应用流开发_人工智能平台 PAI(PAI)-阿里云帮助中心

LangStudio为应用流开发提供了直观且高效的集成开发环境，您可以构建、调试和优化由大语言模型、Python节点以及其他工具组成的应用流。

前提条件

已创建所需的连接。具体操作，请参见连接配置。

创建应用流

进入LangStudio，选择工作空间后，在应用流页签下单击新建应用流，进入应用流创建页面。

关键参数说明：

参数		说明
新建方式	从模板新建	智能数据Agent：创建一个智能数据助手，需要用到支持Tool Call的LLM连接和SSE MCP Server。基于Web搜索和RAG的聊天助手：创建一个基于Web搜索和RAG的对话流，需要用到SerpApi及知识库索引。智能SQL生成助手：创建一个基于自然语言生成并执行SQL的LLM应用，需要使用LLM连接和RDS MySQL连接。 RAG：创建一个RAG应用，需要使用到向量数据库和LLM连接。意图识别客服：创建一个基于意图识别和RAG的客服应用流，需要使用LLM连接和知识库索引。 IQS联网搜索聊天助手：创建一个对话型应用，在普通对话型的基础上，提供了联网搜索功能。
	按类型新建	标准型：适用于通用应用程序开发。利用大语言模型的强大功能、定制的Python代码等来打造您的定制化应用流。对话型：适用于对话型应用程序开发。在标准型的基础上，对话型提供对话历史、输入、输出的管理，以及对话框形式的测试界面。
	从OSS导入	选择待导入的应用流ZIP压缩包文件或应用流OSS路径，该路径必须直接包含应用流的flow.dag.yaml及其他Code文件。注：您可通过应用流列表操作列的导出功能将应用流导出。
选择运行时		选择用于应用流开发调试的运行时，选择之后应用流的工作路径会默认为运行时的工作路径。如果没有可用的运行时，可前往运行时管理页面创建，或暂时置空，后续在应用流开发页面创建。
工作路径		如果运行时置空，需手动设置应用流工作路径。后续如果在运行时管理页面创建运行时，需确保运行时的工作路径和应用流工作路径保持一致。

开发应用流

在完成指定应用流的创建后，您可以进入开发阶段。应用流开发界面划分为以下区域：

区域	区域说明	备注
①	应用流编辑区域	应用流的DAG图，可直观地查看数据在整个应用流中的传递。单击应用流中的节点，在界面右侧可进行节点配置。单击节点输出端“+”可添加新的节点。
②	应用流配置区域	配置应用流中的各个节点。
③	应用流显示调整区域	包含应用流缩放、画布调整、添加节点（大模型、Python、条件分支等，详情请参见附录：预置组件说明）等功能。
④	应用流运行区域	包含一些常用的操作按钮，如启动/查看/解绑运行时、调试/运行应用流、应用流部署、应用流克隆、查看应用流历史等功能重要运行时一旦启动即会产生费用，因此如果您暂不需要运行应用流，建议解绑运行时，避免持续计费。当前应用流与运行时实例解绑后，运行时状态不会发生改变，不影响运行时实例的正常计费。如果您希望彻底停止计费，请前往运行时管理页面对运行时实例进行停止或删除操作。如果创建应用流时没有配置运行时，可以在此处创建或选择运行时。选择运行时时，系统会自动过滤出和应用流工作路径一致的运行时供您选择。在启动运行时需确保选择的VPC和应用流所用的连接（如大模型服务连接、数据库服务连接等）所在的VPC一致或两者网络已连通。

基础开发流程如下：

（可选）添加组件：单击应用流节点输出端“+”或画布左下方的添加节点，然后在“+”位置进行首尾连线。
支持添加大模型、Python、条件分支等类型的节点，详情请参见附录：预置组件说明。
启动运行时：单击右上角启动运行时并进行配置。注：在进行Python节点解析或查看更多工具时，需要保证运行时已启动。运行时一旦启动即会产生费用，因此如果您暂不需要运行应用流，建议解绑运行时，避免持续计费。
重要
当前应用流与运行时实例解绑后，运行时状态不会发生改变，不影响运行时实例的正常计费。如果您希望彻底停止计费，请前往运行时管理页面对运行时实例进行停止或删除操作。
关键参数说明：
专有网络配置：请确保选择的VPC和应用流所用的连接（如大模型服务连接、数据库服务连接等）所在的VPC一致或两者网络已连通。
配置节点参数。各组件详情，请参见附录：预置组件说明。
调试/运行：单击右上角运行，开始执行应用流。
查看链路/错误日志：单击生成答案下的查看链路或查看日志，查看链路（Trace详情、拓扑视图）或运行日志。
说明
查看日志功能仅在应用流运行错误时才会显示。
（可选）停止/删除运行时。如果您暂不需要运行应用流，建议解绑运行时，避免持续计费。
重要
当前应用流与运行时实例解绑后，运行时状态不会发生改变，不影响运行时实例的正常计费。如果您希望彻底停止计费，请前往运行时管理页面对运行时实例进行停止或删除操作。

后续操作

在完成应用流的开发和调试后，您可以对应用流进行评测，待满足业务需求后，您可以将应用流部署至模型在线服务PAI-EAS中供生产使用。

附录：预置组件说明

开始（Start）

定义
开始节点用于标识应用流（Workflow）的运行起始状态，以及应用流的输入参数。一个应用流中只能有一个开始节点。
输入参数配置
通过开始节点可以配置应用流的输入参数信息。对于对话型应用流，系统会默认提供对话历史和对话输入两个默认字段，您可以根据需求添加自定义变量。
使用方式
在运行应用流时，通过对话面板配置当前会话的输入参数。

大模型（LLM）

定义
LLM节点是应用流（Workflow）的核心组件，专门用于调用大语言模型以处理自然语言任务。通过此节点，用户可以获得智能的文本响应，帮助回答问题或处理复杂的自然语言输入。此外，LLM节点还提供灵活的配置选项，允许用户调整模型参数、管理对话历史以及自定义提示词，以优化响应质量和准确性。
应用场景
- 文本生成：根据主题、关键词生成文本内容。
- 内容分类：自动分类邮件类型（咨询/投诉/垃圾邮件）。
- 文本转换：将文本翻译成指定语言。
- RAG：结合检索到的知识回答用户问题。
配置界面
输入（Input）
- 模型设置：支持使用从ModelGallery部署或其他自定义部署的模型服务，以及Dashscope、DeepSeek等模型提供商提供的模型。如果关注效果，建议选择能力较强的模型。支持配置以下模型参数：
  - 温度：通常是一个介于0到1之间的值，用于控制模型输出的随机性。温度越接近0，结果越确定和一致；温度越接近1，结果则越随机和多样化。
  - Top P：用于控制结果的多样性。模型会从候选词中选择，确保选择的词的累积概率不超过设定的阈值P，从而影响输出的多样性。
  - Top K：用于控制模型的输出。它限定了模型在生成结果时可以选择的候选词数量。具体来说，Top K设定一个数值K，模型只会从概率最高的前K个词中进行选择。这种方法可以减少生成结果中的随机性，使输出更加集中在可能性较高的词汇上。相比于Top P，Top K更加直接地限制了候选词的数量，而不是基于累积概率。
  - 存在惩罚：用于减少模型重复生成相同的实体或信息。通过对已生成的内容施加惩罚，模型更倾向于生成新的或不同的内容。随着参数值的增加，模型对已经生成过的内容施加更大的惩罚，从而降低重复生成的可能性。
  - 频率惩罚：用于减少过于频繁出现的词或短语的生成概率。随着参数值的增加，对这些常见词或短语施加更大的惩罚，从而降低其出现频率。较高的频率惩罚参数值有助于提升文本的词汇多样性。
  - 最大标记：用于设定模型在单次生成中可以输出的最大长度。设定较低的最大标记值可能会导致生成的文本较短或被截断，而较高的值则允许更长的输出，从而帮助控制生成内容的规模和复杂度，确保结果符合预期的长度要求。
  - 种子：当指定种子值时，模型会尽量进行确定性采样，使得相同种子和参数的重复请求应产生相同的结果。然而，不能保证完全的确定性，建议您参考system_fingerprint（可能需要代理才能访问）响应参数来监控可能的变化。
  - 停止序列：最多4个停止序列，用于指示模型在生成文本时停止进一步输出。当模型检测到其中任意一个停止序列时，它将停止生成更多的tokens，并且返回的文本将不包含该停止序列本身。
- 对话历史：配置打开后，会自动地在提示词中插入应用流的聊天历史记录。
- 输入变量：变量中可以引用本节点前置所有节点的输出。
- 提示词：自定义系统(SYSTEM)/用户(USER)/助手(ASSISTANT)的提示词内容，提示词是jinja2模板，模板中可以通过两个双引号{{}}的方式引用输入变量。
输出（Output）
节点默认输出String类型的数据，也可以根据需求配置为JSON类型数据。JSON类型支持自定义添加输出变量，大模型会根据变量名称的含义进行输出。
使用案例
- 基于LangStudio搭建DeepSeek+RAG在金融和医疗领域的问答应用流
- 基于LangStudio&DeepSeek的RAG及联网搜索聊天机器人解决方案

Python开发（Python）

定义
应用流（Workflow）支持自定义Python代码的节点，可以实现复杂的数据处理逻辑。
配置界面
输入（Input）
- 代码：Python代码，需注意以下事项：
  - Python节点的执行入口函数需要被@tool装饰，才可以被加载为一个节点。
  - 修改完代码后，会自动进行解析，函数的入参会被动态解析成节点的输入，函数的输出会被放到output字典中，可以被其他节点引用。
    重要
    Python节点的输入/输出参数通过解析Python函数获得，依赖于运行时。在没有启动运行时的情况下，无法配置节点的输入/输出信息。
  - 函数支持的输入/输出类型：int、float、bool、str、dict、TypedDict、dataclass（只支持输出）、list。
- 输入：Python函数代码的入参会被动态解析成节点的输入。
输出（Output）
Python函数代码的输出会被动态解析到output字典中，可以被其他节点引用。
使用案例
在代码区域输入以下实例代码，代码会被映射为节点的输入和输出：
```
from langstudio.core import tool
from dataclasses import dataclass

@dataclass
class Result:
    output1: str
    output2: int

@tool
def invoke(foo: str, bar: int) -> Result:    
    return Result(
        output1="hello" + foo,
        output2=bar + 10
    )
```
如果Python代码需要额外的执行依赖包，则需要安装相应的依赖。requirements.txt文件会同应用流一起保存，在运行时启动，或是部署服务时会被安装到对应的环境里。

条件分支（Condition）

定义
主要用于流程控制。主要实现if-else逻辑，若设定的条件成立则仅运行对应的分支，若均不成立则运行else分支。需搭配变量聚合（Variable Aggregate）节点使用。
配置界面
输入（Input）
配置分支条件时，需注意：
- 每个分支代表一个执行路线，最后一个分支为else分支，代表没有匹配到任何分支，不可编辑。
- 每个分支可包含多个条件，条件之间支持and/or聚合。
- 注意上游节点输出、匹配符（如=、≠、为空、不包括等）以及匹配值，以确保条件的准确性和有效性。
输出（Output）
无输出。
使用案例
在连接条件分支组件与下游节点时，每个分支在组件上都有一个对应的连线端口。当某个分支条件被触发时，该分支将执行连接的下游节点，而其他分支节点则会被跳过。之后，可以通过变量聚合（Variable Aggregate）组件收集各个条件分支的执行结果（即下游节点的输出）。

变量聚合（Variable Aggregate）

定义
负责整合不同分支的输出结果，确保无论哪个分支被执行，其结果都能通过一个统一的变量来引用和访问。这在多分支的情况下非常有用，可将不同分支下相同作用的变量映射为一个输出变量，避免下游节点重复定义。
配置界面
输入（Input）
配置变量分组时，需注意：
- 上游一般是条件分支（Condition）/意图识别（Intent Recognition）产生的多个执行分支。
- 同一分组中变量必须同类型，第一个非空输出值即为该组的输出。
- 由于条件分支/意图识别仅会触发一个分支，所以每组有且仅有一个非空值，通过变量聚合节点即可提取出该值，方便下游使用。
- 如果每个条件分支/意图识别的分支有多个需要的输出，可以添加多个分组，分别提取对应输出值。
输出（Output）
输出变量会根据所添加的分组进行动态调整。如果存在多个分组，节点将输出多个键值对（Key-Value），其中，Key为组名，Value为组内第一个非空的变量值。
使用案例
请参见条件分支（Condition）组件的使用案例。

意图识别（Intent Recognition）

定义
主要用于流程控制。通过大语言模型分析用户输入的意图，并根据识别结果执行相应的分支。支持多意图配置和对话历史。
配置界面
输入（Input）
- 用户输入：选择用户输入，用于识别意图。
- 多意图配置：按需设置意图，确保每个意图的描述都清晰明确，并且不同意图之间不存在语义重叠。最后一个意图默认为“其他意图”，代表没有匹配到任何其他意图，不可编辑。
- 模型设置：配置意图识别需要的大语言模型，如果关注效果，请选择能力较强的模型，如qwen-max等。
- 对话历史：配置打开后，大模型推理时会自动地在提示词中插入应用流的聊天历史记录。
- 额外提示：输入的内容将会被追加到系统提示词中，帮助模型更好的完成意图识别。
输出（Output）
无输出。
使用案例
在连接意图识别组件与下游节点时，每个意图分支在组件上都有一个对应的连线端口。当某个意图被识别时，该分支将执行连接的下游节点，而其他分支节点则会被跳过。之后，可以通过变量聚合（Variable Aggregate）组件收集各个条件分支的执行结果（即下游节点的输出）。

知识库检索（Index Lookup）

定义
从知识库中检索与用户问题相关的文本内容，以便将其用作下游LLM节点的上下文。
配置界面
输入（Input）
- 知识库索引名称：选择在LangStudio上已注册可用的知识库，详情请参见知识库管理。
- 检索关键词：选择希望在知识库中检索的关键信息，需要引用上游节点的输出参数，格式为String。
- Top K：知识库索引检索时，系统返回的与检索关键词最相关的前K项结果。

输出（Output）

检索输出变量result，类型为List[Dict]，其中Dict的Key包含以下字段：

Key	说明
content	检索到的文档分片的内容。这个内容是从知识库中提取出来的文本片段，通常与输入的查询相关。
score	文档分片与输入查询的相似度得分，即文档分片与查询的匹配程度。得分越高，说明该文档分片与查询的相关性越强。

以下为输出示例，表示返回结果包含得分最高的top_k条记录：

[
  {
    "score": 0.8057173490524292,
    "content": "受疫情带来的不确定性影响，xx银行根据经济走势及中国或中国内地环境预判，主动\n加大了贷款和垫款、非信贷资产减值损失的计提力度，加大\n不良资产核销处置力度，提升拨备覆盖率，2020 年实现净利\n润289.28亿元，同比增长 2.6%，盈利能力逐步改善。\n（人民币百万元） 2020年 2019年 变动(%)\n经营成果与盈利\n营业收入 153,542 137,958 11.3\n减值损失前营业利润 107,327 95,816 12.0\n净利润 28,928 28,195 2.6\n成本收入比(1)(%) 29.11 29.61下降 0.50个\n百分点\n平均总资产收益率 (%) 0.69 0.77下降 0.08个\n百分点\n加权平均净资产收益率 (%) 9.58 11.30下降 1.72个\n百分点\n净息差(2)(%) 2.53 2.62下降 0.09个\n百分点\n注： (1) 成本收入比 =业务及管理费／营业收入。",
    "id": "49f04c4cb1d48cbad130647bd0d75f***1cf07c4aeb7a5d9a1f3bda950a6b86e",
    "metadata": {
      "page_label": "40",
      "file_name": "2021-02-04_中国xx保险集团股份有限公司_xx_中国xx_2020年__年度报告.pdf",
      "file_path": "oss://my-bucket-name/datasets/chatglm-fintech/2021-02-04__中国xx保险集团股份有限公司__601318__中国xx__2020年__年度报告.pdf",
      "file_type": "application/pdf",
      "file_size": 7982999,
      "creation_date": "2024-10-10",
      "last_modified_date": "2024-10-10"
    }
  },
  {
    "score": 0.7708036303520203,
    "content": "72亿元，同比增长 5.2%。\n2020年\n（人民币百万元）寿险及\n健康险业务财产保险\n业务 银行业务 信托业务 证券业务其他资产\n管理业务 科技业务其他业务\n及合并抵消 集团合并\n归属于母公司股东的净利润 95,018 16,083 16,766 2,476 2,959 5,737 7,936 (3,876) 143,099\n少数股东损益 1,054 76 12,162 3 143 974 1,567 281 16,260\n净利润 (A) 96,072 16,159 28,928 2,479 3,102 6,711 9,503 (3,595) 159,359\n剔除项目 ：\n 短期投资波动(1)(B) 10,308 – – – – – – – 10,308\n 折现率变动影响 (C) (7,902) – – – – – – – (7,902)\n 管 理层认为不属于  \n日常营运收支而剔除的  \n一次性重大项目及其他 (D) – – – – – – 1,282 – 1,282\n营运利润 (E=A-B-C-D) 93,666 16,159 28,928 2,479 3,102 6,711 8,221 (3,595) 155,670\n归属于母公司股东的营运利润 92,672 16,",
    "id": "8066c16048bd722d030a85ee8b1***36d5f31624b28f1c0c15943855c5ae5c9f",
    "metadata": {
      "page_label": "19",
      "file_name": "2021-02-04_中国xx保险集团股份有限公司_xxx_中国xx__2020年__年度报告.pdf",
      "file_path": "oss://my-bucket-name/datasets/chatglm-fintech/2021-02-04__中国xx保险集团股份有限公司__601318__中国xx__2020年__年度报告.pdf",
      "file_type": "application/pdf",
      "file_size": 7982999,
      "creation_date": "2024-10-10",
      "last_modified_date": "2024-10-10"
    }
  }
]

使用案例
- 基于LangStudio搭建DeepSeek+RAG在金融和医疗领域的问答应用流
- 基于LangStudio&DeepSeek的RAG及联网搜索聊天机器人解决方案

Agent（Agent）

定义
Agent节点是LangStudio工作流中基于自主性智能体开发的节点组件。该节点支持推理（Reasoning）策略和Tools Use等能力，可通过集成不同的推理策略（目前仅支持FunctionCalling策略），实现自主调用模型上下文协议（MCP）工具，从而使得大语言模型（LLM）能够在运行时动态选择并执行工具（Tools），实现自主性多步推理能力。该节点需要启动运行时后才可配置，可在“更多工具”中选择。
配置界面
输入（Input）
- Agent策略：选择所需的Agent推理策略，目前仅支持了FunctionCalling策略。
  FunctionCalling
  通过将自然语言指令映射到预定义的工具，实现与外部系统的交互。大语言模型（LLM）首先识别用户意图，决定调用哪个工具并提取所需参数。随后，系统将自动调用选定工具并获得其返回结果，从而帮助LLM生成对自然语言指令的回复。
  应用场景
  - 精确任务处理：对于明确的任务，LLM可以直接调用相应的工具，无需复杂的推理过程，从而提高响应效率和准确性。
  - 外部功能集成：通过调用MCP Tools，LLM可以访问实时数据、执行特定操作等，从而扩展其功能范围。
- 模型设置：选择驱动Agent的大语言模型，策略中使用OpenAI API中Tool Call方式传递Tools信息，因此模型需要支持Tool Call功能。
- 对话历史：启用对话历史，可以为Agent提供对话上下文记忆能力。系统会自动的将对话历史消息填充到提示词中，这使得Agent能够理解和引用之前的对话内容，从而提供连贯的上下文相关的回答。例如，当用户在新的消息中使用代词（如“他”、“这里”、“那一天”等）时，开启了对话历史的Agent能够理解这些代词所指代的前文实体，而无需用户重复指定完整信息。
- MCP服务配置：支持配置SSE MCP Server，内容格式为JSON。FunctionCalling策略支持使用MCP Server提供的MCP Tools，使用方式由策略决定。示例：
```
# 使用SSE通信方式的MCP Server配置
# 用户根据需求，自行手动配置，更换“server-name”为用户需要的服务名称，并替换“url”（必填）
# 其他非必填参数包括“header”（默认为空）、“timeout”(默认为30)、“sse_read_timeout”（默认为300），参数含义具体可参考：https://github.com/modelcontextprotocol/python-sdk/blob/main/src/mcp/client/sse.py#L22
# 请自行确保Agent运行环境与MCP Server的网络连通以及MCP Server的功能正确性
# 支持配置多个MCP Server

{
  "mcpServers": {
    "server-name": {
      "url": "http://localhost:3000:sse",
      "headers": {
        "Authorization": "Bearer 371D480C-15B0-435B-B418-9395B38B9343"
      },
      "timeout": 30,
      "sse_read_timeout": 300
    },
    ...
  }
}
```
- 输入变量：当您希望在提示词中引用应用流上游节点的变量时，需要在本节点中定义相应的输入变量，并将其值设置为上游节点变量的引用。随后，在下面提示词中，您可以通过Jinja2模板语法（通过两个双引号{{}}的方式）引用这些已定义的输入变量，以实现动态数据传递。
- 提示词：自定义系统(SYSTEM)/用户(USER)/助手(ASSISTANT)的提示词内容，提示词中可引用输入变量。
- 循环次数：设置Agent执行的最大循环次数，范围为1~30。Agent将根据循环次数重复执行任务以生成响应，直到满足以下任一条件：
  - LLM判断已通过调用工具获取足够的信息以生成完整的结果
  - 达到设定的最大循环次数
  请注意，设置合理的循环次数有助于在响应完整性与执行效率之间取得平衡。
输出（Output）
节点输出String类型的数据。
查看链路/日志
在应用流页面右上角单击运行后的对话框中，您可以在弹出的对话框中运行结果下方查看链路或日志。
- 查看链路：查看当前运行的Trace信息，了解Agent在每次请求模型时的输入、模型的输出（包括工具调用及请求参数）、token开销、耗时等信息。
- 查看日志：当应用流运行错误时，可以查看当前的运行日志，获取节点执行过程中的更多细节。
此外，您还可以通过在应用流页面右上角单击更多 > 运行历史，选择指定运行记录，查看链路或日志。

循环（Loop）

定义
循环节点用于执行需要依赖前一轮结果的重复任务，直至满足退出条件或达到预设的最大循环次数。在循环节点内，可以配置一个子流程，系统会根据循环变量重复执行子流程中的逻辑，直到触发终止条件或达到执行次数上限。该节点需要启动运行时后才可配置，可在“更多工具”中选择。
配置界面
输入（Input）
- 循环变量：用于在循环的各个轮次间传递数据，并在循环结束后继续供下游节点使用。支持配置多个循环变量，其值可以手动输入或从上游节点的输出中选择。
- 循环退出条件：可基于循环变量进行配置，当指定的循环变量满足预设条件时，循环将终止。
- 最大循环次数：用于限制循环的最大执行次数，以防止出现无限循环。
输出（Output）
节点输出为当前循环执行之后循环变量的值。只有通过变量赋值节点才能更新循环变量，如果没有该节点，经过N轮循环后，循环节点的输出将仍然保持为初始输入。
相关节点
循环相关的节点仅限在循环内使用。您可以通过单击循环内指定节点右侧的“+”来添加以下相关节点：
- 退出循环（Break Loop）
  退出循环，上游一般是条件分支（Condition）节点。
- 变量赋值（Variable Assigner）
  将循环内子节点输出结果赋值给循环变量。

SerpAPI-联网搜索（SerpAPI-GenericSearch）

定义
使用SerpApi进行网络搜索，支持多个搜索引擎（如Bing、Google、Baidu、Yahoo以及自定义），可配置搜索位置和结果数量。该节点需要启动运行时后才可配置，可在“更多工具”中选择。
配置界面
输入（Input）
- SerpApi连接：选择在LangStudio上已创建的SerpApi连接，详情请参见创建SerpApi连接。
- 搜索关键词：选择希望进行网络搜索的关键信息，需要引用上游节点的输出参数，格式为String。
- 搜索引擎：支持bing、google、baidu和yahoo搜索，也支持自定义的输入。
- 位置：搜索所在位置。如需使用，建议具体到城市，如Shanghai, China。
- 搜索结果数量：返回的查询结果数量。

输出（Output）

联网搜索输出变量output，类型为List[Dict]，其中Dict的Key包含以下字段：

Key	说明
title	搜索结果的标题，通常是网页或文档的标题，简要概括了内容的主题。
link	搜索结果的链接，即URL。用户可以通过这个链接访问完整的内容。
summary	搜索结果的摘要，通常是对内容的简要介绍或概括，帮助用户快速了解内容的核心信息。

使用案例
基于LangStudio&DeepSeek的RAG及联网搜索聊天机器人解决方案

阿里云IQS-联网搜索（IQS-GenericSearch）

定义
使用阿里云信息查询服务进行标准搜索，支持时间范围筛选。该节点需要启动运行时后才可配置，可在“更多工具”中选择。
配置界面
输入（Input）
- 搜索关键词：选择希望进行联网搜索的关键信息。长度必须在2到100个字符之间，若超过100个字符，将被截断至100个字符；若少于2个字符，则会引发错误。
- 时间范围：选择搜索数据的时间范围，支持选择NoLimit、OneDay、OneWeek、OneMonth和OneYear。
- IQS连接：如果启动时没有配置有权限的角色，可选择已配置的IQS连接。关于如何配置IQS连接，请参见服务连接配置-自定义连接，并将键和值分别配置为api_key和相应的值，相应的值可通过信息查询服务-凭证管理查看。关于IQS连接使用详情，请参见基于LangStudio&阿里云信息查询服务搭建DeepSeek联网搜索应用流。

输出（Output）

output：联网搜索输出变量output，类型为List[Dict]，其中Dict的Key包含以下字段：

Key	说明
title	搜索结果的标题，通常是网页或文档的标题，简要概括了内容的主题。
link	搜索结果的链接，即URL。用户可以通过这个链接访问完整的内容。
summary	搜索结果的摘要，通常是对内容的简要介绍或概括，帮助用户快速了解内容的核心信息。
content	搜索结果的完整内容或正文，包含详细的信息。由于数据量可能很大，通常不在摘要中展示。
markdown_text	Markdown格式的搜索内容，可能返回为空。
score	搜索结果的评分，通常是一个数值，用于表示结果的相关性或质量。评分越高，结果通常越符合搜索意图。
publish_time	内容的发布时间，通常是一个时间戳或日期，帮助用户了解信息的时效性。
host_logo	内容来源网站的标志或图标，通常是一个图片URL，帮助用户识别信息来源。
hostname	内容来源网站的主机名或域名，指示信息的来源网站。
site_label	内容来源网站的标签或分类，用于指示网站的主题或类别，帮助用户了解信息的背景。

scene_items：用于增强搜索结果的辅助信息，在大多数通用搜索中，scene_items通常为空。然而，当通用搜索无法准确满足用户的需求时，尤其是涉及特定场景（如时间、天气、日历等）时，系统会尝试返回scene_items作为补充，确保用户在特定情境下能获取到更精确和有用的信息，详情请参见场景化调用SceneItem概览。

使用案例
基于LangStudio&阿里云信息查询服务搭建DeepSeek联网搜索应用流

结束（End）

定义
结束节点用于标识应用流（Workflow）的运行结束状态，以及应用流的输出参数。一个应用流Workflow中只能有一个结束节点。
输出参数配置
应用流输出可以引用所有上游节点产生的输出，作为应用流执行结果。例如，以下示例中应用流的answer输出使用了大模型节点的输出，search_results则是使用了搜索节点的输出。
说明
- 对话型应用流默认有一个Chat输出字段，用于作为应用流的对话输出。
- 应用流程必须包含开始节点和结束节点，且只有连接在这两个节点之间的节点才会被执行，游离的节点则不会执行。