Skip to main content
Pengembangan aplikasi

Aplikasi alur kerja

Alur kerja memecah tugas kompleks menjadi langkah-langkah terurut untuk mengurangi kompleksitas sistem. Di Alibaba Cloud Model Studio, alur kerja memungkinkan Anda menggabungkan node seperti model besar, API, dan Function Compute guna mengurangi biaya pengkodean.

Aplikasi

Mengapa menggunakan aplikasi alur kerja

Alur kerja memecah tugas kompleks menjadi rangkaian langkah untuk mengurangi kompleksitas sistem. Membuat aplikasi alur kerja di Model Studio memungkinkan Anda menentukan urutan eksekusi, menetapkan tanggung jawab, serta menentukan dependensi antarlangkah guna mengotomatiskan dan mengoptimalkan proses. Kasus penggunaan umum untuk aplikasi alur kerja meliputi:
  • Perencanaan perjalanan: Anda dapat menggunakan plug-in alur kerja untuk memilih parameter seperti destinasi, lalu secara otomatis menghasilkan rencana perjalanan yang mencakup penerbangan, akomodasi, dan rekomendasi atraksi.
  • Analisis laporan: Untuk set data kompleks, Anda dapat menggabungkan plug-in pemrosesan data, analisis, dan visualisasi untuk menghasilkan laporan analisis terstruktur dan diformat.
  • Dukungan pelanggan: Anda dapat menggunakan alur kerja otomatis untuk menangani pertanyaan pelanggan, termasuk klasifikasi masalah, guna meningkatkan kecepatan dan akurasi respons.
  • Pembuatan konten: Anda dapat menghasilkan konten seperti artikel dan naskah pemasaran. Berikan topik dan persyaratan, lalu sistem akan secara otomatis menghasilkan draf.
  • Pendidikan dan pelatihan: Anda dapat menggunakan alur kerja untuk merancang rencana pembelajaran personalisasi dengan pelacakan progres dan penilaian, memungkinkan siswa belajar mandiri sesuai kecepatan masing-masing.
  • Konsultasi medis: Berdasarkan gejala yang dimasukkan pasien, alur kerja dapat menggabungkan beberapa alat analisis untuk menghasilkan penilaian awal atau merekomendasikan tes relevan guna membantu dokter dalam diagnosis lebih lanjut.

Contoh

Contoh 1: Mendeteksi pesan scam

Contoh ini menunjukkan cara membuat aplikasi alur kerja untuk menentukan apakah sebuah pesan teks merupakan potensi scam. Alur kerja ini menggunakan node start, node model besar, dan node end.
  1. Buka halaman App Management. Klik Create Application>Workflow Application, masukkan App Name, lalu klik Create Now.
  1. Tambahkan node model besar untuk mendeteksi pesan scam. Drag node LLM dari panel kiri ke canvas dan konfigurasikan parameter berikut di panel konfigurasinya. Biarkan parameter lain pada nilai default.
    1. Model Configuration: Pilih Qwen-Plus-latest.
    2. Prompts: 
      Analisis pesan yang diberikan untuk menentukan apakah itu merupakan potensi scam. Berikan jawaban pasti.
 Persyaratan: Tinjau dengan cermat isi pesan, fokus pada kata kunci dan pola scam umum, seperti permintaan transfer mendesak, permintaan informasi pribadi, atau janji manfaat tidak realistis.
Langkah:
1. Identifikasi elemen kunci dalam pesan, termasuk namun tidak terbatas pada identitas pengirim, permintaan yang diajukan, imbalan yang dijanjikan, dan rasa urgensi apa pun.
2. Bandingkan pesan tersebut dengan karakteristik scam yang diketahui untuk memeriksa kesamaan taktik atau pola bahasa.
3. Evaluasi kewajaran keseluruhan pesan, pertimbangkan apakah permintaan tersebut sesuai dengan prosedur standar dan akal sehat.
4. Jika pesan berisi tautan atau lampiran, jangan mengklik atau mengunduhnya untuk menghindari risiko keamanan potensial, dan beri peringatan kepada pengguna tentang bahaya konten tersebut.
Format Output: Nyatakan dengan jelas apakah pesan tersebut menunjukkan karakteristik scam dan jelaskan secara singkat alasan Anda. Jika dicurigai scam, berikan saran atau langkah pencegahan untuk melindungi pengguna.
    3. User Prompt: 
      Tentukan apakah pesan "${sys.query}" merupakan potensi scam.
    Tutup panel dan hubungkan node Start ke node Large Model.
p910525
  1. Hubungkan node model besar ke node end. Lalu, klik node end dan di editor panel konfigurasinya, masukkan / untuk menyisipkan variabel Large Model 1/result. Biarkan parameter lain pada nilai default.
p910524
Contoh konfigurasi:
image
  1. Klik Test di pojok kanan atas. Masukkan Paket Anda sudah berada di stasiun pengambilan selama beberapa hari. Silakan ambil. dan klik image. Setelah alur kerja selesai berjalan, lihat output-nya.
image
  1. Selanjutnya, masukkan Anda memiliki pesan yang mengatakan Anda memenangkan 1 juta. Silakan periksa. dan klik image. Setelah alur kerja berjalan, lihat output-nya.
image

Contoh 2: Asisten belanja cerdas

Contoh ini menunjukkan cara membuat asisten belanja cerdas menggunakan alur kerja yang membantu pengguna memilih ponsel, TV, dan kulkas. Alur kerja ini menggunakan node start, node klasifikasi intent, node model besar, dan node end.
  1. Buka halaman App Management. Klik Create Application>Workflow Application, masukkan App Name, lalu klik Create Now.
  1. Drag node Intent Classification dari panel kiri ke canvas dan konfigurasikan parameter berikut di panel konfigurasinya. Biarkan parameter lain pada nilai default.
    • Input Variable: Pilih Built-in Variable > query.
    • Select Model: Pilih Qwen-Plus-latest.
    • Intent Classification: Klik Add Intent dan tambahkan tiga intent berikut:
      • Buy TV
      • Buy mobile phone
      • Buy refrigerator
    • Memory: Mengaktifkan model untuk mengingat konten obrolan sebelumnya selama percakapan. Aktifkan toggle image dan pilih Custom Cache.
      Current Node Cache: Model hanya mengingat konten obrolan dalam node saat ini.
      Custom Cache: Model mengingat percakapan di seluruh alur kerja.
    Tutup panel dan hubungkan node Start ke node Intent Classification.
p910523
  1. Drag node LLM dari panel kiri ke canvas. Di panel konfigurasinya, konfigurasikan parameter berikut, biarkan yang lain pada nilai default. Lalu, tutup panel dan hubungkan output Buy refrigerator dari node Intent Classification ke node Large Model.
    • Model Configuration: Pilih Qwen-Plus-latest.
    • Prompts: 
      Anda adalah asisten belanja cerdas yang bertanggung jawab merekomendasikan kulkas kepada pelanggan.
Anda harus secara proaktif menanyakan parameter kulkas kepada pengguna sesuai urutan dalam [Daftar Parameter Kulkas] di bawah ini. Tanyakan hanya satu parameter dalam satu waktu, dan jangan mengulangi pertanyaan untuk parameter yang sama.
Jika pengguna memberikan nilai untuk suatu parameter, lanjutkan menanyakan parameter yang tersisa.
Jika pengguna menanyakan definisi suatu parameter, berikan penjelasan berdasarkan pengetahuan profesional Anda, lalu lanjutkan menanyakan nilai parameter mana yang mereka pilih.
Jika pengguna menunjukkan bahwa mereka tidak ingin lagi melakukan pembelian, keluarkan: Terima kasih telah berkunjung. Kami tunggu kesempatan melayani Anda lain kali.
[Daftar Parameter Kulkas]
1. Skenario Penggunaan: [Rumah tangga, Komersial kecil, Komersial besar]
2. Kapasitas: [200L, 300L, 400L, 500L]
3. Rating Efisiensi Energi: [Level 1, Level 2, Level 3]
Setelah semua parameter dari [Daftar Parameter Kulkas] terkumpul, tanyakan: "Apakah Anda yakin ingin membeli?" sekaligus menampilkan parameter yang dipilih pelanggan, contohnya: Untuk komersial kecil|300L|Level 1. Tanyakan apakah mereka yakin dengan kulkas berparameter tersebut. Jika pelanggan memutuskan tidak jadi membeli, tanyakan parameter mana yang ingin mereka sesuaikan.
Jika pelanggan mengonfirmasi parameter tersebut sesuai kebutuhan, Anda harus mengeluarkan dalam format berikut:
[Skenario Penggunaan: Rumah tangga, Kapasitas: 300L, Rating Efisiensi Energi: Level 1]. Keluarkan hanya konten dalam format ini dan tidak ada informasi lain.
    • User Prompt: 
      Pertanyaan pengguna: ${sys.query}
    • Memory: Mengaktifkan model untuk mengingat konten obrolan sebelumnya selama percakapan. Aktifkan toggle image dan pilih Custom Cache.
p910522
  1. Drag node LLM dari panel kiri ke canvas. Di panel konfigurasinya, konfigurasikan parameter berikut, biarkan yang lain pada nilai default. Lalu, tutup panel dan hubungkan output Buy TV dari node Intent Classification ke node Large Model.
    • Model Configuration: Pilih Qwen-Plus-latest.
    • Prompts: 
      Anda adalah asisten belanja cerdas yang bertanggung jawab merekomendasikan TV kepada pelanggan.
Anda harus secara proaktif menanyakan parameter TV kepada pengguna sesuai urutan dalam [Daftar Parameter TV] di bawah ini. Tanyakan hanya satu parameter dalam satu waktu, dan jangan mengulangi pertanyaan untuk parameter yang sama.
Jika pengguna memberikan nilai untuk suatu parameter, lanjutkan menanyakan parameter yang tersisa.
Jika pengguna menanyakan definisi suatu parameter, berikan penjelasan berdasarkan pengetahuan profesional Anda, lalu lanjutkan menanyakan nilai parameter mana yang mereka pilih.
Jika pengguna menunjukkan bahwa mereka tidak ingin lagi melakukan pembelian, keluarkan: Terima kasih telah berkunjung. Kami tunggu kesempatan melayani Anda lain kali.
[Daftar Parameter TV]
1. Ukuran Layar: [50-inci, 70-inci, 80-inci]
2. Refresh Rate: [60Hz, 120Hz, 240Hz]
3. Resolusi: [1080P, 2K, 4K]
Setelah semua parameter dari [Daftar Parameter TV] terkumpul, tanyakan: "Apakah Anda yakin ingin membeli?" sekaligus menampilkan parameter yang dipilih pelanggan, contohnya: 50-inci|120Hz|1080P. Tanyakan apakah mereka yakin dengan TV berparameter tersebut. Jika pelanggan memutuskan tidak jadi membeli, tanyakan parameter mana yang ingin mereka sesuaikan.
Jika pelanggan mengonfirmasi parameter tersebut sesuai kebutuhan, Anda harus mengeluarkan dalam format berikut:
[Ukuran Layar: 50-inci, Refresh Rate: 120Hz, Resolusi: 1080P]. Keluarkan hanya konten dalam format ini dan tidak ada informasi lain.
    • User Prompt: 
      Pertanyaan pengguna: ${sys.query}
    • Memory: Mengaktifkan model untuk mengingat konten obrolan sebelumnya selama percakapan. Aktifkan toggle image dan pilih Custom Cache.
p910521
  1. Drag node LLM dari panel kiri ke canvas. Di panel konfigurasinya, konfigurasikan parameter berikut, biarkan yang lain pada nilai default. Lalu, tutup panel dan hubungkan output Buy mobile phone dari node Intent Classification ke node Large Model.
    • Model Configuration: Pilih Qwen-Plus-latest.
    • Prompts: 
      Anda adalah asisten belanja cerdas yang bertanggung jawab merekomendasikan ponsel kepada pelanggan.
Anda harus secara proaktif menanyakan parameter ponsel kepada pengguna sesuai urutan dalam [Daftar Parameter Ponsel] di bawah ini. Tanyakan hanya satu parameter dalam satu waktu, dan jangan mengulangi pertanyaan untuk parameter yang sama.
Jika pengguna memberikan nilai untuk suatu parameter, lanjutkan menanyakan parameter yang tersisa.
Jika pengguna menanyakan definisi suatu parameter, berikan penjelasan berdasarkan pengetahuan profesional Anda, lalu lanjutkan menanyakan nilai parameter mana yang mereka pilih.
Jika pengguna menunjukkan bahwa mereka tidak ingin lagi melakukan pembelian, keluarkan: Terima kasih telah berkunjung. Kami tunggu kesempatan melayani Anda lain kali.
[Daftar Parameter Ponsel]
1. Skenario Penggunaan: [Gaming, Fotografi, Menonton film]
2. Ukuran Layar: [6.4-inci, 6.6-inci, 6.8-inci, layar lipat 7.9-inci]
3. RAM + Ruang Penyimpanan: [8GB+128GB, 8GB+256GB, 12GB+128GB, 12GB+256GB]
Setelah semua parameter dari [Daftar Parameter Ponsel] terkumpul, tanyakan: "Apakah Anda yakin ingin membeli?" sekaligus menampilkan parameter yang dipilih pelanggan, contohnya: Untuk fotografi|8GB+128GB|6.6-inci. Tanyakan apakah mereka yakin dengan ponsel berparameter tersebut. Jika pelanggan memutuskan tidak jadi membeli, tanyakan parameter mana yang ingin mereka sesuaikan.
Jika pelanggan mengonfirmasi parameter tersebut sesuai kebutuhan, Anda harus mengeluarkan dalam format berikut:
[Skenario Penggunaan: Fotografi, Ukuran Layar: 6.8-inci, Ruang Penyimpanan: 128GB, Ruang RAM: 8GB]. Keluarkan hanya konten dalam format ini dan tidak ada informasi lain.
    • User Prompt: 
      Pertanyaan pengguna: ${sys.query}
    • Memory: Mengaktifkan model untuk mengingat konten obrolan sebelumnya selama percakapan. Aktifkan toggle image dan pilih Custom Cache.
p910519
  1. Drag node Variable Processing dari panel kiri ke canvas. Di panel konfigurasinya, konfigurasikan parameter berikut, biarkan yang lain pada nilai default. Lalu, tutup panel dan hubungkan output intent Default dari node Intent Classification ke node Variable Processing.
    • Output Mode: Pilih Text Output.
    • Di kotak editor, masukkan: 
      Halo! Tolong beri tahu saya apakah Anda ingin membeli TV, kulkas, atau ponsel.
p910518
  1. Hubungkan ketiga node model besar dan node Variable Processing ke node End. Lalu, klik node end dan di editor panel konfigurasinya, masukkan / untuk menyisipkan empat variabel berikut: Large Model 1/result, Large Model 2/result, Large Model 3/result, dan Variable Processing 1/result. Biarkan parameter lain pada nilai default.
p910518
Contoh konfigurasi:
image
  1. Uji aplikasi:
    1. Klik Test di pojok kanan atas. Di kotak dialog, masukkan Ceritakan tentang kulkas Anda, klik image, lalu lihat output-nya.
    2. Selanjutnya, masukkan Untuk rumah tangga dan lihat output-nya.
    3. Lalu, masukkan 200L dan lihat output-nya.
    4. Akhirnya, masukkan Efisiensi energi Level 1 dan lihat output-nya.
工作流-智能导购

Parameter sesi

Variabel sesi berperan sebagai variabel global, menyimpan parameter sepanjang siklus hidup alur kerja agar dapat dirujuk oleh node mana pun. Klik ikon image di pojok kanan atas halaman konfigurasi canvas.
image

Node

Node adalah unit fungsional inti dari aplikasi alur kerja. Setiap node menjalankan tugas spesifik, seperti mengeksekusi aksi, memicu kondisi, memproses data, atau mengarahkan alur kerja. Gabungkan node-node ini seperti blok bangunan untuk membuat proses otomatis.
  • Awal dan akhir
  • Model besar
  • Basis pengetahuan
  • API
  • Plugin
  • Function Compute
  • Script
  • Kondisi
  • Klasifikasi intent
  • Flow output
  • Pemrosesan variabel
  • Ekstraksi parameter
  • Grup agen
  • Buat agen
  • Generasi multimodal
  • Kapan digunakan
    • Saat merancang alur kerja, definisikan struktur dan konten parameter input/output di node start dan end.
  • Cara menggunakan
    • Start Node

      Komponen

      Deskripsi

      Variabel pradefinisi

      Alur kerja menyediakan variabel pradefinisi berikut untuk memproses input pengguna dan mempertahankan riwayat percakapan:

      • query: Menyimpan input teks pengguna.

      • historyList: Menyimpan riwayat percakapan untuk mempertahankan konteks dalam percakapan multi-putaran. Untuk menggunakan variabel ini di node yang mendukung fitur memory (seperti node model besar dan klasifikasi intent), pilih Custom Cache.

      • imageList: Menyimpan gambar yang diunggah pengguna untuk memungkinkan analisis gambar atau percakapan multimodal. Untuk menggunakan variabel ini di node yang mendukung fitur memory (seperti node model besar dan klasifikasi intent), pilih Custom Cache.

      Variabel kustom

      Variabel kustom adalah parameter input terstruktur yang Anda definisikan untuk alur kerja. Variabel ini menerima data dari pengujian atau pemanggilan API dan dapat dirujuk di node berikutnya. Saat membuat variabel kustom, konfigurasikan parameter berikut:

      • Nama variabel: Masukkan nama yang bermakna. Karakter Cina tidak didukung.

      • Tipe: Tipe data variabel. Tipe yang didukung adalah String, Boolean, Number, Object, Array (dari String, Boolean, Number, atau Object), dan File.

      • Deskripsi: Jelaskan secara singkat fungsi variabel dan kapan menggunakannya.

    • Node Akhir

      Komponen

      Deskripsi

      Mode output

      Text Output: Cocok untuk konten tak terstruktur. Di kotak input, Anda dapat memasukkan konten tetap atau mengetik / untuk merujuk variabel, yang menentukan hasil akhir yang dikembalikan ke pengguna. Anda dapat mengambil variabel dari output node mana pun dalam alur kerja atau dari variabel sesi. Pemetaan variabel output yang tepat memungkinkan Anda mengontrol aliran data alur kerja dan memastikan respons akhir yang akurat dan lengkap.

      JSON Output: Cocok untuk mengeluarkan konten terstruktur dalam format JSON. Anda dapat mendefinisikan nama variabel dan memasukkan teks atau merujuk variabel.

      Streaming output

      Sakelar Streaming Output hanya berlaku untuk mode Text Output.

      Jika diaktifkan, respons dari node model besar dan komponen aplikasi dialirkan token demi token. Jika dinonaktifkan, respons lengkap dikembalikan setelah sepenuhnya dihasilkan.

Uji aplikasi

Setelah mengonfigurasi alur kerja, Anda dapat menggunakan fitur uji untuk memverifikasi bahwa alur kerja berjalan sesuai harapan. Klik tombol Test di pojok kanan atas untuk membuka panel uji. Panel uji menawarkan beberapa mode uji untuk kasus penggunaan berbeda.

Percakapan teks

Percakapan teks adalah mode uji default. Mode ini mempertahankan riwayat percakapan dan mendukung percakapan multi-putaran berkelanjutan.
  1. Dari daftar drop-down di bagian atas panel uji, pilih mode percakapan teks (dipilih secara default). Jika alur kerja berisi variabel kustom, masukkan nilainya di area konfigurasi parameter.
  2. Di kotak input, masukkan konten uji Anda (teks dan lampiran file didukung), lalu klik tombol Send atau tekan Enter untuk menjalankan uji.
  3. Tinjau hasil uji. Anda dapat mengklik node untuk melihat input dan output terperincinya, atau mengalihkan format output antara Teks dan JSON.
  4. Untuk melanjutkan percakapan, masukkan giliran berikutnya di kotak input dan kirimkan. Untuk memulai percakapan baru, klik tombol Clear All.

Generasi teks

Mode generasi teks digunakan untuk interaksi satu putaran. Setiap uji bersifat independen, dan riwayat percakapan tidak dipertahankan.

Daftar periksa

Daftar periksa mencantumkan konfigurasi yang diperlukan untuk alur kerja Anda. Untuk melihat daftar periksa, klik ikon image di pojok kanan atas halaman konfigurasi canvas.
image

Rilis aplikasi

Setelah aplikasi dirilis, Anda dapat memanggilnya melalui API atau membagikannya sebagai halaman web dengan pengguna RAM di akun utama yang sama. Untuk melakukannya, klik tombol Publish di pojok kanan atas halaman manajemen aplikasi agen.

Panggil melalui API

Di tab Publish Channel aplikasi alur kerja Anda, klik View API di sebelah API untuk mempelajari cara memanggil aplikasi agen menggunakan API.
Catatan: Anda harus mengganti YOUR_API_KEY dengan kunci API Anda untuk memanggil API.
image
Untuk FAQ dan informasi tentang pemanggilan API, lihat topik berikut:
  • Untuk metode pemanggilan (HTTP/SDK), lihat Pemanggilan aplikasi.
  • Untuk detail parameter pemanggilan API, lihat Informasi parameter pemanggilan aplikasi.
  • Untuk detail mengenai penerusan parameter, lihat Penerusan parameter untuk aplikasi.
  • Untuk mengatasi error yang dikembalikan oleh pemanggilan API, lihat Kode error.
  • Aplikasi itu sendiri tidak memiliki batas konkurensi; batasnya ditentukan oleh model yang dipanggilnya. Lihat Konsol Model Studio.
Saat ini, Anda tidak dapat memanggil layanan Xiyan dari alur kerja. Sebagai gantinya, gunakan node API untuk memanggil layanan API kustom.
Timeout untuk pemanggilan API adalah 600 detik dan tidak dapat diubah. Jika timeout mungkin terjadi, pertimbangkan solusi berikut:
  • Gunakan mode asinkron: Dalam mode ini, sistem mengembalikan ID tugas. Anda kemudian dapat menggunakan ID tugas untuk mengkueri hasilnya, yang menghindari batas timeout sinkron.
  • Pecah tugas: Pecah tugas menjadi beberapa langkah, atau proses data batch dalam potongan yang lebih kecil untuk mencegah eksekusi tunggal timeout.

Impor atau ekspor alur kerja

  1. Impor atau ekspor alur kerja Model Studio Klik ikon image di bagian atas halaman alur kerja dan pilih Export DSL atau Import Model Studio DSL.
    image
  2. Impor alur kerja Dify Model Studio mendukung impor satu klik alur kerja Dify untuk migrasi dan penggunaan ulang yang mudah.
    1. Klik ikon image di bagian atas halaman alur kerja dan pilih Import Dify DSL.
      image
    2. Sesuaikan parameter untuk setiap node.
      image
    Detail kompatibilitas node adalah sebagai berikut:

    Node Dify

    Node Model Studio yang dipetakan

    Kompatibilitas

    start

    start

    1. sys.query dipetakan ke query.

    2. sys.dialogue_count dipetakan ke maximum memory turns.

    LLM

    LLM

    1. model: Model Studio menghapus bidang model untuk model yang tidak didukung, mengharuskan Anda memilih model secaramanual. Model yang didukung sepenuhnya kompatibel.

    2. prompt: Prompt Sistem Dify dipetakan ke prompt utama di Model Studio, sedangkan prompt Pengguna Dify dipetakan ke prompt pengguna.

    3. kemampuan visi: Sepenuhnya kompatibel.

    4. konteks: Model Studio memasukkan langsung bidang mentah dari konteks Dify ke dalam prompt sistemnya.

    knowledge retrieval

    knowledge base

    1. input: Model Studio secara konsisten menggunakan bidang content sebagai input.

    2. basis pengetahuan: Model Studio menghapus bidang ini setelah impor. Anda harus mengaitkan basis pengetahuan secara manual di Model Studio.

    3. pengaturan pengambilan: Parameter Top-k Dify dipetakan ke jumlah fragmen yang diambil.

    Direct Reply

    output node

    Sepenuhnya kompatibel.

    agent

    None

    Hanya nama yang dipertahankan. Anda harus mengklik node dan memilih node Model Studio spesifik sebagai pengganti.

    Question Classifier

    intent classification

    Model Studio menghapus bidang model untuk model yang tidak didukung, mengharuskan Anda memilih model secara manual. Model yang didukung sepenuhnya kompatibel.

    Iteration

    batch processing

    1. input: Dipetakan ke Batch Array.

    2. variabel output: Dipetakan ke Output Variable.

    loop

    loop

    Sepenuhnya kompatibel.

    code execution

    script

    Model Studio membedakan antara skrip Python dan JavaScript.

    Template Transform

    None

    Tidak kompatibel. Model Studio menghasilkan node kustom.

    Variable Aggregator

    Variable Processing

    Dipetakan ke mode output Aggregate Groups dari node Variable Processing.

    Document Extractor

    None

    Tidak kompatibel. Model Studio menghasilkan node kustom.

    Variable Assignment

    Variable Settings

    Sepenuhnya kompatibel.

    Parameter Extractor

    parameter extraction

    Model Studio tidak mendukung mode inferensi. Fitur lainnya sepenuhnya kompatibel.

    HTTP request

    API

    Sepenuhnya kompatibel, tetapi Anda harus mengotentikasi ulang.

    List Operation

    None

    Tidak kompatibel. Model Studio menghasilkan node kustom.

    Tool

    plugin, MCP

    Tidak kompatibel. Model Studio menghasilkan node kustom.

    comment

    None

    Tidak kompatibel.

    end

    end

    Jika alur kerja Dify berisi beberapa node end, Model Studio mengonversinya menjadi satu node Variable Processing dan satu node end.

Kelola versi alur kerja

  1. Klik Publish di pojok kanan atas halaman konfigurasi alur kerja. Di kotak dialog Publish, masukkan informasi versi, seperti 1.0.0, lalu klik OK.
image
  1. Klik Version Management di bagian atas halaman, dan di panel Historical Versions, Anda dapat melihat atau menggunakan versi berbeda dari aplikasi alur kerja saat ini sesuai kebutuhan dengan mengklik Overwrite Current Draft atau Return to Current Version.
    Anda juga dapat mengklik Export DSL for This Version di bagian atas untuk mengekspor DSL versi historis yang dipilih.
image
  1. Opsi: Di Node Library, lihat atau cari node.
image

Hapus dan salin aplikasi alur kerja

Di My Applications, temukan kartu aplikasi yang telah dipublikasikan dan klik ikon image untuk menghapus aplikasi, menyalin alur kerjanya, atau mengubah nama aplikasinya.

image

FAQ

  • Aplikasi alur kerja
  • Node
  1. Bagaimana cara menulis hasil eksekusi alur kerja ke database? Gunakan node konversi skrip untuk menulis output dari node sebelumnya ke database.
  2. Bagaimana cara mengunggah file saat membuat aplikasi alur kerja di Model Studio? Tambahkan node API ke aplikasi alur kerja Anda untuk mengunggah file.
  3. Bagaimana cara mengunggah gambar? Gunakan model VL dan teruskan URL gambar sebagai parameter.
  4. Dapatkah saya menggunakan API tugas asinkron dalam aplikasi alur kerja? Timeout untuk aplikasi alur kerja adalah 600 detik. Hindari menggunakan API tugas asinkron dalam alur kerja.
  5. Bagaimana cara memanggil API alur kerja Model Studio dari aplikasi frontend dan menerima output streaming? Pemanggilan frontend saat ini tidak didukung.
  6. Mengapa saya tidak dapat mengimpor file .yaml mandiri ke alur kerja Model Studio? Model Studio tidak mendukung pengimporan file .yaml mandiri. Anda harus menyediakan paket terkompresi yang mencakup file MD5. Kami menyarankan untuk menghasilkan ulang MD5 jika Anda mengalami masalah.
  7. Dapatkah nama variabel dalam alur kerja Model Studio menggunakan karakter Cina? Tidak, nama variabel tidak boleh mengandung karakter Cina.
  8. Bagaimana riwayat percakapan disimpan? Aplikasi alur kerja menyimpan data hanya selama satu bulan. Anda harus menyimpan riwayat percakapan Anda sendiri. session_id berlaku selama satu jam.
Mulai
Pengembangan aplikasi
Prompt
Data aplikasi
Basis Pengetahuan (RAG)
Plugin
Pemanggilan Aplikasi
Perizinan
Assistant API (Deprecated)
Dukungan