LLM

​

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。

---

​

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。 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。

2. 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。
3. 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。
4. 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。

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。 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。

5. 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。

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。 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。

---

​

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

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。

JSON Schema 编辑器

LLM 节点中的 JSON Schema 编辑器 让你能够定义 LLM 返回的数据结构，确保输出可解析、可复用、可控。你可以使用可视化编辑模式直观编辑，或通过代码编辑模式精细调整，适配不同复杂度的需求。

作为节点级能力，JSON Schema 适用于所有模型的结构化输出定义和约束。

• 原生支持结构化输出的模型：可直接使用 JSON Schema 定义结构化变量。
• 不支持结构化输出的模型：系统会将 JSON Schema 以提示词方式输入。你可以尝试引导模型按结构生成内容，但这并不保证一定可以正确解析输出。

JSON Schema 编辑器入口点击 LLM 节点 > 输出变量，打开 结构化开关 > 配置，即可进入 JSON Schema 编辑器 界面。JSON Schema 编辑器分为可视化编辑窗口与代码编辑窗口，两者可无缝切换。

• 可视化编辑
• 代码编辑

适用场景

• 你只需要定义几个简单的字段，例如 name、email、age 等，并不涉及嵌套结构。
• 你不熟悉 JSON Schema 语法，希望不写代码，而是用直观的界面拖拽、添加字段。
• 你希望快速迭代字段结构，而不是每次修改都需要更新 JSON 代码。

添加字段在 结构化输出 框中点击 添加子字段 按钮，并配置字段参数：

• （必填） 字段名
• （必填） 字段类型：支持 string、number、object、array 等字段类型等。

  对象（object）或数组（array）字段可添加子字段。

• 描述：帮助 LLM 理解字段含义，提高输出准确性。
• 必填：开启后，LLM 将强制返回该字段值。
• 枚举值：用于限制字段值的可选范围，使模型仅能从预设的枚举值中返回值。例如，若只允许 red、green、blue：

Copy

{
  "type": "string",
  "enum": ["red", "green", "blue"]
}

该规则要求输入值只能是 red、green 或 blue。

删改字段

• 编辑字段：鼠标悬停至字段卡片，点击 编辑 图标，修改字段类型、描述、默认值等参数。
• 删除字段：鼠标悬停至字段卡片，点击 删除 图标，字段将从列表中删除。

  删除对象（object）或数组（array）字段时，其所有子字段也会被删除。

导入现有 JSON 示例

1. 点击 从 JSON 导入 按钮，在弹出的对话框中粘贴或上传 JSON 示例，例如：

Copy

{
 "comment": "This is great!",
 "rating": 5
}

2. 点击 提交 按钮，系统会自动解析 JSON 示例，并转换为 JSON Schema 如下：

使用 AI 生成 JSON Schema

1. 点击 AI 生成 图标，选择模型（如 GPT-4o）。在输入框中描述你的 JSON Schema，例如：

“我需要一个包含用户名（string）、年龄（number）和兴趣爱好（array）的 JSON Schema。”

2. 点击 生成 ，系统将自动生成 JSON Schema 如下：

Copy

{
  "type": "object",
  "properties": {
    "username": {
      "type": "string"
    },
    "age": {
      "type": "number"
    },
    "interests": {
      "type": "array",
      "items": {
        "type": "string"
      }
    }
  },
  "required": [
    "username",
    "age",
    "interests"
  ]
}

---

​

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。

• 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。

• 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：

​

提示优化

提示优化功能可根据不尽人意的输出对提示进行迭代改进。它允许用户直接参考上一次运行的结果来完善其指令，从而在提示编写、模型输出和反馈之间形成闭环。

​

目的

此前，大语言模型（LLM）节点是无状态的——如果提示效果不佳，用户必须自行猜测如何改进。借助此功能，你现在可以：

• 使用上下文变量引用上一次输出
• 定义一个理想输出用于比较
• 使用提示生成器用户界面重新生成优化后的提示

​

原理

在大语言模型（LLM）节点中执行提示后：

• 系统会捕获原始提示及其最后输出。
• 这些将作为上下文变量公开：
  • {current_prompt}：此节点中的当前提示。
  • {last_run}：此节点的上一次输入和输出。

这些变量可以使用 / 或 {} 直接插入到提示编辑器中，为模型提供迭代改进所需的上下文。

---

​

步骤

打开提示生成器 点击魔杖图标启动提示生成器，它会预先填充一条修复指令，例如：

1. 自定义指令

在左侧的提示编辑器中编辑指令，以反映应该做出哪些改变或改进。这可能涉及语气、结构、格式、真实性等方面。

2. 使用理想输出框

点击展开理想输出区域，并编写几个示例或期望的响应格式。这将在提示重新生成期间作为模型的参考。 注意：你不能在理想输出框中插入变量。它仅用于静态示例。 例如，如果你的任务是重写提示，以便模型以恰好三个项目符号点输出新闻文章的简洁摘要，一个理想的输出可能是：

3. 生成优化提示

点击“生成”，让系统根据你的指令和参考输出重写提示。你可以立即测试新版本。

---

​

版本管理

每次提示词重新生成都会保存为一个新版本：

• 输出区域包含一个下拉菜单，标签为“版本1”、“版本2”等。
• 你可以在不同版本之间切换以比较结果。
• 当只有一个版本时，下拉菜单将隐藏。

---

​

备注

• last_run包含此大语言模型节点特定的上一次输入/输出。
• 这与代码节点的当前代码或错误消息不同。
• 此功能在不破坏工作流程连续性的情况下改进提示迭代。

提示优化可帮助开发人员和低代码用户根据上下文微调提示——通过有指导的迭代减少猜测并提高结果。