Azure OpenAI Chat Model 节点#
使用 Azure OpenAI Chat Model 节点将 OpenAI 的聊天模型与对话式 代理 一起使用。
在此页面上，您将找到 Azure OpenAI Chat Model 节点的节点参数和更多资源的链接。
凭据
您可以在 这里 找到此节点的身份验证信息。
子节点中的参数解析
子节点在使用表达式处理多个项目时的行为与其他节点不同。
大多数节点，包括根节点，接受任意数量的项目作为输入，处理这些项目，并输出结果。您可以使用表达式引用输入项目，节点会依次为每个项目解析表达式。例如，给定五个 name 值的输入，表达式 {{ $json.name }} 会依次解析为每个名称。
在子节点中，表达式始终解析为第一个项目。例如，给定五个 name 值的输入，表达式 {{ $json.name }} 始终解析为第一个名称。
节点参数#
- Model 模型：选择用于生成补全的模型。
节点选项#
- Frequency Penalty 频率惩罚：使用此选项控制模型重复自身的机会。较高的值会减少模型重复自身的机会。
- Maximum Number of Tokens 最大令牌数：输入使用的最大令牌数，这设置了补全长度。
- Response Format 响应格式：选择 Text 或 JSON。JSON 确保模型返回有效的 JSON。
- Presence Penalty 存在惩罚：使用此选项控制模型谈论新话题的机会。较高的值会增加模型谈论新话题的机会。
- Sampling Temperature 采样温度：使用此选项控制采样过程的随机性。较高的温度会创建更多样化的采样，但会增加幻觉的风险。
- Timeout 超时：输入最大请求时间（以毫秒为单位）。
- Max Retries 最大重试次数：输入重试请求的最大次数。
- Top P：使用此选项设置补全应使用的概率。使用较低的值忽略不太可能的选项。
模板和示例#
相关资源#
请参考 LangChain 的 Azure OpenAI 文档 获取有关该服务的更多信息。
查看 n8n 的高级 AI文档。
AI 术语表#
- completion（完成/补全）: 完成是由 GPT 等模型生成的响应。
- hallucinations（幻觉）: AI 中的幻觉是指大语言模型（LLM）错误地感知到不存在的模式或对象。
- vector database（向量数据库）: 向量数据库存储信息的数学表示。与嵌入和检索器一起使用，创建 AI 在回答问题时可以访问的数据库。
- vector store（向量存储）: 向量存储或向量数据库，存储信息的数学表示。与嵌入和检索器一起使用，创建 AI 在回答问题时可以访问的数据库。