Steg 2: anslut OpenAI för alla agentnoder

Alla AI-agenter i det här arbetsflödet använder samma språkmodellanslutning.

1. Öppna OpenAI Chat Engine och välj modellen gpt-4o-mini.
2. Inloggningsuppgifter krävs: anslut era openAiApi-inloggningsuppgifter i OpenAI Chat Engine.
3. Säkerställ att OpenAI Chat Engine är ansluten som språkmodell till Generate AI Reply, Assess AI Output och Refine Prompt Agent.

Obs: Score Output Parser och Prompt Output Parser är undernoder för AI-output-parsing. Lägg till inloggningsuppgifter på den överordnade noden (OpenAI Chat Engine), inte på dessa parsers.

Steg 3: sätt seed-prompt och initiera loopstatus

Definiera den initiala prompten, testindata och ground truth, och initiera sedan loopstatus och stopplogik.

1. I Seed Prompt Setup, ställ in initial_prompt till Extract invoice data from the text and output as JSON.
2. I Seed Prompt Setup, ställ in test_input till Invoice #INV-9982. Date: 12th of Oct, 2023. Grand Total: $1,100 (includes 10% VAT). Items: 2x Widget A, 1x Widget B.
3. I Seed Prompt Setup, ställ in ground_truth till { "id": "INV-9982", "date": "2023-10-12", "subtotal": 1000, "vat": 100, "total": 1100, "items": ["Widget A", "Widget A", "Widget B"] }
4. Öppna Loop State Manager och klistra in den tillhandahållna JavaScript-koden exakt som visat för att hantera current_prompt, loop_count, current_score och stop_loop.

Steg 4: sätt upp loopen för AI-generering, utvärdering och förfining

Dessa tre agenter genererar output, poängsätter den och förfinar sedan prompten baserat på feedback.

1. I Generate AI Reply, ställ in Text till =Respond to the following input according to the instructions. Input: {{ $json.test_input }} och ställ in System Message till ={{ $json.current_prompt }}.
2. I Assess AI Output, ställ in Text till =# Input Data {{ $('Loop State Manager').item.json.test_input }} # Expected Ground Truth {{ $('Loop State Manager').item.json.ground_truth }} # Actual Generated Answer {{ $json.output }} Start the evaluation. och behåll System Message som definierad.
3. Koppla Score Output Parser till Assess AI Output som AI-output-parser och bekräfta schemaexemplet för score och reason.
4. I Refine Prompt Agent, behåll den tillhandahållna Text och System Message, och koppla sedan Prompt Output Parser som AI-output-parser.

Steg 5: konfigurera loopstyrning och avslut

Öka loopräknaren, utvärdera stoppvillkor och avsluta när loopen ska ta slut.

1. I Update Prompt Counter, ställ in next_loop_count till ={{ $('Loop State Manager').item.json.loop_count + 1 }}, improved_prompt till ={{ $json.output.improved_prompt }} och change_log till ={{ $json.output.change_log }}.
2. I Evaluate Stop Condition, ställ in det booleska villkoret leftValue till ={{ $json.stop_loop }} med operatorn true.
3. Koppla true-utgången från Evaluate Stop Condition till Terminate Cycle, och false-utgången till Generate AI Reply.

Steg 6: testa och aktivera ert arbetsflöde

Kör arbetsflödet manuellt för att validera loopbeteendet och aktivera sedan för produktion.

1. Klicka på Execute Workflow för att köra från Manual Execution Start.
2. Bekräfta att Generate AI Reply producerar output, att Assess AI Output returnerar en score och att Refine Prompt Agent matar ut en improved_prompt.
3. Verifiera att Loop State Manager uppdaterar loop_count och stoppar när stop_loop blir true.
4. När det fungerar, växla arbetsflödet till Active för löpande användning.