Skip to main content
Version: DEV

分类组件

对用户输入进行分类并相应应用策略的组件。

分类组件通常是交互组件的下游。

使用场景​

分类组件在您需要 LLM 帮助识别用户意图并应用适当的处理策略时是必不可少的。

配置​

查询变量​

必需

选择分类的源。

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在下拉列表中可用。

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**+ 添加变量以添加所需的输入变量。有两种类型的输入变量：引用和文本**。

  • 引用：使用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，该变量在开始组件中定义。
  • 文本：使用固定文本作为查询。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。
    • 确保您在模型提供商页面上正确设置了聊天模型。
    • 您可以为不同组件使用不同模型以提高灵活性或改善整体性能。
  • 自由度：温度、Top P、存在惩罚和频率惩罚设置的快捷方式，表示模型的自由度级别。从即兴、精确到平衡，每个预设配置对应温度、Top P、存在惩罚和频率惩罚的唯一组合。
    此参数有三个选项：
    • 即兴：产生更具创意的响应。
    • 精确：（默认）产生更保守的响应。
    • 平衡：即兴和精确之间的中间地带。
  • 温度：模型输出的随机性级别。
    默认为 0.1。
    • 较低的值导致更确定性和可预测的输出。
    • 较高的值导致更具创意和多样化的输出。
    • 温度为零时，相同提示会产生相同输出。
  • Top P：核采样。
    • 通过设置阈值 P 并将采样限制为累积概率超过 P 的令牌，减少生成重复或不自然文本的可能性。
    • 默认为 0.3。
  • 存在惩罚：鼓励模型在响应中包含更多样化的令牌范围。
    • 较高的存在惩罚值使模型更可能生成尚未包含在生成文本中的令牌。
    • 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单词或短语。
    • 较高的频率惩罚值使模型在使用重复令牌时更加保守。
    • 默认为 0.7。
注意
  • 不必为所有组件坚持使用同一模型。如果特定模型在特定任务上表现不佳，请考虑使用不同的模型。
  • 如果您不确定温度、Top P、存在惩罚和频率惩罚背后的机制，只需选择预设配置的三个选项之一。

消息窗口大小​

指定要输入到 LLM 的先前对话轮数的整数。例如，如果设置为 12，则最后 12 轮对话的令牌将馈送给 LLM。此功能消耗额外的令牌。

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是多轮对话的一部分（即，它不在循环中），请保持此字段不变。

类别名称​

分类组件必须至少有两个类别。此字段设置类别的名称。点击**+ 添加项目**以包含预期的类别。

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分配一个随机名称。请随意将其更改为 LLM 可以理解的名称。

描述​

此类别的描述。

您可以输入可能帮助 LLM 确定哪些输入属于此类别的标准、情况或信息。

示例​

可能帮助 LLM 确定哪些输入属于此类别的附加示例。

重要

如果您希望 LLM 将特定案例分类到此类别中，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，点击它以指定下游组件。

输出​

组件输出的全局变量名，可由工作流中的其他组件引用。默认为 category_name。