From 51ff31e56d02364021cbe87357c8763c9f5fced9 Mon Sep 17 00:00:00 2001
From: "mintlify[bot]" <109931778+mintlify[bot]@users.noreply.github.com>
Date: Mon, 11 Aug 2025 08:49:35 +0000
Subject: [PATCH] Documentation edits made through Mintlify web editor
---
zh-hans/guides/workflow/node/llm.mdx | 463 ++++++++++++++++++++++++++-
1 file changed, 462 insertions(+), 1 deletion(-)
diff --git a/zh-hans/guides/workflow/node/llm.mdx b/zh-hans/guides/workflow/node/llm.mdx
index f5a0dcbd..bf5b6edd 100644
--- a/zh-hans/guides/workflow/node/llm.mdx
+++ b/zh-hans/guides/workflow/node/llm.mdx
@@ -1,3 +1,464 @@
---
title: "LLM"
----
\ No newline at end of file
+---
+
+### 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](/zh-hans/getting-started/readme/model-providers)，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](../../model-configuration/)。
+
+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](knowledge-retrieval)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](knowledge-retrieval)。
+
+**文件变量**
+
+部分 LLMs（例如 [Claude 3.5 Sonnet](https://docs.anthropic.com/en/docs/build-with-claude/pdf-support)）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](https://docs.dify.ai/zh-hans/guides/workflow/file-upload)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）](user-guide/learn-more/extended-reading/prompt-engineering/prompt-engineering-1/)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](https://jinja.palletsprojects.com/en/3.1.x/templates/)。
+
+**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](https://docs.dify.ai/guides/workflow/error-handling)。
+
+**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。
+
+
+ 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。
+
+ 
+
+
+
+ **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`：
+
+ ```json
+ {
+ "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：
+
+ ```json
+ {
+ "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：
+
+ ```json
+ {
+ "type": "object",
+ "properties": {
+ "username": {
+ "type": "string"
+ },
+ "age": {
+ "type": "number"
+ },
+ "interests": {
+ "type": "array",
+ "items": {
+ "type": "string"
+ }
+ }
+ },
+ "required": [
+ "username",
+ "age",
+ "interests"
+ ]
+ }
+ ```
+
+
+ **适用场景**
+
+ - **你的数据结构复杂，需要支持嵌套对象或数组**，例如 `订单详情`、`产品列表` 等。
+ - **你已经有一个 JSON Schema（或者 API 响应示例）**，希望直接粘贴并手动调整。
+ - **你希望使用高级 Schema 特性**，如 `pattern`（正则表达式匹配）或 `oneOf`（多种类型支持）。
+ - 你使用 LLM 生成了初步 Schema，但**希望修改某些字段的类型或结构**，使其更符合业务需求。
+
+ 
+
+ **添加字段**
+
+ 1. 进入 JSON Schema 代码编辑器。
+ 2. 点击 **从 JSON 导入**， 输入字段。例如：
+
+ ```json
+ {
+ "name": "username",
+ "type": "string",
+ "description": "user's name",
+ "required": true
+ }
+ ```
+
+ 3. 点击 **保存**，系统会自动校验 JSON Schema 并保存。
+
+ **删改字段**：在 JSON 代码框直接删改字段类型、描述、默认值等参数，并点击 **保存**。
+
+ **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：
+
+ ```json
+ {
+ "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：
+
+ ```json
+ {
+ "type": "object",
+ "properties": {
+ "comment": {
+ "type": "string"
+ },
+ "rating": {
+ "type": "number"
+ }
+ },
+ "required": [
+ "comment",
+ "rating"
+ ],
+ "additionalProperties": false
+ }
+ ```
+
+ **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：
+
+ ```json
+ {
+ "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”](../../knowledge-base/) 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](knowledge-retrieval)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**](../../knowledge-base/retrieval-test-and-citation#id-2-yin-yong-yu-gui-shu) 功能查看信息来源。
+
+
+ 上游节点的普通变量同样可以填写至上下文变量内，例如开始节点的字符串类型变量，但 **引用与归属** 功能将会失效。
+
+
+- **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](../file-upload)。
+
+
+
+- **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](https://docs.dify.ai/guides/workflow/error-handling)。
+
+
+
+- **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：
+
+
+
+{/*
+Contributing Section
+DO NOT edit this section!
+It will be automatically generated by the script.
+*/}
+
+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，您现在可以：
+
+- 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。
+
+---
+
+[编辑此页面](https://github.com/langgenius/dify-docs/edit/main/zh-hans/guides/workflow/node/llm.mdx) | [提交问题](https://github.com/langgenius/dify-docs/issues/new?template=docs.yml)
\ No newline at end of file