LLM任务节点
# LLM任务节点配置
——通过这篇文章了解任务流转中LLM任务节点的配置说明
# LLM任务节点的作用
我们希望您在了解LLM任务节点功能之前，了解它的使用场景：
● 功能定义：LLM任务节点是任务流程内用于自主对话和调用动作的节点。它以大模型为决策中枢，能自主理解客户诉求、收集关键信息、执行跨系统动作，以灵活动态地方式完成您设定的目标。
● 使用场景：
- 在真实客户服务场景中，多轮对话常因客户突然转移话题、答非所问或话语不完整等问题，导致预设好的流程难以灵活应对，流程完成率受到明显影响。
- 为提升任务流程对动态问题的处理能力，我们在设计中引入了LLM任务节点。该节点能够依据任务目标，在预设步骤的引导下开展自主多轮对话，并可调用外部工具以协助任务推进。其核心价值在于实时响应客户输入，根据对话进展及工具返回结果动态调整执行策略，直至任务达成。这一机制显著增强了对不确定对话场景的适应能力，有效保障复杂任务流程的顺利完成。
● 相比其他节点，LLM任务节点有以下差异：
| 差异 | LLM任务节点 | 其他流程节点 |
|---|---|---|
| 场景 | 适合处理动态多变的对话场景，机器人能根据客户反馈自主决策和调整行为，例如： - 在收集客户信息时，响应商品咨询问题 - 当查询订单失败时，自主向客户核对订单号 - 当查询到客户附近无网点时，主动提供寄修建议 | 适合对话过程稳定，对准确性要求高的场景。 |
| 配置方式 | 用自然语言描述任务目标和任务描述，其中包含复杂的多个步骤。 | 拖拽不同的节点来设计复杂的多步骤任务。 |
| 执行方式 | 大模型根据任务目标和任务描述，自主决定对话内容和调用动作。 | 按照后台配置严格执行，例如预设的话术。 |
| 结束条件 | 在任务达到结束条件之前，会一直推进多轮对话。 | 运行完毕即进入下一节点。 |
| 对话体验 | 更拟人，理解能力更强 | 更稳定，更严格遵循配置 |
| 异常处理能力 | 能灵活应对在客服场景中各种无法预设的情况 | 对无法预设的情况缺少应对能力 |
# 场景示例
在智能制造行业的售后服务中，客户经常需要查询附近的维修网点或服务门店，以便对产品设备进行检修；或在查询门店时，突然问及相关保修政策等其他问题。通过 LLM 任务节点的配置，机器人可以在该节点自主调用接口、赋值变量、检索知识库等。
- 任务目标： 为客户查询服务网点信息。
- 任务描述：
step 1. 当用户需要查询网点时，收集用户所在城市，并通过动作「查询网点」获取当地是否有合适网点。
step 2. 如果当地有服务网点，告诉用户当前城市的所有服务网点, 使用接口出参 storename 询问用户需要去哪一个服务网点。如果用户曾经提到过想要去其中一个服务网点，则向用户确认是否要去提过的网点。
step 3. 收集到用户想去的服务网点后，将网点名称填充到变量「网点」。
step 4. 如果当地没有服务网点，询问用户是否接受寄修的方式。
提示: 如果用户对查询网点或营业时间有任何不满，通过动作「查询知识」进行专业知识的安抚。 - 知识库范围： 门店与服务网点知识库。
- 结束条件： 当客户明确表示要去特定服务网点时，结束当前LLM节点。
# 功能介绍
- 定义您的任务流程：根据业务定义当前流程，将其拆分为多个子任务
- 定义子任务：配置LLM任务节点，配置您的子任务
a. 任务目标：定义当前节点需要达成的目标
b. 任务步骤：定义该节点的大模型如何执行任务。在书写任务步骤提示词时，可以引用动作、变量，这将提示大模型在什么时候调用外部接口或存储数据。
● 引用变量：如需在不同LLM任务节点间传递数据，请在任务步骤中通过变量实现引用，例如：
i. 读取变量：读取变量「订单状态」，若状态为“已发货”，则执行相应操作；如未发货，则直接修改地址。
ii. 存储变量：将接口返回参数 orderid 的值存储至变量「订单号」中。
● 引用动作：
i. 您可以直接引用「知识中心-动作管理」已创建的动作。
ii. 书写示例：收集用户所在城市，并通过动作「查询网点」获取当地是否有合适网点。
● 使用接口参数：
i. 如果某个参数仅在当前LLM任务节点内部使用，无需存储为变量，可直接在提示词中引用参数名称。
ii. 书写示例：利用接口返回参数 orderid 调用动作「查询物流」，以获取用户物流进度信息。
c. 知识库范围：当识别到知识类问题时，LLM任务节点将调用知识库回答。您可以定义知识库查询范围。如您在任务步骤中主动引用「查询知识」动作，将引导大模型直接查询知识库，查询范围也在该配置知识库范围内。
d. 结束条件：您可以自定义结束条件，例如“当客户认为问题已解决”，则结束当前LLM任务节点，跟随分支走向下一节点。当超出最大问答轮次时，也会强制结束任务。 - 连接LLM任务节点和其他节点
- 测试大模型问答效果
上次更新: 2025/8/25 下午7:35:25