跳到主要内容

处理组件

Langflow的处理组件在流程中处理和转换数据。 它们有很多用途，包括：

Prompt Template​

参见 Prompt Template。

Batch Run​

Batch Run组件在DataFrame的_每行单个文本列_上运行语言模型，然后返回一个包含原始文本和LLM响应的新DataFrame。

响应包含以下列：

  • text_input：来自输入DataFrame的原始文本
  • model_response：每个输入的模型响应
  • batch_index：DataFrame中所有行的0索引处理顺序
  • metadata（可选）：关于处理的附加信息

在流程中使用Batch Run组件​

如果你将此输出传递给Parser组件，你可以在解析模板中使用变量来引用这些键，例如{text_input}和{model_response}。 以下示例演示了这一点。

连接到OpenAI和Parser的批处理运行组件

  1. 将Language Model组件连接到Batch Run组件的Language model端口。

  2. 将另一个组件的DataFrame输出连接到Batch Run组件的DataFrame输入。 例如，你可以连接一个带有CSV文件的File组件。

  3. 在Batch Run组件的Column Name字段中，输入传入DataFrame中包含要处理文本的列名。 例如，如果你想从CSV文件的name列中提取文本，在Column Name字段中输入name。

  4. 将Batch Run组件的Batch Results输出连接到Parser组件的DataFrame输入。

  5. 可选：在Batch Run组件的标题菜单中，点击 Controls，启用System Message参数，点击Close，然后输入你希望LLM如何处理从文件中提取的每个单元格的指令。 例如，为每个姓名创建一张名片。

  6. 在Parser组件的Template字段中，输入用于处理Batch Run组件新DataFrame列（text_input、model_response和batch_index）的模板：

    例如，此模板使用结果后批处理DataFrame中的三列：


    _10
    record_number: {batch_index}, name: {text_input}, summary: {model_response}

  7. 要测试处理，点击Parser组件，然后点击 Run component，然后点击 Inspect output查看最终的DataFrame。

    如果你想在Playground中看到输出，你也可以将Chat Output组件连接到Parser组件。

Batch Run参数​

一些Batch Run组件输入参数在视觉编辑器中默认隐藏。 你可以通过组件标题菜单中的 Controls切换参数。

名称类型描述
modelHandleInput输入参数。在此连接LLM组件的'Language Model'输出。必需。
system_messageMultilineInput输入参数。DataFrame中所有行的多行系统指令。
dfDataFrameInput输入参数。其列被视为文本消息的DataFrame，由'column_name'指定。必需。
column_nameMessageTextInput输入参数。被视为文本消息的DataFrame列名。如果为空，所有列都格式化为TOML。
output_column_nameMessageTextInput输入参数。存储模型响应的列名。默认=model_response。
enable_metadataBoolInput输入参数。如果为True，向输出DataFrame添加元数据。
batch_resultsDataFrame输出参数。包含所有原始列加上模型响应列的DataFrame。

Data Operations​

Data Operations组件对Data对象执行操作，包括选择键、评估字面量、组合数据、过滤值、追加/更新数据、删除键和重命名键。

  1. 要在流程中使用Data Operations组件，你必须将其Data输入端口连接到输出Data的组件的输出端口。 Data Operations组件中的所有操作都需要至少一个Data输入。

    对于此示例，向流程添加一个Webhook组件，然后将其连接到Data Operations组件。假设你将向webhook发送具有一致有效载荷的请求，该有效载荷具有name、username和email键。

  2. 在Operations字段中，选择你想在传入Data上执行的操作。 对于此示例，选择Select Keys操作来提取特定的用户信息。

  3. 添加name、username和email键以从传入的请求有效载荷中选择这些值。

    要添加更多键，点击 Add more。

  4. 连接Chat Output组件。

    具有Webhook、Data Operations和Chat Output组件的流程

  5. 要测试流程，向你的流程webhook端点发送以下请求，然后打开Playground查看处理有效载荷的结果输出。


    _26
    curl -X POST "http://$LANGFLOW_SERVER_URL/api/v1/webhook/$FLOW_ID" \
    _26
    -H "Content-Type: application/json" \
    _26
    -H "x-api-key: $LANGFLOW_API_KEY" \
    _26
    -d '{
    _26
    "id": 1,
    _26
    "name": "Leanne Graham",
    _26
    "username": "Bret",
    _26
    "email": "Sincere@april.biz",
    _26
    "address": {
    _26
    "street": "Main Street",
    _26
    "suite": "Apt. 556",
    _26
    "city": "Springfield",
    _26
    "zipcode": "92998-3874",
    _26
    "geo": {
    _26
    "lat": "-37.3159",
    _26
    "lng": "81.1496"
    _26
    }
    _26
    },
    _26
    "phone": "1-770-736-8031 x56442",
    _26
    "website": "hildegard.org",
    _26
    "company": {
    _26
    "name": "Acme-Corp",
    _26
    "catchPhrase": "Multi-layered client-server neural-net",
    _26
    "bs": "harness real-time e-markets"
    _26
    }
    _26
    }'

Data Operations参数​

一些Data Operations组件输入参数在视觉编辑器中默认隐藏。 你可以通过组件标题菜单中的 Controls切换参数。

名称显示名称信息
dataData输入参数。要操作的Data对象。
operationsOperations输入参数。对数据执行的操作。参见Data Operations operations
select_keys_inputSelect Keys输入参数。要从数据中选择的键列表。
filter_keyFilter Key输入参数。要过滤的键。
operatorComparison Operator输入参数。用于比较值的运算符。
filter_valuesFilter Values输入参数。要过滤的值列表。
append_update_dataAppend or Update输入参数。要追加或更新现有数据的数据。
remove_keys_inputRemove Keys输入参数。要从数据中删除的键列表。
rename_keys_inputRename Keys输入参数。要在数据中重命名的键列表。
data_outputData输出参数。操作后的结果Data对象。

Data Operations操作​

operations输入参数的选项如下。 所有操作都作用于传入的Data对象。

名称必需输入处理
Select Keysselect_keys_input从数据中选择特定键。
Literal EvalNone将字符串值评估为Python字面量。
CombineNone将多个数据对象合并为一个。
Filter Valuesfilter_key, filter_values, operator基于键值对过滤数据。
Append or Updateappend_update_data添加或更新键值对。
Remove Keysremove_keys_input从数据中删除指定的键。
Rename Keysrename_keys_input重命名数据中的键。

DataFrame operations​

DataFrame组件对DataFrame行和列执行操作。

要在流程中使用DataFrame Operations组件，你必须将其DataFrame输入端口连接到输出DataFrame的组件的输出端口。 DataFrame Operations组件中的所有操作都需要至少一个DataFrame输入。

以下示例从API获取JSON数据。Smart Filter组件提取并扁平化结果为表格DataFrame，然后通过DataFrame Operations组件处理。

一个摄取API响应、使用Smart Filter组件提取为DataFrame并通过DataFrame Operations组件处理的流程

  1. API Request组件只检索具有source和result字段的数据。 对于此示例，所需数据嵌套在result字段中。
  2. 将Smart Filter连接到API请求组件，将Language model连接到Smart Filter。此示例连接Groq模型组件。
  3. 在Groq模型组件中，添加你的Groq API密钥。
  4. 要过滤数据，在Smart filter组件的Instructions字段中，使用自然语言描述如何过滤数据。 对于此示例，输入：

_10
I want to explode the result column out into a Data object

提示

避免在Instructions字段中使用标点符号，因为它可能导致错误。

  1. 要运行流程，在Smart Filter组件中，点击 Run component。
  2. 要检查过滤的数据，在Smart Filter组件中，点击 Inspect output。 结果是一个结构化DataFrame。

_10
id | name | company | username | email | address | zip
_10
---|------------------|----------------------|-----------------|------------------------------------|-------------------|-------
_10
1 | Emily Johnson | ABC Corporation | emily_johnson | emily.johnson@abccorporation.com | 123 Main St | 12345
_10
2 | Michael Williams | XYZ Corp | michael_williams| michael.williams@xyzcorp.com | 456 Elm Ave | 67890

  1. 添加DataFrame Operations组件和Chat Output组件到流程。
  2. 在DataFrame Operations组件的Operation字段中，选择Filter。
  3. 要应用过滤器，在Column Name字段中，输入要过滤的列。此示例按name过滤。
  4. 点击Playground，然后点击Run Flow。 流程从name列中提取值。

_10
name
_10
Emily Johnson
_10
Michael Williams
_10
John Smith
_10
...

操作​

此组件可以对Pandas DataFrame执行以下操作。

操作必需输入信息
Add Columnnew_column_name, new_column_value添加具有常量值的新列。
Drop Columncolumn_name删除指定列。
Filtercolumn_name, filter_value基于列值过滤行。
Headnum_rows返回前n行。
Rename Columncolumn_name, new_column_name重命名现有列。
Replace Valuecolumn_name, replace_value, replacement_value替换列中的值。
Select Columnscolumns_to_select选择特定列。
Sortcolumn_name, ascending按列排序DataFrame。
Tailnum_rows返回最后n行。
参数

输入

名称显示名称信息
dfDataFrame要操作的输入DataFrame。
operationOperation要执行的DataFrame操作。选项包括Add Column、Drop Column、Filter、Head、Rename Column、Replace Value、Select Columns、Sort和Tail。
column_nameColumn Name用于操作的列名。
filter_valueFilter Value过滤行的值。
ascendingSort Ascending是否按升序排序。
new_column_nameNew Column Name重命名或添加列时的新列名。
new_column_valueNew Column Value填充新列的值。
columns_to_selectColumns to Select要选择的列名列表。
num_rowsNumber of Rowshead/tail操作要返回的行数。默认为5。
replace_valueValue to Replace要在列中替换的值。
replacement_valueReplacement Value要替换为的值。

输出

名称显示名称信息
outputDataFrame操作后的结果DataFrame。

LLM router​

此组件基于OpenRouter模型规范将请求路由到最合适的LLM。

判断LLM分析你的输入消息以理解评估上下文，然后从你的LLM池中选择最合适的模型。

选定的模型处理你的输入并返回响应。

要在流程中使用LLM Router组件，请执行以下操作：

  1. 将多个Language Model组件连接到LLM Router的Language Models输入。

  2. 将Judge LLM组件连接到Judge LLM输入。

  3. 将Chat Input和Chat Output组件连接到LLM Router。 流程如下所示：

LLM路由器组件

  1. 在LLM Router组件中，设置你的Optimization偏好：

    • Quality：优先考虑最高质量的响应。
    • Speed：优先考虑最快的响应时间。
    • Cost：优先考虑最具成本效益的选项。
    • Balanced：在质量、速度和成本之间取得平衡。

  2. 运行流程。 你的输入是LLM路由器用来评估模型的任务，例如写一个关于马的故事或如何从JSON中解析数据对象？。

  3. 在LLM Router组件中，选择Model Selection Decision输出查看路由器的推理。


    _10
    Model Selection Decision:
    _10
    - Selected Model Index: 0
    _10
    - Selected Langflow Model Name: gpt-4o-mini
    _10
    - Selected API Model ID (if resolved): openai/gpt-4o-mini
    _10
    - Optimization Preference: cost
    _10
    - Input Query Length: 27 characters (~5 tokens)
    _10
    - Number of Models Considered: 2
    _10
    - Specifications Source: OpenRouter API

参数

输入

名称显示名称信息
modelsLanguage Models要路由的LLM列表。
input_valueInput要路由的输入消息。
judge_llmJudge LLM评估并选择最合适模型的LLM。
optimizationOptimization质量、速度、成本或平衡之间的优化偏好。

输出

名称显示名称信息
outputOutput选定模型的响应。
selected_modelSelected Model选择的模型名称。

Parser​

此组件使用模板将DataFrame或Data对象格式化为文本，并可选择使用stringify直接将输入转换为字符串。

要使用此组件，在template中为值创建变量的方式与在Prompt组件中相同。对于DataFrames，使用列名，例如Name: {Name}。对于Data对象，使用{text}。

要将Parser组件与Structured Output组件一起使用，请执行以下操作：

  1. 将Structured Output组件的DataFrame输出连接到Parser组件的DataFrame输入。
  2. 将File组件连接到Structured Output组件的Message输入。
  3. 将OpenAI模型组件的Language Model输出连接到Structured Output组件的Language Model输入。

流程如下所示：

连接到OpenAI和结构化输出的解析器组件

  1. 在Structured Output组件中，点击Open Table。 这将打开一个用于构建表格的面板。 表格包含行Name、Description、Type和Multiple。
  2. 创建一个映射到你从File加载器加载的数据的表格。 例如，要为员工创建表格，你可能有行id、name和email，所有类型都是string。
  3. 在Parser组件的Template字段中，输入用于将Structured Output组件的DataFrame输出解析为结构化文本的模板。 在template中为值创建变量的方式与在Prompt组件中相同。 例如，要在Markdown中展示员工表格：

_10
# Employee Profile
_10
## Personal Information
_10
- **Name:** {name}
_10
- **ID:** {id}
_10
- **Email:** {email}

  1. 要运行流程，在Parser组件中，点击 Run component。
  2. 要查看你的解析文本，在Parser组件中，点击 Inspect output。
  3. 可选地，连接Chat Output组件，并打开Playground查看输出。

关于使用Parser组件格式化来自Structured Output组件的DataFrame的另一个示例，请参见Market Research模板流程。

参数

输入

名称显示名称信息
modeMode"Parser"和"Stringify"模式之间的选项卡选择。"Stringify"将输入转换为字符串而不是使用模板。
patternTemplate使用大括号中的变量进行格式化的模板。对于DataFrames，使用列名，例如Name: {Name}。对于Data对象，使用{text}。
input_dataData or DataFrame要解析的输入。接受DataFrame或Data对象。
sepSeparator用于分隔行或项目的字符串。默认为换行符。
clean_dataClean Data当启用stringify时，此选项通过删除空行和行来清理数据。

输出

名称显示名称信息
parsed_textParsed Text作为Message对象的结果格式化文本。

Python Interpreter​

此组件允许你使用导入的包执行Python代码。

在流程中使用Python Interpreter​

  1. 要在流程中使用此组件，在Global Imports字段中，添加你想要导入的包作为逗号分隔列表，例如math,pandas。 至少需要一个导入。
  2. 在Python Code字段中，输入你想要执行的Python代码。使用print()查看输出。
  3. 可选地，启用Tool Mode并将解释器连接到Agent作为工具。 例如，将Python Interpreter和Calculator作为Agent的工具连接，并测试它如何选择不同的工具来解决数学问题。 流程如下所示： Python Interpreter和calculator连接到Agent
  4. 向智能体询问一个简单的数学问题。 Calculator工具可以加、减、乘、除或执行指数运算。 智能体执行evaluate_expression工具来正确回答问题。

结果：


_10
Executed evaluate_expression
_10
Input:
_10
{
_10
"expression": "2+5"
_10
}
_10
Output:
_10
{
_10
"result": "7"
_10
}

  1. 给智能体完整的Python代码。 此示例使用导入的pandas包创建Pandas DataFrame表格，并返回均方的平方根。

_12
import pandas as pd
_12
import math
_12
_12
# Create a simple DataFrame
_12
df = pd.DataFrame({
_12
'numbers': [1, 2, 3, 4, 5],
_12
'squares': [x**2 for x in range(1, 6)]
_12
})
_12
_12
# Calculate the square root of the mean
_12
result = math.sqrt(df['squares'].mean())
_12
print(f"Square root of mean squares: {result}")

Agent正确选择run_python_repl工具来解决问题。

结果：


_12
Executed run_python_repl
_12
_12
Input:
_12
_12
{
_12
"python_code": "import pandas as pd\nimport math\n\n# Create a simple DataFrame\ndf = pd.DataFrame({\n 'numbers': [1, 2, 3, 4, 5],\n 'squares': [x**2 for x in range(1, 6)]\n})\n\n# Calculate the square root of the mean\nresult = math.sqrt(df['squares'].mean())\nprint(f\"Square root of mean squares: {result}\")"
_12
}
_12
Output:
_12
_12
{
_12
"result": "Square root of mean squares: 3.3166247903554"
_12
}

如果你在聊天中不包含包导入，Agent仍然可以使用pd.DataFrame创建表格，因为pandas包在Python解释器组件的Global Imports字段中全局导入。

Python Interpreter参数​

名称类型描述
global_importsString输入参数。要全局导入的模块的逗号分隔列表，例如math,pandas,numpy。
python_codeCode输入参数。要执行的Python代码。只能使用在Global Imports中指定的模块。
resultsData输出参数。执行的Python代码的输出，包括任何打印结果或错误。

Save file​

此组件将DataFrames、Data或Messages保存为各种文件格式。

  1. 要在流程中使用此组件，将输出DataFrames、Data或Messages的组件连接到Save to File组件的输入。 以下示例将Webhook组件连接到两个Save to File组件以演示不同的输出。

两个Save-to File组件连接到webhook

  1. 在Save to File组件的Input Type字段中，选择预期的输入类型。 此示例期望来自Webhook的Data。
  2. 在File Format字段中，选择保存文件的文件类型。 此示例在一个Save to File组件中使用.md，在另一个中使用.xlsx。
  3. 在File Path字段中，输入保存文件的路径。 此示例使用./output/employees.xlsx和./output/employees.md将文件保存到相对于Langflow运行位置的目录中。 组件接受相对和绝对路径，如果目录不存在则创建任何必要的目录。
提示

如果你输入的file_path格式不被接受，组件会将适当的格式附加到文件中。 例如，如果选择的file_format是csv，你输入的file_path是./output/test.txt，文件将保存为./output/test.txt.csv，以便文件不被损坏。

  1. 向包含你的JSON数据的Webhook发送POST请求。 将YOUR_FLOW_ID替换为你的流程ID。 此示例使用默认的Langflow服务器地址。

_10
curl -X POST "http://127.0.0.1:7860/api/v1/webhook/YOUR_FLOW_ID" \
_10
-H 'Content-Type: application/json' \
_10
-H 'x-api-key: LANGFLOW_API_KEY' \
_10
-d '{
_10
"Name": ["Alex Cruz", "Kalani Smith", "Noam Johnson"],
_10
"Role": ["Developer", "Designer", "Manager"],
_10
"Department": ["Engineering", "Design", "Management"]
_10
}'

  1. 在你的本地文件系统中，打开outputs目录。 你应该看到从你发送的数据创建的两个文件：一个.xlsx用于结构化电子表格，一个Markdown。

_10
| Name | Role | Department |
_10
|:-------------|:----------|:-------------|
_10
| Alex Cruz | Developer | Engineering |
_10
| Kalani Smith | Designer | Design |
_10
| Noam Johnson | Manager | Management |

文件输入格式选项​

对于DataFrame和Data输入，组件可以创建：

  • csv
  • excel
  • json
  • markdown
  • pdf

对于Message输入，组件可以创建：

  • txt
  • json
  • markdown
  • pdf
参数

输入

名称显示名称信息
input_textInput Text要分析和从中提取模式的文本。
patternRegex Pattern要在文本中匹配的正则表达式模式。
input_typeInput Type要保存的输入类型。
dfDataFrame要保存的DataFrame。
dataData要保存的Data对象。
messageMessage要保存的Message。
file_formatFile Format保存输入的文件格式。
file_pathFile Path包括文件名和扩展名的完整文件路径。

输出

名称显示名称信息
dataData作为Data对象的提取匹配列表。
textMessage格式化为Message对象的提取匹配。
confirmationConfirmation保存文件后的确认消息。

Smart function​

提示

在Langflow 1.5之前，此组件被命名为Lambda filter。

此组件使用LLM生成用于过滤或转换结构化数据的函数。

要使用Smart function组件，你必须将其连接到Language Model组件，该组件使用Instructions字段中的自然语言指令来生成函数。

此示例从https://jsonplaceholder.typicode.com/users API端点获取JSON数据。 Smart function组件中的Instructions字段指定任务extract emails。 连接的LLM基于指令创建过滤器，并成功从JSON数据中提取电子邮件地址列表。

连接到LLM的Smart function

参数

输入

名称显示名称信息
dataData使用Lambda函数过滤或转换的结构化数据。
llmLanguage ModelModel组件的连接端口。
filter_instructionInstructions如何使用Lambda函数过滤或转换数据的自然语言指令，例如过滤数据以仅包含'status'为'active'的项目。
sample_sizeSample Size对于大型数据集，从数据集头部和尾部采样的字符数。
max_sizeMax Size数据被认为是"大型"的字符数，这会触发sample_size值的采样。

输出

名称显示名称信息
filtered_dataFiltered Data过滤或转换后的Data对象。
dataframeDataFrame作为DataFrame的过滤数据。

Split Text​

此组件根据指定条件将文本分割成块。它非常适合将数据分块以进行标记化并嵌入到向量数据库中。

Split Text组件输出Chunks或DataFrame。 Chunks输出返回单个文本块的列表。 DataFrame输出返回结构化数据格式，应用了额外的text和metadata列。

  1. 要在流程中使用此组件，将输出Data或DataFrame的组件连接到Split Text组件的Data端口。 此示例使用URL组件，它正在获取JSON占位符数据。

Split text组件和chroma-db

  1. 在Split Text组件中，定义你的数据分割参数。

此示例在分隔符},处分割传入的JSON数据，因此每个块包含一个JSON对象。

优先级顺序是Separator，然后是Chunk Size，然后是Chunk Overlap。 如果分隔符分割后的任何段落长于chunk_size，它会再次分割以适应chunk_size。

在chunk_size之后，在块之间应用Chunk Overlap以保持上下文。

  1. 将Chat Output组件连接到Split Text组件的DataFrame输出以查看其输出。
  2. 点击Playground，然后点击Run Flow。 输出包含在},处分割的JSON对象表格。

_16
{
_16
"userId": 1,
_16
"id": 1,
_16
"title": "Introduction to Artificial Intelligence",
_16
"body": "Learn the basics of Artificial Intelligence and its applications in various industries.",
_16
"link": "https://example.com/article1",
_16
"comment_count": 8
_16
},
_16
{
_16
"userId": 2,
_16
"id": 2,
_16
"title": "Web Development with React",
_16
"body": "Build modern web applications using React.js and explore its powerful features.",
_16
"link": "https://example.com/article2",
_16
"comment_count": 12
_16
},

  1. 清除Separator字段，然后再次运行流程。 输出包含50个字符的文本行，有10个字符的重叠，而不是JSON对象。

_10
First chunk: "title": "Introduction to Artificial Intelligence""
_10
Second chunk: "elligence", "body": "Learn the basics of Artif"
_10
Third chunk: "s of Artificial Intelligence and its applications"

参数

输入

名称显示名称信息
data_inputsInput Documents要分割的数据。组件接受Data或DataFrame对象。
chunk_overlapChunk Overlap块之间重叠的字符数。默认：200。
chunk_sizeChunk Size每个块中的最大字符数。默认：1000。
separatorSeparator要分割的字符。默认：newline。
text_keyText Key用于文本列的键。默认：text。

输出

名称显示名称信息
chunksChunks作为Data对象的分割文本块列表。
dataframeDataFrame作为DataFrame对象的分割文本块列表。

其他文本分割器​

Structured output​

此组件将LLM响应转换为结构化数据格式。

在来自Financial Support Parser模板的此示例中，Structured Output组件将非结构化财务报告转换为结构化数据。

结构化输出示例

连接的LLM模型通过Structured Output组件的Format Instructions参数提示从非结构化文本中提取结构化输出。Format Instructions用作Structured Output组件的系统提示。

在Structured Output组件中，点击Open table按钮查看Output Schema表格。 Output Schema参数使用包含以下字段的表格定义模型输出的结构和数据类型：

  • Name：输出字段的名称。
  • Description：输出字段的目的。
  • Type：输出字段的数据类型。可用类型为str、int、float、bool、list或dict。默认为text。
  • Multiple：此功能已被弃用。目前，如果你期望单个字段有多个值，它默认设置为True。例如，features的list设置为True以包含多个值，例如["waterproof", "durable", "lightweight"]。默认：True。

Parse DataFrame组件将结构化输出解析为模板，以便在聊天输出中有序呈现。模板从output_schema表格中接收带有大括号的值。

例如，模板EBITDA: {EBITDA} , Net Income: {NET_INCOME} , GROSS_PROFIT: {GROSS_PROFIT}在Playground中将提取的值呈现为EBITDA: 900 million , Net Income: 500 million , GROSS_PROFIT: 1.2 billion。

参数

输入

名称类型描述
llmLanguageModel用于生成结构化输出的语言模型。
input_valueString输入到语言模型的消息。
system_promptString对语言模型格式化输出的指令。
schema_nameString输出数据模式的名称。
output_schemaTable模型输出的结构和数据类型。
multipleBoolean[已弃用]始终设置为True。

输出

名称类型描述
structured_outputData结构化输出是基于定义模式的Data对象。

Type convert​

此组件在不同格式之间转换数据类型。它可以在Data、DataFrame和Message对象之间转换数据。

  • Data：包含文本和元数据的结构化对象。

_10
{
_10
"text": "User Profile",
_10
"data": {
_10
"name": "John Smith",
_10
"age": 30,
_10
"email": "john@example.com"
_10
}
_10
}

  • DataFrame：具有行和列的表格数据结构。 键是列，列表中的每个字典（键值对的集合）是一行。

_12
[
_12
{
_12
"name": "John Smith",
_12
"age": 30,
_12
"email": "john@example.com"
_12
},
_12
{
_12
"name": "Jane Doe",
_12
"age": 25,
_12
"email": "jane@example.com"
_12
}
_12
]

  • Message：字符串，例如"Name: John Smith, Age: 30, Email: john@example.com"。

要在流程中使用此组件，请执行以下操作：

  1. 将Web search组件添加到Basic prompting流程中。在Search Query字段中，输入查询，例如environmental news。
  2. 将Web search组件的输出连接到接受DataFrame输入的组件。 此示例使用Prompt组件为聊天机器人提供上下文，因此你必须将Web search组件的DataFrame输出转换为Message类型。
  3. 连接Type Convert组件以将DataFrame转换为Message。
  4. 在Type Convert组件的Output Type字段中，选择Message。 你的流程如下所示：

Type convert web search output to chat

  1. 在Language Model组件的OpenAI API Key字段中，添加你的OpenAI API密钥。
  2. 点击Playground，然后询问latest news。

搜索结果作为消息返回到Playground。

结果：


_10
Latest news
_10
AI
_10
gpt-4o-mini
_10
Here are some of the latest news articles related to the environment:
_10
Ozone Pollution and Global Warming: A recent study highlights that ozone pollution is a significant global environmental concern, threatening human health and crop production while exacerbating global warming. Read more
_10
...

参数

输入

名称显示名称信息
input_dataInput Data要转换的数据。接受Data、DataFrame或Message对象。
output_typeOutput Type所需的输出类型。选项：Data、DataFrame或Message。

输出

名称显示名称信息
outputOutput指定格式的转换数据。

遗留处理组件​

以下处理组件是遗留组件。 你仍然可以在流程中使用它们，但它们不再受支持，可能在未来版本中被移除。

尽快用建议的替代方案替换这些组件。

Alter Metadata

用Data Operations组件替换此遗留组件。

此组件修改输入对象的元数据。它可以添加新元数据、更新现有元数据并删除指定的元数据字段。该组件适用于Message和Data对象，还可以从用户提供的文本创建新的Data对象。

它接受以下参数：

名称显示名称信息
input_valueInput输入参数。应添加元数据的对象。
text_inUser Text输入参数。文本输入；值包含在Data对象的'text'属性中。空文本条目被忽略。
metadataMetadata输入参数。要添加到每个对象的元数据。
remove_fieldsFields to Remove输入参数。要删除的元数据字段。
dataData输出参数。输入对象的列表，每个都添加了元数据。
Combine Data/Merge Data

用Data Operations组件或Loop组件替换此遗留组件。

此组件将多个数据源合并为单个统一的Data对象。

组件遍历Data对象列表，将它们合并为单个Data对象（merged_data）。 如果输入列表为空，它返回一个空数据对象。 如果只有一个输入数据对象，它返回该对象不变。

合并过程使用加法运算符来组合数据对象。

Combine Text

用Data Operations组件替换此遗留组件。

此组件使用指定的分隔符将两个文本输入连接为单个文本块，输出包含组合文本的Message对象。

Create Data

用Data Operations组件替换此遗留组件。

此组件动态创建具有指定字段数和文本键的Data对象。

它接受以下参数：

名称显示名称信息
number_of_fieldsNumber of Fields输入参数。要添加到记录的字段数。
text_keyText Key输入参数。标识要用作文本内容的字段的键。
text_key_validatorText Key Validator输入参数。如果启用，检查给定的Text Key是否存在于给定的Data中。
Extract Key

用Data Operations组件替换此遗留组件。

此组件从Data对象中提取特定键并返回与该键关联的值。

Data to DataFrame/Data to Message

用较新的处理组件替换这些遗留组件，例如Data Operations组件和Type Convert组件。

这些组件将一个或多个Data对象转换为DataFrame或Message对象。

对于Data to DataFrame组件，每个Data对象对应于结果DataFrame中的一行。 .data属性中的字段成为列，.text字段（如果存在）放置在text列中。

Filter Data

用Data Operations组件替换此遗留组件。

此组件基于键列表（filter_criteria）过滤Data对象，返回只包含与过滤条件匹配的键值对的新Data对象（filtered_data）。

Filter Values

用Data Operations组件替换此遗留组件。

Filter values组件基于指定的键、过滤值和比较运算符过滤数据项列表。

它接受以下参数：

名称显示名称信息
input_dataInput data输入参数。要过滤的数据项列表。
filter_keyFilter Key输入参数。要过滤的键。
filter_valueFilter Value输入参数。要过滤的值。
operatorComparison Operator输入参数。用于比较值的运算符。
filtered_dataFiltered data输出参数。过滤后的数据项的结果列表。
JSON Cleaner

用Parser组件替换此遗留组件。

此组件清理JSON字符串以确保它们完全符合JSON规范。

它接受以下参数：

名称显示名称信息
json_strJSON String输入参数。要清理的JSON字符串。这可以是由语言模型或其他可能不完全符合JSON规范的源产生的原始、可能格式错误的JSON字符串。
remove_control_charsRemove Control Characters输入参数。如果设置为True，此选项从JSON字符串中删除控制字符（ASCII字符0-31和127）。这可以帮助消除可能导致解析问题或使JSON无效的不可见字符。
normalize_unicodeNormalize Unicode输入参数。启用时，此选项将JSON字符串中的Unicode字符标准化为其规范组合形式（NFC）。这确保了Unicode字符在不同系统间的一致表示，并防止字符编码的潜在问题。
validate_jsonValidate JSON输入参数。如果设置为True，此选项尝试解析JSON字符串以确保在应用最终修复操作之前它是格式良好的。如果JSON无效，它会引发ValueError，允许早期检测JSON中的主要结构问题。
outputCleaned JSON String输出参数。完全符合JSON规范的结果清理、修复和验证JSON字符串。
Message to Data

用Type Convert组件替换此遗留组件。

此组件将Message对象转换为Data对象。

Parse DataFrame

用DataFrame Operations组件或Parser组件替换此遗留组件。

此组件使用模板将DataFrame对象转换为纯文本。

它接受以下参数：

名称显示名称信息
dfDataFrame输入参数。要转换为文本行的DataFrame。
templateTemplate输入参数。格式化模板（使用{column_name}占位符）。
sepSeparator输入参数。在输出中连接行的字符串。
textText输出参数。合并为单个文本的所有行。
Parse JSON

用Parser组件替换此遗留组件。

此组件使用JQ查询转换和提取Message和Data对象中的JSON字段，然后返回filtered_data，它是Data对象的列表。

Python REPL

用Python Interpreter组件或其他处理或逻辑组件替换此遗留组件。

此组件创建用于执行Python代码的Python REPL（读取-评估-打印循环）工具。

它接受以下参数：

名称类型描述
nameString输入参数。工具的名称。默认：python_repl。
descriptionString输入参数。工具功能的描述。
global_importsList[String]输入参数。要全局导入的模块列表。默认：math。
toolTool输出参数。用于LangChain的Python REPL工具。
Python Code Structured

用Python Interpreter组件或其他处理或逻辑组件替换此遗留组件。

此组件使用数据类从Python代码创建结构化工具。

组件根据提供的Python代码动态更新其配置，允许自定义函数参数和描述。

它接受以下参数：

名称类型描述
tool_codeString输入参数。工具数据类的Python代码。
tool_nameString输入参数。工具的名称。
tool_descriptionString输入参数。工具的描述。
return_directBoolean输入参数。是否直接返回函数输出。
tool_functionString输入参数。工具的选定函数。
global_variablesDict输入参数。工具的全局变量或数据。
result_toolTool输出参数。从Python代码创建的结构化工具。
Regex Extractor

用Parser组件替换此遗留组件。

此组件使用正则表达式提取文本中的模式。它可以用于查找和提取文本中的特定模式或信息。

Select Data

用Data Operations组件替换此遗留组件。

此组件从列表中选择单个Data对象。

它接受以下参数：

名称显示名称信息
data_listData List输入参数。要选择的数据列表
data_indexData Index输入参数。要选择的数据索引
selected_dataSelected Data输出参数。选定的Data对象。
Update Data

用Data Operations组件替换此遗留组件。

此组件动态更新或追加具有指定字段的数据。

它接受以下参数：

名称显示名称信息
old_dataData输入参数。要更新的记录。
number_of_fieldsNumber of Fields输入参数。要添加的字段数。最大为15。
text_keyText Key输入参数。文本内容的键。
text_key_validatorText Key Validator输入参数。验证文本键存在。
dataData输出参数。更新的Data对象。
Search