​
定义

调用大语言模型的能力，处理用户在 “开始” 节点中输入的信息（自然语言、上传的文件或图片），给出有效的回应信息。

LLM 节点

LLM 节点

​
应用场景

LLM 节点是 Chatflow/Workflow 的核心节点。该节点能够利用大语言模型的对话/生成/分类/处理等能力，根据给定的提示词处理广泛的任务类型，并能够在工作流的不同环节使用。

  • 意图识别，在客服对话情景中，对用户问题进行意图识别和分类，导向下游不同的流程。
  • 文本生成，在文章生成情景中，作为内容生成的节点，根据主题、关键词生成符合的文本内容。
  • 内容分类，在邮件批处理情景中，对邮件的类型进行自动化分类，如咨询/投诉/垃圾邮件。
  • 文本转换，在文本翻译情景中，将用户提供的文本内容翻译成指定语言。
  • 代码生成，在辅助编程情景中，根据用户的要求生成指定的业务代码，编写测试用例。
  • RAG，在知识库问答情景中，将检索到的相关知识和用户问题重新组织回复问题。
  • 图片理解，使用 vision 能力的多模态模型，能对图像内的信息进行理解和问答。

选择合适的模型，编写提示词，你可以在 Chatflow/Workflow 中构建出强大、可靠的解决方案。

​
配置示例

在应用编辑页中，点击鼠标右键或轻点上一节点末尾的 + 号，添加节点并选择 LLM。

LLM 节点配置-选择模型

LLM 节点配置-选择模型

配置步骤：

  1. 选择模型，Dify 提供了全球主流模型的支持，包括 OpenAI 的 GPT 系列、Anthropic 的 Claude 系列、Google 的 Gemini 系列等，选择一个模型取决于其推理能力、成本、响应速度、上下文窗口等因素，你需要根据场景需求和任务类型选择合适的模型。

如果你是初次使用 Dify ，在 LLM 节点选择模型之前，需要在 系统设置—模型供应商 内提前完成模型配置。

  1. 配置模型参数，模型参数用于控制模型的生成结果，例如温度、TopP，最大标记、回复格式等，为了方便选择系统同时提供了 3 套预设参数：创意，平衡和精确。如果你对以上参数并不熟悉，建议选择默认设置。若希望应用具备图片分析能力，请选择具备视觉能力的模型。
  2. 填写上下文（可选），上下文可以理解为向 LLM 提供的背景信息，常用于填写知识检索的输出变量。
  3. 编写提示词，LLM 节点提供了一个易用的提示词编排页面，选择聊天模型或补全模型，会显示不同的提示词编排结构。如果选择聊天模型（Chat model），你可以自定义系统提示词（SYSTEM）/用户（USER）/ 助手（ASSISTANT）三部分内容。
描述文字

如果在编写系统提示词（SYSTEM）时没有好的思路，也可以使用提示生成器功能，借助 AI 能力快速生成适合实际业务场景的提示词。

提示生成器

提示生成器

在提示词编辑器中，你可以通过输入 ”/” 呼出 变量插入菜单，将 特殊变量块 或者 上游节点变量 插入到提示词中作为上下文内容。

呼出变量插入菜单

呼出变量插入菜单

  1. 高级设置，可以开关记忆功能并设置记忆窗口、开关 Vision 功能或者使用 Jinja-2 模板语言来进行更复杂的提示词等。

​
特殊变量说明

上下文变量

上下文变量是一种特殊变量类型，用于向 LLM 提供背景信息，常用于在知识检索场景下使用。详细说明请参考知识检索节点。

文件变量

部分 LLMs（例如 Claude 3.5 Sonnet）已支持直接处理并分析文件内容，因此系统提示词已允许输入文件变量。为了避免潜在异常，应用开发者在使用该文件变量前需前往 LLM 官网确认 LLM 支持何种文件类型。

阅读文件上传了解如何搭建具备文件上传功能的 Chatflow/Workflow 应用。

会话历史

为了在文本补全类模型（例如 gpt-3.5-turbo-Instruct）内实现聊天型应用的对话记忆，Dify 在原提示词专家模式（已下线）内设计了会话历史变量，该变量沿用至 Chatflow 的 LLM 节点内，用于在提示词中插入 AI 与用户之间的聊天历史，帮助 LLM 理解对话上文。

会话历史变量应用并不广泛，仅在 Chatflow 中选择文本补全类模型时可以插入使用。

插入会话历史变量

插入会话历史变量

模型参数

模型的参数会影响模型的输出效果。不同模型的参数会有所区别。下图为gpt-4的参数列表。

模型参数列表

模型参数列表

主要的参数名词解释如下：

  • 温度： 通常是0-1的一个值，控制随机性。温度越接近0，结果越确定和重复，温度越接近1，结果越随机。
  • Top P： 控制结果的多样性。模型根据概率从候选词中选择，确保累积概率不超过预设的阈值P。
  • 存在惩罚： 用于减少重复生成同一实体或信息，通过对已经生成的内容施加惩罚，使模型倾向于生成新的或不同的内容。参数值增加时，对于已经生成过的内容，模型在后续生成中被施加更大的惩罚，生成重复内容的可能性越低。
  • 频率惩罚： 对过于频繁出现的词或短语施加惩罚，通过降低这些词的生成概率。随着参数值的增加，对频繁出现的词或短语施加更大的惩罚。较高的参数值会减少这些词的出现频率，从而增加文本的词汇多样性。

如果你不理解这些参数是什么，可以选择加载预设，从创意、平衡、精确三种预设中选择。

加载预设参数

加载预设参数

​
高级功能

记忆： 开启记忆后问题分类器的每次输入将包含对话中的聊天历史，以帮助 LLM 理解上文，提高对话交互中的问题理解能力。

记忆窗口： 记忆窗口关闭时，系统会根据模型上下文窗口动态过滤聊天历史的传递数量；打开时用户可以精确控制聊天历史的传递数量（对数）。

对话角色名设置： 由于模型在训练阶段的差异，不同模型对于角色名的指令遵循程度不同，如 Human/Assistant，Human/AI，人类/助手等等。为适配多模型的提示响应效果，系统提供了对话角色名的设置，修改对话角色名将会修改会话历史的角色前缀。

Jinja-2 模板： LLM 的提示词编辑器内支持 Jinja-2 模板语言，允许你借助 Jinja2 这一强大的 Python 模板语言，实现轻量级数据转换和逻辑处理，参考官方文档。

错误重试：针对节点发生的部分异常情况，通常情况下再次重试运行节点即可解决。开启错误重试功能后，节点将在发生错误的时候按照预设策略进行自动重试。你可以调整最大重试次数和每次重试间隔以设置重试策略。

  • 最大重试次数为 10 次
  • 最大重试间隔时间为 5000 ms

高质量

异常处理：提供多样化的节点错误处理策略，能够在当前节点发生错误时抛出故障信息而不中断主流程；或通过备用路径继续完成任务。详细说明请参考异常处理。

结构化输出：确保 LLM 返回的数据格式可用、稳定、可预测，减少错误处理和格式转换的工作。

​
使用案例

  • 读取知识库内容

想要让工作流应用具备读取 “知识库” 内容的能力，例如搭建智能客服应用，请参考以下步骤：

  1. 在 LLM 节点上游添加知识库检索节点；
  2. 将知识检索节点的 输出变量 result 填写至 LLM 节点中的 上下文变量 内；
  3. 将 上下文变量 插入至应用提示词内，赋予 LLM 读取知识库内的文本能力。

知识检索节点输出的变量 result 还包含了分段引用信息，你可以通过 引用与归属 功能查看信息来源。

上游节点的普通变量同样可以填写至上下文变量内，例如开始节点的字符串类型变量，但 引用与归属 功能将会失效。

  • 读取文档文件

想要让工作流应用具备读取读取文档内容的能力，例如搭建 ChatPDF 应用，可以参考以下步骤：

  • 在 “开始” 节点内添加文件变量；
  • 在 LLM 节点上游添加文档提取器节点，将文件变量作为输入变量；
  • 将文档提取器节点的 输出变量 text 填写至 LLM 节点中的提示词内。

如需了解更多，请参考文件上传。

  • 异常处理

LLM 节点处理信息时有可能会遇到输入文本超过 Token 限制，未填写关键参数等错误。应用开发者可以参考以下步骤配置异常分支，在节点出现异常时启用应对方案，而避免中断整个流程。

  1. 在 LLM 节点启用 “异常处理”
  2. 选择异常处理方案并进行配置

如需了解更多应对异常的处理办法，请参考异常处理。

Error handling

  • 结构化输出

案例：客户信息采集表单

你可以通过以下视频，了解如何使用结构化输出功能采集客户信息：

编辑此页面 | 提交问题