简单聊天机器人¶
FlexAI 的真正价值在于，无论想法多么复杂，你都可以轻松构建、部署和扩展。它专为快速原型设计、流畅迭代和任何规模的可靠部署而打造。
让我们先学习将 LLM 可靠地集成到你的应用中。在本指南中，你将构建一个简单的聊天机器人，它能对用户的问题进行分类、使用 LLM 直接回应，并通过特定国家的趣事来增强回应。
步骤 1：创建新工作流（2 分钟）¶
- 前往 工作室 > 工作流 > 从空白创建 > 编排 > 新建对话流 > 创建
步骤 2：添加工作流节点（6 分钟）¶
Tip:
当你想引用任何变量时，先输入
{或/，就能看到工作流中可用的不同变量。
1. LLM 节点和输出：理解并回答问题¶
Info:
LLM节点向语言模型发送提示词，根据用户输入生成响应。它抽象了 API 调用、速率限制和基础设施的复杂性，让你可以专注于设计逻辑。
创建 LLM 节点¶
使用 `添加节点` 按钮创建一个 LLM 节点，并将其连接到起始节点
配置模型¶
选择一个默认模型
设置系统提示词¶
将以下内容粘贴到系统提示词字段：
```text
用户将询问关于某个国家的问题。问题是 {{sys.query}}
任务：
1. 识别提到的国家。
2. 清晰地重新表述问题。
3. 使用常识知识回答问题。
以以下 JSON 格式响应：
{
"country": "<国家名称>",
"question": "<重新表述的问题>",
"answer": "<对问题的直接回答>"
}
```
启用结构化输出¶
**启用结构化输出** 让你可以轻松控制 LLM 返回的内容，确保输出一致且机器可读，用于下游的精确数据提取或条件逻辑。
- 将输出变量结构化切换为开启 > `配置` 并点击 `从 JSON 导入`
- 粘贴：
```json
{
"country": "string",
"question": "string",
"answer": "string"
}
```
2. 代码块：获取趣事¶
Info:
代码节点使用代码执行自定义逻辑。它让你可以在需要的确切位置注入代码——在可视化工作流中——让你无需搭建整个后端。
创建代码节点¶
使用 `添加节点` 按钮创建一个 `代码` 节点，并连接到 LLM 块
配置输入变量¶
将一个 `输入变量` 名称改为 "country"，并将变量设置为 `structured_output` > `country`
添加 Python 代码¶
将此代码粘贴到 `PYTHON3`：
```python
def main(country: str) -> dict:
country_name = country.lower()
fun_facts = {
"japan": "日本有超过 500 万台自动售货机。",
"france": "法国是世界上访问量最大的国家。",
"italy": "意大利拥有的联合国教科文组织世界遗产地比任何其他国家都多。"
}
fun_fact = fun_facts.get(country_name, f"没有关于 {country.title()} 的趣事。")
return {"fun_fact": fun_fact}
```
重命名输出变量¶
将输出变量 `result` 改为 `fun_fact` 以获得更好标记的变量
3. 答案节点：给用户的最终答案¶
Info:
答案节点创建一个简洁的最终输出返回给用户。
创建答案节点¶
使用 `添加节点` 按钮创建一个 `答案` 节点
配置答案字段¶
粘贴到答案字段：
```text
问：{{ structured_output.question }}
答：{{ structured_output.answer }}
趣事：{{ fun_fact }}
```
工作流结束：
步骤 3：测试机器人（3 分钟）¶
点击 预览，然后询问：
- "法国的首都是什么？"
- "给我介绍一下日本料理"
- "描述一下意大利的文化"
- 任何其他问题
确保你的机器人按预期工作！
你已完成机器人！¶
本指南展示了如何可靠且可扩展地集成语言模型，而无需重新发明基础设施。通过 FlexAI 的可视化工作流和模块化节点，你不仅构建得更快，还为 LLM 驱动的应用采用了干净、生产就绪的架构。