文本生成模型应用场景

文本生成模型（LLM） 节点是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。包含多种主流模型，如DeepSeek、Qwen系列等。

主要应用场景

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。

典型用例：

• 客服机器人自动分类用户问题（技术支持、退款申请、产品咨询）
• 智能路由用户请求到相应的专业客服团队
• 实时分析用户情绪，调整对话策略

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。

典型用例：

• 营销文案自动生成
• 产品说明书批量创建
• 个性化邮件内容生成
• 社交媒体内容创作

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。

典型用例：

• 自动邮件分拣系统
• 内容审核分类
• 文档自动归档
• 用户反馈分类分析

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。

典型用例：

• 多语言内容本地化
• 实时聊天翻译
• 文档翻译批处理
• 跨语言信息检索

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。

典型用例：

• 自动化测试用例生成
• API文档生成
• 代码重构建议
• 编程教学辅助

配置要点

• 模型选择：根据任务复杂度选择合适的模型规模
• 提示词优化：针对具体场景设计专业的提示词模板
• 参数调整：根据输出要求调整temperature、max_tokens等参数
• 变量设置：合理设置输入输出变量，便于上下游节点数据传递