提示词
使用动态变量（{input}、{human_input}、{context}、{chat_history}、{system_message}）创建一个提示词模板。
该工作流旨在促进交互式聊天体验，AI助手能够根据用户自定义的任务做出回应，并利用聊天历史提供基于上下文的答案。这是一个通用模板，可适用于各种会话自动化和可扩展的AI驱动聊天解决方案。
步骤详解
1. 聊天会话启动与欢迎信息
- 聊天开启触发器：当聊天开启时，激活触发器。
- 欢迎信息：消息组件向用户展示友好的欢迎信息：
👋 欢迎来到简单任务流程！
本工具旨在根据您的输入让您自定义任务 🌟。我会结合我们先前的聊天历史，在没有额外上下文的情况下为您提供相关帮助。
请告诉我您想做什么，让我们开始吧！✨💬 - 展示：欢迎信息在聊天输出区域显示，为用户提供引导并设定期望。
2. 捕获用户输入
- 聊天输入节点：接收用户的文本（以及可选的文件）输入，代表他们想要解决的任务或问题。
3. 获取聊天历史
- 聊天历史节点：从聊天中获取最近10条消息（最多8000个token），用于后续提供上下文并保持会话连贯性。
4. 构建提示词
提示词模板节点：为语言模型构建动态提示词。集成：
- 用户的最新输入。
- 最近的聊天历史。
- 指示AI生成基于上下文答案的固定系统信息。
所用提示词模板为：
You are an AI language model assistant. Your task is to generate answer for human INPUT with consideration of previous conversation in CHAT HISTORY. --- CHAT HISTORY START {chat_history} --- CHAT HISTORY END --- INPUT START {input} --- INPUT END ANSWER:
5. AI生成
- 生成器节点：接收构建好的提示词，并利用大型语言模型（LLM）生成文本回复，确保回复具备上下文相关性并贴合用户请求。
6. 输出显示
- 聊天输出节点：AI生成的答案展示在聊天界面中给用户查看。
工作流结构表
| 步骤 | 节点/组件 | 目的 |
|---|---|---|
| 聊天开始 | ChatOpenedTrigger | 检测聊天何时被开启 |
| 欢迎信息 | MessageWidget | 向用户问候并告知说明 |
| 显示欢迎 | ChatOutput | 展示欢迎信息 |
| 用户输入 | ChatInput | 捕获用户的任务或问题 |
| 获取历史 | ChatHistory | 获取最近的对话内容作为上下文 |
| 构建提示词 | PromptTemplate | 基于输入和聊天历史为LLM构建提示词 |
| AI生成 | Generator | 使用提示词生成基于上下文的回复 |
| 显示AI输出 | ChatOutput | 向用户展示AI生成的答案 |
为什么此工作流有利于扩展与自动化
- 上下文交互：通过引入聊天历史，系统能保持对话上下文，提高回复的相关性和用户满意度。
- 用户自定义任务：该工作流不依赖具体任务，允许用户自由定义目标，灵活性极高。
- 可扩展的自动化：模块化设计适合扩展——多个用户可同时互动，每个会话都能保持独立上下文。
- 易于定制：提示词模板和各节点可轻松适配各种具体场景（如客服、信息检索、用户引导）。
- 一致的用户体验：自动问候和基于上下文的回复，确保每次用户互动都专业且高效。
示例应用场景
- 能记住过往互动的客服聊天机器人。
- 能根据正在进行的对话引导新用户的入职助手。
- 在应用中，用户可自定义查询或任务的通用AI助手。
该工作流为构建智能、具备上下文感知能力的聊天自动化系统提供了坚实基础，可灵活适配多种应用场景。
