应用流开发

步骤一：创建对话型应用流

1. 进入LangStudio，选择工作空间后，在应用流页签单击新建应用流。

2. 在新建方式中，选择按类型新建 > 对话型，配置参数如下。

   • 名称：为应用流命名。系统会自动生成，也可以自定义修改。

   • 选择运行时：运行时用于应用流的开发调试，故将在步骤三调试时创建并绑定运行时。

   • 工作路径：建议选择工作空间的默认存储路径。

     说明

     如选择了运行时，会自动加载运行时的工作路径。

3. 单击确定，会创建一个由开始节点、大模型节点和结束节点组成的简单应用流。

更多新建方式请参见创建方式说明。

步骤二：配置节点

完成创建后，将进入应用流开发界面。在画布上可以添加、删除和配置节点。

1. 单击新添加的大模型节点，右侧将展开节点配置区域。

2. 在模型设置中，选择一个模型服务连接。此处选择已配置好的百炼模型服务连接。

   说明

   连接用于安全地存储和管理访问外部服务（如大模型 API）所需的凭证。如尚未配置，需新建连接，详情请参见连接配置。

可添加其他节点满足复杂场景需求，更多节点参见预置组件说明。

步骤三：调试应用流

此步骤的目标是准备计算环境并执行应用流，以验证其输出结果。

1. 为应用流绑定一个新建的运行时。

   1. 在应用流名称旁选择运行时，无选项时，单击新建运行时。

   2. 在弹出的创建页中填写运行时名称，运行时工作路径会默认填充该应用流的工作路径。其他参数保持默认，然后单击确定。

   重要

   运行时一旦启动即会产生费用。调试完成后，请务必前往运行时页面对运行时实例进行停止或删除操作，以避免产生不必要的费用。更多运行时使用请参见运行时管理。

2. 待运行时启动成功后，单击右上角的运行。输入对话内容并发送。

3. 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。

适用场景

• 敏感信息管理：存储 API 密钥、认证令牌等，避免硬编码在代码中。

• 配置参数化：灵活设置模型地址、超时时间等运行参数。

配置与使用

1. 打开应用流后，单击控制台右上角全局配置，添加环境变量。

   

2. 在Python节点中，可通过标准 Python 的 os.environ访问已配置的环境变量：

   import os
   
   # 示例：获取 API 密钥
   api_key = os.environ["OPENAI_API_KEY"]

开始（Start）

开始节点用于标识应用流的运行起始状态，并可以配置应用流的输入参数。

• 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（支持定义类型为File的输入变量，用于接收用户上传的文件，详见文件类型输入输出）。

  

• 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）

LLM节点是应用流的核心组件，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）

应用流支持自定义Python代码的节点，可以实现复杂的数据处理逻辑，支持流式输入和流式输出。配置界面如下：

只需填写Python代码，输入输出会根据代码自动解析。注意以下事项：

• 执行入口函数需要被@tool装饰，才可以被加载为一个节点。

  说明

  当需要Python节点支持输入流时，必须配置 @tool(properties={"streaming_pass_through": True})，否则给到Python节点的LLM等输入都会是完整的输出文本。

• 函数支持的输入/输出类型：int、float、bool、str、dict、TypedDict、dataclass（只支持输出）、list、File。

• 入口函数的入参会被动态解析成节点的输入，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/输出参数的自动解析，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。

• 如果Python代码需要安装相应的依赖，在画布右上方，选择安装依赖，填写依赖包。requirements.txt文件会同应用流一起保存，在启动运行时，或是部署服务时安装依赖到对应的环境里。

  

  

使用案例1：在代码区域输入以下代码，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
    )

使用案例2：流式输入输出。使用Python节点对大模型/Agent等节点输出的包含思考过程的文本流进行裁剪，丢弃<think>\n\n<think>部分思考内容，可获得一个最终结果文本输出流。示例代码如下：

import re
from typing import Iterator
from langstudio.core import tool

@tool(properties={"streaming_pass_through": True})
def strip_think(
    stream: Iterator[str],
) -> Iterator[str]:  # 输入为流式字符串迭代器，输出为过滤后的流式字符串迭代器
    # 匹配 <think>\n...\n</think> 结构，并捕获结束标签后的文本
    pattern = re.compile(r"<think>\n[\s\S]*\n</think>(.*)")
    in_thinking = True  # 标记当前是否处于 <think> 块内部
    think_buf = ""      # 缓冲区，用于存储未处理完的内容

    for chunk in stream:
        if in_thinking:
            think_buf += chunk
            m = pattern.search(think_buf)  # 检查缓冲区是否含完整的思考块
            if m:
                in_thinking = False
                result_part = m.groups()[0]
                if result_part:
                    yield result_part  # 若结果文本存在，立即输出
        else:
            yield chunk  # 已经脱离思考块，直接输出后续所有chunk

条件分支（Condition）

该节点主要用于流程控制。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）

该节点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）

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）

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）

Agent节点是LangStudio应用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（目前支持FunctionCalling和ReAct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。

循环（Loop）

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。

• 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）

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。

• 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）

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。

• 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

直接输出

直接输出节点可以通过输出模板配置直接回复的消息内容，它支持使用 {{node.variable}} 语法引用上游节点的输出，支持流式输出。

使用示例：在大模型节点前，增加直接输出节点，先返回一条消息给用户。

文档解析

支持使用系统内置的智能文档解析工具和AI搜索开放平台的文档解析服务。

• 内置解析工具：可提取文档中的结构化内容与元数据信息，支持多种主流文档格式，包括：PDF、DOCX、PPTX、TXT、HTML、CSV、XLSX、XLS、JSONL 和 MD。

• AI搜索开放平台：实现高精度的结构化文档解析，支持提取标题、段落等逻辑层级信息，以及文本、表格和图片等内容，可提升文档提取的效果与准确性，需先配置 AI搜索开放平台模型服务连接。支持的文件格式包括：PDF、DOCX、PPTX、TXT 和 HTML。

该工具支持后续用于 RAG、摘要、问答等场景。配置界面如下：

• 文档文件：输入单个文档文件进行智能解析，提取结构化内容。选择来自上游的文件类型字段。

• 模型设置：（可选）选择在LangStudio上已创建的 AI搜索开放平台模型服务连接。若未配置，系统将默认使用内置的基础解析方法处理上传的文件。

• 输出结果：

  • file_id：输入文件的唯一标识符

  • content：解析出的结构化文本内容，包含标题、段落等层级信息

  • status：解析状态，可能值为 SUCCESS 或 FAIL

  • metadata：文档的元数据信息和解析详情

    • file_name：文件名

    • file_type：文件类型

    • source_uri：文件原始 URI

    • download_url：文件可下载 URL

    • analysis_method：使用的解析方法。"opensearch" 表示使用AI搜索开放平台的结构化解析，"builtin" 表示使用内置的基础解析方法。

下游使用示例：在下游节点按需引用文档解析节点的结果字段，如果要在LLM节点中使用文档解析结果，可以参考如下方式在用户提示词中引入文档解析后的内容：

语音识别

使用语音识别工具将音频或视频文件转换为文本。支持多种音频格式和语言识别。

HTTP请求

通过 HTTP 请求工具，可以便捷地调用外部 API 接口，支持多种 HTTP 方法、认证方式和请求体格式，满足各类集成需求。

模板转换

模板转换工具允许借助 Jinja2 模板语法，实现灵活的文本格式化和数据转换。

尊敬的 {{ customer_name }}:

您的订单 {{ order_id }} 已确认,详情如下:

{% for product in products %}
- {{ product.name }}: ¥{{ product.price }}
{% endfor %}

总计: ¥{{ total }}

感谢您的购买!

尊敬的 张三:

您的订单 ORD-2025-001 已确认,详情如下:

- 笔记本电脑: ¥8999
- 无线鼠标: ¥199

总计: ¥9198

感谢您的购买!

{% for chunk in chunks %}
### 相关度: {{ "%.2f" % chunk.score }}
#### {{ chunk.title }}
{{ chunk.content }}
---
{% endfor %}

### 相关度: 0.95
#### 产品介绍
这是产品的详细介绍...
---

列表操作

通过列表操作工具，可以对各类列表数据执行灵活的过滤与排序操作，实现数据的精细化处理与筛选。

操作1 - 过滤(按文件分类):
  过滤键: item.category
  过滤操作符: 等于
  过滤值: image

操作2 - 排序(按文件名长度):
  排序键: item.file_name
  排序方向: asc

操作3 - 过滤(取前3个):
  过滤键: index
  过滤操作符: 小于
  过滤值: 3

[
  {"name": "张三", "score": 95, "department": "技术部"},
  {"name": "李四", "score": 72, "department": "市场部"},
  {"name": "王五", "score": 88, "department": "技术部"},
  {"name": "赵六", "score": 91, "department": "产品部"},
  {"name": "钱七", "score": 65, "department": "市场部"},
  {"name": "孙八", "score": 98, "department": "技术部"}
]

操作1 - 过滤(筛选高分用户):
  过滤键: item.score
  过滤操作符: 大于等于
  过滤值: 80

操作2 - 排序(按分数降序):
  排序键: item.score
  排序方向: desc

操作3 - 过滤(取前5名):
  过滤键: index
  过滤操作符: 小于
  过滤值: 5

[
  {"name": "孙八", "score": 98, "department": "技术部"},
  {"name": "张三", "score": 95, "department": "技术部"},
  {"name": "赵六", "score": 91, "department": "产品部"},
  {"name": "王五", "score": 88, "department": "技术部"}
]

结束（End）

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。