體驗地址：https://boot3.jeecg.com
源碼下載：https://github.com/jeecgboot/JeecgBoot
分類器節點介紹
分類器節點可以讓 AI 模型根據輸入的內容，自動判斷其類型或意圖，并將內容流轉到對應的工作流分支中。這使得智能系統能夠實現更高效、更智能的流程自動化。
一、應用場景
分類器節點是 AI 模型最典型、最核心的能力之一。它不僅能理解用戶使用自然語言表達的意圖，還可以對其他節點輸出的文本內容進行語義分析與分類。
例如，當用戶輸入「我想看一部文藝片」時，分類器節點可以識別出用戶的意圖為"電影推薦"，并將其自動引導至電影推薦的工作流分支中。
分類器節點具有極其廣泛的應用價值，以下是常見的幾個典型場景：
意圖識別與流程分流： 判斷用戶輸入的意圖，并引導其進入相應的處理流程。文本內容自動歸類： 對新聞、評論、郵件等文本信息進行主題分類。多語言指令識別與處理： 能夠理解多種語言表達的指令，并正確歸類與執行。二、添加分類器節點
點擊前一節點的圖標，選中分類器節點，添加即可
三、節點配置詳解
選中添加的分類器節點，即可詳細配置此節點
1. 輸入變量
輸入變量用于定義傳遞給分類器節點的參數來源。分類器將基于該輸入變量的內容進行語義分析，并判斷其類型或意圖。
在節點的右側配置面板中，可以通過下拉框選擇變量的來源。變量必須來自當前節點之前的節點（通過連線連接），不能引用后續或并行節點的數據。
2. 模型選擇與配置
分類器節點支持靈活選擇并配置使用的模型，輸出效果與模型的選擇密切相關。所有模型均可在 AI 模型配置 模塊中統一管理。
點擊右側圖標可進入模型參數設置界面，可通過調整各項參數，以實現更加精準的控制目標：
以下是各項模型參數的詳細說明：
溫度（Temperature）： 控制生成內容的隨機性。 數值越高，輸出越有創意，但也越不可預測。 設置為 0 時，模型將更加確定性地輸出內容，適用于需要高準確率的任務。 推薦值：0.5 ~ 0.8，適用于日常對話與內容生成。詞匯屬性（Lexical Diversity）： 控制語言表達的復雜程度與多樣性。 數值較低生成內容更加簡潔直白； 數值較高則適合用于創意寫作與風格表達。話題屬性（Topicality）： 決定模型是否容易引入新的話題。 增加該值可提升對話內容的拓展性； 一般建議保留默認值或根據需求微調。重復屬性（Repetition Penalty）： 控制重復內容的比例。 值越高，模型越傾向于避免內容重復； 可在默認設置下使用，適配大多數場景。最大回復長度（Max Tokens）： 設置模型輸出內容的最大字數限制。 普通問答建議設置為：500 ~ 800 短文內容生成建議：800 ~ 2000 編程代碼輸出建議：2000 ~ 3600 長文創作建議設置為 4000 或使用支持長文本生成的模型模型預設模式
精確模式： 內容更加符合指令，適用于對格式與語義要求較高的任務；平衡模式： 在創造力與準確性之間取得平衡，適合大多數業務需求；創意模式： 輸出更具表現力與發散性，適合創意構思與內容創作。3. 分類配置
使用自然語言對每個分類進行描述，LLM 模型會基于輸入內容進行語義分析，從而判斷應歸屬于哪一類。分類器節點會根據模型輸出的分類結果，將流程流轉至相應的分支。
默認情況下，分類器節點至少包含一個自定義分類與一個「ELSE」分類。若所有條件均不滿足，則自動走向「ELSE」分支。
完成分類描述后，需要將每一個分類與工作流中的其他節點相連接，才能實現基于分類結果的自動分流。
4. 輸出變量
分類器節點將輸出以下兩個變量供后續節點使用：
分類索引（index）： 表示所選分類的序號，索引從 0 開始，依次類推；分類描述（content）： 表示最終匹配的分類描述內容，也就是對應的意圖或分類標簽。
京公網安備 11011402013531號