ปัญหาทั่วไป

เอกสารประกอบสำหรับปัญหาและคำถามทั่วไปใน node Structured Output Parser ใน n8n ซึ่งเป็นแพลตฟอร์มอัตโนมัติของ workflow รวมถึงรายละเอียดของปัญหาและแนวทางแก้ไขที่แนะนำ

ต่อไปนี้เป็นข้อผิดพลาดและปัญหาทั่วไปบางประการเกี่ยวกับ Structured Output Parser และขั้นตอนในการแก้ไขหรือแก้ไขปัญหาเหล่านั้น

parameter การประมวลผล

โครงสร้างออก Parser โนดเป็น sub-node ¹ Sub nodes ทำหน้าที่แตกต่างจาก nodes อื่น ๆ เมื่อประมวลผลรายการหลายอย่างโดยใช้คำอธิบาย

node ส่วนใหญ่ได้แก่ node รูท ² หมายเลขรายการใด ๆ ในฐานะ input, การประมวลผลรายการเหล่านี้, และส่งผล. คุณสามารถใช้คำอธิบายเพื่ออธิบายรายการ input, และ node แก้ไขคำอธิบายสำหรับแต่ละรายการในทางกลับกัน. ตัวอย่างเช่น, ให้คำอธิบายของห้าชื่อค่า, คำอธิบาย {{ $json.name }} จะแก้ไขชื่อแต่ละชื่อตามลำดับ

ใน sub-node expression จะแก้ไขเป็นรายการแรกเสมอ ตัวอย่างเช่น กำหนดให้ input เป็นค่าชื่อห้าค่า expression {{ $json.name }} แก้เป็นชื่อเสมอ

การเพิ่ม node ตัวแยกวิเคราะห์ output ที่มีโครงสร้างให้กับ node AI

คุณสามารถแนบ node พาร์เซอร์ output เพื่อเลือกได้ Root nodes.

หากต้องการเพิ่ม Structured Output Parser ให้กับ node ให้เปิดใช้งาน Require Specific Output Format ตัวเลือกใน node รูท AI ที่คุณต้องการจัดรูปแบบ เมื่อเปิดใช้งานตัวเลือกแล้ว ตัวเลือกใหม่ ตัวแยกวิเคราะห์เอาท์พุท (output parser) จุดเชื่อมต่อจะปรากฏขึ้น คลิกที่ ตัวแยกวิเคราะห์เอาท์พุท (output parser) จุดแนบเพื่อเพิ่ม node Parser Output ที่มีโครงสร้างให้กับ node

การใช้ตัวแยกวิเคราะห์ output ที่มีโครงสร้างเพื่อจัดรูปแบบขั้นตอนตัวกลาง

node Structured Output Parser จะจัดโครงสร้าง output สุดท้ายจากเอเจนต์ AI ไม่ได้มีจุดมุ่งหมายเพื่อจัดโครงสร้าง output ตัวกลางเพื่อส่งผ่านไปยังเครื่องมือหรือขั้นตอน AI อื่นๆ

หากต้องการขอรูปแบบเฉพาะสำหรับ output ตัวกลาง ให้รวมโครงสร้างการตอบสนองไว้ใน System Message สำหรับ AI Agent . ข้อความอาจรวมถึงสคีมาหรือการตอบสนองตัวอย่างสำหรับตัวแทนเพื่อใช้เป็นเทมเพลตสำหรับผลลัพธ์

โครงสร้างผลผลิตจากตัวแทน

การแยกวิเคราะห์ output ที่มีโครงสร้างมักจะไม่น่าเชื่อถือเมื่อทำงานด้วย AI Agent.

หาก workflow ของคุณใช้ตัวแทน n8n ขอแนะนำให้ใช้ตัวแทนแยกต่างหาก Basic LLM Chain เพื่อรับข้อมูลจากเอเจนต์และแยกวิเคราะห์ สิ่งนี้นำไปสู่ผลลัพธ์ที่ดีกว่าและสม่ำเสมอมากกว่าการแยกวิเคราะห์โดยตรงใน workflow ของตัวแทน