问题分类器

问题分类器节点智能地对用户输入进行分类，以将对话路由到不同的工作流路径。无需构建复杂的条件逻辑，你只需定义类别，让大型语言模型基于语义理解来确定最合适的分类。

​

配置

​

输入和模型设置

输入变量 - 选择要分类的内容，通常是用户问题的 sys.query，但也可以是来自之前工作流节点的任何文本变量。 模型选择 - 选择用于分类的大型语言模型。对于简单分类，速度较快的模型表现良好，而对于细致入微的区分，更强大的模型处理得更好。

​

类别定义

为每个类别创建清晰、描述性的标签，并具体描述每个类别应包含的内容。明确类别之间的边界，以帮助大型语言模型做出准确决策。 每个类别都成为一个潜在的输出路径，你可以将其连接到不同的下游节点，如专门的知识库、响应模板或处理工作流。

​

分类示例

以下是问题分类器在客户服务场景中的工作方式： 定义的类别：

• 售后服务 - 保修申请、退货、维修和购后支持
• 产品使用 - 设置说明、故障排除、功能解释
• 其他问题 - 特定类别未涵盖的一般查询

分类结果：

• “如何在iPhone 14上设置联系人？” → 产品使用
• “我购买的产品保修期是多长？” → 售后服务
• “今天天气如何？” → 其他问题

每个分类结果都路由到不同的知识库和响应策略，确保用户获得相关的专业帮助。

​

高级配置

​

指令和指南

在指令字段中添加详细的分类指南，以处理边缘情况、模糊场景或特定业务规则。这有助于大型语言模型理解类别之间的细微差别。

​

记忆集成

启用记忆以在分类输入时包含对话历史。这提高了多轮对话中的准确性，其中当前输入依赖于之前的上下文。 记忆窗口控制包含多少对话历史，在上下文感知与标记数效率和处理速度之间取得平衡。

​

输出使用

分类器输出一个包含匹配类别标签的 class_name 变量。在下游节点中使用此变量用于： 条件路由 - 基于分类结果连接不同的工作流路径 知识库选择 - 路由到每个类别的专门知识库 响应自定义 - 应用不同的响应模板或处理逻辑 分析和日志记录 - 跟踪用户查询在各类别中的分布情况

​

最佳实践

清晰的类别边界 - 定义明确、不重叠的类别，并提供具体描述以提高分类准确性。 适当的模型选择 - 根据分类复杂性选择模型。简单的二元分类适用于速度较快的模型，而细致入微的多类别分类可能需要更强大的模型。 测试边缘情况 - 验证可能适合多个类别的用对话上下文** - 为依赖之前交互进行分类的对话应用程序启用记忆。 监控和迭代 - 审查分类结果，并根据实际使用模式优化类别描述。