Prompt
Opret en promptskabelon med dynamiske variable ({input}, {human_input}, {context}, {chat_history}, {system_message}).
Dette workflow er designet til at facilitere en interaktiv chatoplevelse, hvor AI-assistenten svarer på brugerdefinerede opgaver og udnytter chat-historikken for at give kontekstbevidste svar. Det er en generel skabelon, som gør det nemt at tilpasse til en bred vifte af samtaleautomatiseringer og skalerbare AI-drevne chatløsninger.
Trin-for-trin gennemgang af workflowet
1. Initiering af chatsession og velkomstbesked
- Chat Opened Trigger: Når chatten åbnes, aktiveres en trigger.
- Velkomstbesked: En besked-widget viser en venlig velkomstbesked til brugeren:
👋 Velkommen til Simple Task Flow!
Dette værktøj er designet, så du kan definere din egen opgave baseret på dit input 🌟. Jeg tager vores chat-historik i betragtning for at give relevant hjælp uden yderligere kontekst.
Fortæl mig blot, hvad du gerne vil gøre, så går vi i gang! ✨💬 - Visning: Velkomstbeskeden vises i chat-outputområdet, hvilket giver onboarding og sætter forventninger.
2. Registrering af brugerinput
- Chat Input Node: Modtager tekst (og eventuelt fil) input fra brugeren, der repræsenterer den opgave eller det spørgsmål, de ønsker at adressere.
3. Hentning af chat-historik
- Chat History Node: Henter op til de sidste 10 beskeder (med et tokenloft på 8000) fra chatten. Denne historik bruges senere til at give kontekst og opretholde kontinuitet i samtalen.
4. Oprettelse af prompt
Prompt Template Node: Konstruerer en dynamisk prompt til sprogmodellen. Den integrerer:
- Brugerens seneste input.
- Den nylige chat-historik.
- En fast systembesked, der instruerer AI’en i at generere kontekstbevidste svar.
Den anvendte promptskabelon er:
Du er en AI-sprogmodelassistent. Din opgave er at generere svar til menneskelig INPUT med hensyntagen til tidligere samtale i CHAT HISTORY. --- CHAT HISTORY START {chat_history} --- CHAT HISTORY END --- INPUT START {input} --- INPUT END ANSWER:
5. AI-generering
- Generator Node: Modtager den konstruerede prompt og genererer et tekstsvar ved hjælp af en stor sprogmodel (LLM). Dette sikrer, at svaret er kontekstuelt relevant og tilpasset brugerens anmodning.
6. Visning af output
- Chat Output Node: Det AI-genererede svar vises for brugeren i chatgrænsefladen.
Workflow-struktur tabel
| Trin | Node/Komponent | Formål |
|---|---|---|
| Chatstart | ChatOpenedTrigger | Registrerer, når chatten åbnes |
| Velkomstbesked | MessageWidget | Hilser på og informerer brugeren |
| Vis velkomst | ChatOutput | Viser velkomstbeskeden |
| Brugerinput | ChatInput | Registrerer brugerens opgave eller spørgsmål |
| Hent historik | ChatHistory | Henter nylig samtale til kontekst |
| Opret prompt | PromptTemplate | Bygger prompt til LLM med input og chat-historik |
| AI-generering | Generator | Producerer kontekstbevidst svar ud fra prompt |
| Vis AI-output | ChatOutput | Viser AI-genereret svar til brugeren |
Hvorfor dette workflow er nyttigt til skalering og automatisering
- Kontekstuelle interaktioner: Ved at inddrage chat-historik bevarer systemet konteksten, hvilket forbedrer svarenes relevans og brugerens tilfredshed.
- Brugerdefinerede opgaver: Workflowet er opgave-agnostisk, så brugerne selv kan definere mål og dermed gøre det meget fleksibelt.
- Skalerbar automatisering: Den modulære opbygning gør det nemt at skalere—flere brugere kan interagere samtidigt, og hver session bevarer sin egen kontekst.
- Nem tilpasning: Promptskabelonen og noderne kan let tilpasses specifikke brugsscenarier (fx support, informationssøgning, onboarding).
- Konsistent brugeroplevelse: Automatisk velkomst og kontekstbevidste svar sikrer, at hver brugerinteraktion håndteres professionelt og effektivt.
Eksempler på anvendelse
- Kundesupport-chatbots, der husker tidligere interaktioner.
- Onboarding-assistenter, der guider nye brugere baseret på deres løbende samtale.
- Generelle AI-hjælpere i apps, hvor brugerne kan definere deres egne forespørgsler eller opgaver.
Dette workflow giver et robust fundament for at bygge intelligente, kontekstbevidste chat-automatiseringer, som kan tilpasses mange forskellige anvendelser.
