgilerinin yanı sıra metin, tablo ve resim gibi içeriklerin ayıklanmasını destekleyen yüksek hassasiyetli yapılandırılmış belge ayrıştırma sağlar. Bu yaklaşım belge çıkarma etkinliğini ve doğruluğunu artırır. Önce bir AI Search Open Platform model hizmeti bağlantısı yapılandırmanız gerekir. Desteklenen dosya formatları PDF, DOCX, PPTX, TXT ve HTML'dir.

Bu araç RAG, özetleme ve soru yanıtlama senaryolarını destekler. Yapılandırma arayüzü aşağıdaki gibidir:

• Belge dosyası: Ayrıştırılacak belge dosyası. Yukarı akış düğümden bir dosya türü alanı seçin.

• Model ayarları: (İsteğe bağlı) LangStudio'da önceden oluşturulmuş bir AI Search Open Platform model hizmeti bağlantısı seçin. Yapılandırılmazsa sistem varsayılan olarak yerleşik temel ayrıştırma yöntemini kullanır.

• Çıktı:

  • file_id: Giriş dosyasının benzersiz tanımlayıcısı.

  • content: Ayrılmış yapılandırılmış metin içeriği; başlıklar ve paragraflar gibi hiyerarşik bilgileri içerir.

  • status: Ayrıştırma durumu; SUCCESS veya FAIL olabilir.

  • metadata: Belgenin meta verileri ve ayrıştırma ayrıntıları.

    • file_name: Dosyanın adı.

    • file_type: Dosyanın türü.

    • source_uri: Dosyanın orijinal URI'si.

    • download_url: Dosyanın indirilebilir URL'si.

    • analysis_method: Kullanılan ayrıştırma yöntemi. "opensearch", AI Search Open Platform kullanılarak yapılan yapılandırılmış ayrıştırmayı; "builtin" ise yerleşik temel ayrıştırma yönteminin kullanımını gösterir.

Aşağı akış kullanım örneği: Aşağı akış düğümlerinde belge ayrıştırma düğümünün sonuç alanlarına gerektiği gibi başvurun. Belge ayrıştırma sonuçlarını bir LLM düğümünde kullanmak için aşağıda gösterildiği gibi ayrılmış içeriği kullanıcı istemine dahil edebilirsiniz:

Konuşma tanıma

Ses veya video dosyalarını metne dönüştürmek için Konuşma tanıma düğümünü kullanın. Birden çok ses formatını ve dil tanımayı destekler.

Python geliştirme (Python)

Uygulama akışları karmaşık veri işleme için özel Python kodu içeren düğümleri destekler. Bu düğümler akışlı girdi ve çıktıyı destekler. Yapılandırma sayfası aşağıdaki gibidir:

Python kodunu doldurmanız yeterlidir. Girdiler ve çıktılar koddan otomatik olarak ayrıştırılır. Aşağıdaki hususlara dikkat edin:

• Giriş fonksiyonu düğüm olarak yüklenebilmesi için @tool dekoratörüyle işaretlenmelidir.

  Not

  Bir Python düğümü için akışlı girdiyi etkinleştirmek üzere @tool(properties={"streaming_pass_through": True}) yapılandırmanız gerekir. Aksi takdirde LLM gibi kaynaklardan Python düğümüne gelen girdiler akış yerine tam çıktı metni olur.

• Fonksiyon aşağıdaki girdi/çıktı türlerini destekler: int, float, bool, str, dict, TypedDict, dataclass (yalnızca çıktı), list ve File.

• Giriş fonksiyonunun parametreleri düğümün girdileri olarak dinamik şekilde ayrıştırılır. Çıktı bir output sözlüğüne yerleştirilir ve diğer düğümler tarafından referans alınabilir.

  Önemli

  Bir Python düğümünün girdi ve çıktı parametrelerinin otomatik ayrıştırılması çalışma zamanına bağlıdır. Çalışma zamanı başlatılmamışsa düğümün girdi ve çıktı bilgilerini yapılandıramazsınız.

• Python kodunuz bağımlılıklar gerektiriyorsa tuvalin sağ üst köşesindeki Install Dependencies seçeneğini belirleyin ve gerekli paketleri girin. requirements.txt dosyası uygulama akışıyla birlikte kaydedilir. Bağımlılıklar çalışma zamanını başlattığınızda veya hizmeti dağıttığınızda yüklenir.

  

  

Kullanım senaryosu 1: Kod alanına aşağıdaki kodu girin. Kod düğümün girdilerine ve çıktılarına eşlenir:

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
    )

Kullanım senaryosu 2: Akışlı girdi ve çıktı. Bir LLM veya ajan düğümünden gelen düşünce süreçlerini içeren bir metin akışını kırpmak için bir Python düğümü kullanın. <think>\n\n</think> bölümü içindeki içeriği atarak sonucun nihai metin akışını elde edebilirsiniz. Aşağıda bir örnek verilmiştir:

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.

Şablon dönüşümü

Şablon dönüşümü aracı esnek metin biçimlendirme ve veri dönüşümü sağlamak için Jinja2 şablon sözdizimini kullanır.

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...
---

Liste işlemleri

Liste işlemleri aracı ince taneli veri işleme ve seçim için çeşitli liste veri türlerinde esnek filtreleme ve sıralama yapmanızı sağlar.

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"}
]