​
定义

通过定义分类描述，问题分类器能够根据用户输入，使用 LLM 推理与之相匹配的分类并输出分类结果，向下游节点提供更加精确的信息。

​
场景

常见的使用情景包括客服对话意图分类、产品评价分类、邮件批量分类等。

在一个典型的产品客服问答场景中，问题分类器可以作为知识库检索的前置步骤，对用户输入问题意图进行分类处理，分类后导向下游不同的知识库查询相关的内容，以精确回复用户的问题。

下图为产品客服场景的示例工作流模板：

在该场景中我们设置了 3 个分类标签/描述：

  • 分类 1 ：与售后相关的问题
  • 分类 2：与产品操作使用相关的问题
  • 分类 3 ：其他问题

当用户输入不同的问题时，问题分类器会根据已设置的分类标签 / 描述自动完成分类：

  • “iPhone 14 如何设置通讯录联系人？” —> “与产品操作使用相关的问题”
  • “保修期限是多久？” —> “与售后相关的问题”
  • “今天天气怎么样？” —> “其他问题”

​
如何配置

配置步骤：

  1. 选择输入变量，指用于分类的输入内容，支持输入文件变量。客服问答场景下一般为用户输入的问题 sys.query;
  2. 选择推理模型，问题分类器基于大语言模型的自然语言分类和推理能力，选择合适的模型将有助于提升分类效果；
  3. 编写分类标签/描述，你可以手动添加多个分类，通过编写分类的关键词或者描述语句，让大语言模型更好的理解分类依据。
  4. 选择分类对应的下游节点， 问题分类节点完成分类之后，可以根据分类与下游节点的关系选择后续的流程路径。

​
高级设置：

指令： 你可以在 高级设置-指令 里补充附加指令，比如更丰富的分类依据，以增强问题分类器的分类能力。

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。

图片分析： 仅适用于具备图片识别能力的 LLM，允许输入图片变量。

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）。

输出变量：

class_name 存储了分类模型的预测结果。当分类完成后，这个变量会包含具体的类别标签，你可以在后续的处理节点中引用这个分类结果来执行相应的逻辑。

编辑此页面 | 提交问题