跳转到主内容
版本：开发版

分类组件

该组件用于对用户输入进行分类，并据此应用不同策略。

分类组件通常是交互组件的下游。

使用场景​

当您需要大语言模型（LLM）帮助您识别用户意图并应用适当的处理策略时，分类组件是必不可少的。

配置​

查询变量​

必填

选择用于分类的来源。

分类组件依赖查询变量来指定其数据输入（查询）。在分类组件之前定义的所有全局变量都会出现在下拉列表中。

输入​

分类组件依赖输入变量来指定其数据输入（查询）。在输入部分点击+ 添加变量来添加所需的输入变量。输入变量有两种类型：引用和文本。

  • 引用：使用某个组件的输出或用户输入作为数据源。您需要从下拉菜单中选择：
    • 组件输出下的组件 ID，或
    • 开始输入下的全局变量，该变量定义于开始组件中。
  • 文本：使用固定的文本作为查询。您需要输入静态文本。

模型​

点击模型的下拉菜单以显示模型配置窗口。

  • 模型：要使用的聊天模型。
    • 请确保您在模型提供商页面上正确设置了聊天模型。
    • 您可以为不同的组件使用不同的模型，以增加灵活性或提高整体性能。
  • 自由度：这是对温度、Top P、存在惩罚和频率惩罚设置的快捷方式，表示模型的自由程度。从自由发挥、精准到平衡，每种预设配置都对应着温度、Top P、存在惩罚和频率惩罚的独特组合。
    此参数有三个选项
    • 自由发挥：产生更具创造性的回应。
    • 精准：（默认）产生更保守的回应。
    • 平衡：介于自由发挥和精准之间。
  • 温度：模型输出的随机性水平。
    默认为 0.1。
    • 值越低，输出越具确定性和可预测性。
    • 值越高，输出越具创造性和多样性。
    • 温度为零时，对于相同的提示会产生相同的输出。
  • Top P：核心采样。
    • 通过设置一个阈值 P，将采样限制在累积概率超过 P 的词元范围内，从而降低生成重复或不自然文本的可能性。
    • 默认为 0.3。
  • 存在惩罚：鼓励模型在回应中包含更多样化的词元。
    • 较高的存在惩罚值会使模型更倾向于生成尚未包含在已生成文本中的词元。
    • 默认为 0.4。
  • 频率惩罚：阻止模型在生成的文本中过于频繁地重复相同的词语或短语。
    • 较高的频率惩罚值会使模型在使用重复词元方面更加保守。
    • 默认为 0.7。
注意
  • 并非所有组件都必须使用同一个模型。如果某个特定模型在某项任务上表现不佳，可以考虑使用其他模型。
  • 如果您不确定温度、Top P、存在惩罚和频率惩罚背后的机制，只需在预设配置中选择三个选项之一即可。

消息窗口大小​

一个整数，指定要输入到 LLM 中的先前对话轮数。例如，如果设置为 12，则最近 12 轮对话的词元将被输入到 LLM。此功能会消耗额外的词元。

默认为 1。

重要

此功能仅用于多轮对话。如果您的分类组件不属于多轮对话（即，它不在循环中），请保持此字段不变。

类别名称​

一个分类组件必须至少有两个类别。此字段用于设置类别的名称。点击+ 添加项以添加所需的类别。

注意

您会注意到类别名称是自动填充的。不用担心。每个类别在创建时都会被赋予一个随机名称。您可以随时将其更改为 LLM 能够理解的名称。

描述​

此类别的描述。

您可以输入标准、情境或可能有助于 LLM 确定哪些输入属于此类别的信息。

示例​

可能有助于 LLM 确定哪些输入属于此类别的其他示例。

重要

如果您想让 LLM 将特定案例分类到此类别，示例比描述更有帮助。

添加新类别后，导航到画布上的分类组件，找到案例旁边的 + 按钮，然后点击它以指定下游组件。

输出​

组件输出的全局变量名，工作流中的其他组件可以引用该变量。默认为 category_name。