Skip to main content

打造簡易AI聊天機器人

Asgard 能與 AI 模型整合，創造更強大的自動化流程。這篇教學將引導你建立一個簡單的 AI 聊天代理人，讓你了解如何連結 OpenAI 並發送提示語。

📝 實作練習：製作 AI 聊天機器人​

使用節點​

在本練習中，我們將進一步操作 LLM Completion（大型語言模型推論） 節點，以實作方式引導你完整設定並測試一個 LLM 節點流程，並透過 LLM 模型產生並回覆對應的 AI 生成內容。

STEP 0：開啟 Echo Bot 工作流程​

請先打開上次建立的 Echo Bot 工作流程，作為本練習的基礎。

👉 前往 使用 Expression 建立 Echo 機器人

STEP 1：斷開 Push Message & Listen Message 串接​

請先移除原本 Listen Message 節點 與後方 Push Message 節點之間的連線，有以下兩種移除方式：

方法一​

點選連接線後，按下鍵盤上的 Delete 或 Backspace 鍵，即可刪除該連線。

方法二​

點選 Listen Message 進入編輯，於 Next Step 的 Success 分支，選擇刪除與 Push Message 節點之間的連接。

STEP 2：加入 LLM Completion 節點方塊​

要讓機器人具備 AI 聊天能力，關鍵在於引入 LLM Completion 節點，讓系統根據使用者輸入自動生成回覆。接下來，我們將在流程中加入一個 LLM Completion 節點，透過 AI 生成回應內容。此步驟將建立整個 AI Chatbot 的回應邏輯核心，後續將透過提示語（Prompt）與表達式（Expression）來驅動 LLM 的輸出。

  • 請點選 Listen Message 節點方塊右側的 Success 連接點，直接新增一個 Processor → LLM Completion 節點。
  • 節點新增後，點選 LLM Completion 方塊進入編輯畫面，將 Description（描述） 欄位修改為：「AI response expression」，以利後續辨識用途。

STEP 3：新增 Completion Model 模型設定​

在使用 LLM Completion 節點之前，必須先完成 Completion Model（模型設定），以便系統能正確連線至大型語言模型（如 GPT-4）。

請依下列步驟完成模型設定：

  1. 點選左側選單中的 Settings 分頁，進入設定介面。
  2. 在 Completion Model 區段中，點選 + Add 以新增一個新的模型設定。
  3. 請依照以下資訊填寫欄位內容：
    • Name：gpt-4o-mini
    • Model Provider：OpenAI Chat Completion
    • Model Name：gpt-4o-mini-2024-07-18
    • API Key：請向助教索取
    • Endpoint：可留空（若無特殊需求）
tip

本次練習選用 gpt-4o-mini 為模型，您也可以根據實際需求選擇其他支援的模型版本，詳見平台支援清單。

完成後，請點選 💾 Save（儲存） 按鈕，確保模型設定已成功建立。

STEP 4：LLM Completion 節點方塊​

完成模型設定後，接下來點選左側選單中的 Workflow 分頁回到流程，設定 LLM Completion 節點的細節，讓 AI 能根據輸入產生回應。

  1. 點選流程中的 LLM Completion 節點方塊，進入編輯畫面。
  2. 在 Completion Model 欄位中，從下拉選單選擇剛剛建立的模型：gpt-4o-mini
  3. 接著設定以下欄位（可依需求調整）：
    • Prompt（提示語）：撰寫任務描述與回應背景
tip

建議使用 Template(Advanced) 模式，動態帶入訊息內容

在 Editor 框輸入內容如下：

你是一位聰明的聊天機器人, 負責用你一切的知識回答客戶的問題

* 這裡是你和客戶的對話內容:

```
{{{ history 0 -1 }}}
```

📌 如何使用 history(start, end) 打造具上下文理解能力的工作流程，取得完整對話紀錄？​

若你想進一步了解更多進階功能，歡迎參考以下延伸內容：

延伸閱讀

深入了解 history(start, end)如何取得完整對話紀錄

  • Output Schema：用於定義 LLM Completion 節點回傳資料的格式。如果你希望系統輸出符合特定資料結構，可在此欄位輸入對應的 JSON Schema；若無特定需求，也可保留空白。

    建議操作方式：

  1. 在JSON輸入區中輸入以下範例 JSON：

    {"answer": "這是AI回覆內容"}

  2. 系統將自動產生對應的 JSON Schema，例如：

    {
      "type": "object",
      "properties": {
        "answer": {
          "type": "string",
          "description": "你所要回答客戶的答案"
        }
      },
      "required": [
        "answer"
      ]
    }

  3. 回到 LLM Completion 節點 的設定畫面，找到 Output Schema 欄位。將你在上一步使用工具產生的 JSON Schema 複製後，貼入該欄位的 Editor 編輯區 中。

  • Max Token：設定 Max Token 有助於控制模型的輸出長度，避免回應過長導致錯誤，或佔用過多資源。本練習設為 4096，如設為 0 可模擬 LLM Failure 情境（超出 token 限制）

完成以上設定後，請點選右上方 💾 Save 儲存 按鈕，確保 LLM Completion 已設置完成。

📌 LLM Failure 情境說明

當 LLM Completion 節點執行時，若遇到如 Token 限制超出（Context Window Overflow）、API 金鑰錯誤、或 OpenAI 帳戶未啟用計費 等情況，將會觸發 failure 路徑。這使你可以設計替代訊息、錯誤提示或自動重試機制等流程。

延伸閱讀

若你想進一步了解更多處理方式，歡迎參考：LLM Completion 常見錯誤與處理建議

STEP 5：Push Message 節點方塊 回應AI生成內容與錯誤訊息​

我們將分別處理成功回應與錯誤情況，為兩種情境各自設置一個Push Message 節點。

✅ 成功（Success）路徑的 Push Message 節點：​

  1. 請點選 LLM Completion 節點方塊右側的 Success 連接點。
  2. 直接新增一個 Processor → Push Message 節點。
  3. 節點新增後，點選 Push Message 方塊進入編輯畫面，將 Description（描述）欄位修改為：「answer Message」，以利後續辨識用途。
  4. 設定值的取值方式選用 Template(Advanced) 模式，並在 Editor 框輸入內容：{{{answer}}}

❌ 失敗（Failure）路徑的 Push Message 節點：​

  1. 點選 LLM Completion 節點方塊右側的 Failure 連接點。
  2. 同樣新增一個 Processor → Push Message 節點
  3. 進入該節點後，在 Message 欄位 輸入錯誤提示文字或動態錯誤資訊，例如：很抱歉，AI 回應失敗，請稍後再試。
  4. 節點新增後，點選 Push Message 方塊進入編輯畫面，將 Description（描述） 欄位修改為：「錯誤提示訊息」以便區分用途

完成設定後，請點選右上方 💾 Save 儲存 按鈕，確保 Push Message 已設置完成。

STEP 6：將 Push Message 的 Success 節點接回 Listen Message​

為了讓使用者在每次收到回應後，能夠持續進行下一輪對話，我們需要將流程重新導回 Listen Message 節點，讓流程在完成一次 AI 回覆後，自動返回等待使用者輸入的狀態，形成一個持續互動的循環。無論對話持續幾輪，機器人都能即時回應，提供連貫的對話體驗。

請依以下方式完成連線設定：

成功回應節點（AI 回覆的 Push Message）​

  • 點選其右側的 Success 連接點
  • 將其連回至 Listen Message 節點 的左側輸入點

錯誤處理節點（錯誤提示的 Push Message）​

  • 同樣點選其右側的 Success 連接點
  • 一樣連回至 Listen Message 節點 的左側輸入點

STEP 7：執行工作流程​

設定完成後，請點選畫面左下方的 ▶️ Preview 按鈕，啟動整個工作流程。

執行後，畫面將跳出對話訊息視窗，系統會先回覆預設訊息：「Hello」。

請在對話框中輸入任意訊息並送出，機器人將透過 LLM 模型產生並回覆對應的 AI 生成內容。

例如，你輸入：一年有幾個月？

機器人將回覆：一年有 12 個月。

完成​

這表示你的 AI Chatbot 已成功整合對話輸入、AI 回應與訊息輸出，具備基本的互動能力。

接下來，你可以依據實際需求進一步擴充邏輯條件、多輪對話處理，或加入上下文記憶，打造更完整的智慧型聊天體驗。

✍️ 本節重點
  • LLM Completion 節點：具有 success 與 failure 兩種輸出路徑，可用於處理推論過程中的錯誤（如 API 失敗、Token 超限等）。
  • Prompt 提示語設計：撰寫任務說明與背景資訊，提升回應品質。
  • 使用 Expressions：透過表達式動態傳入變數或內容，提升流程靈活性。
  • Max Tokens 限制：本次設為 4096，若將其設為 0 可模擬 LLM Failure 的錯誤處理情境。

▶️ 繼續學習​

如果你希望讓聊天機器人的回應更貼近真人輸入的體驗，建議繼續閱讀下一章：

我們將介紹如何讓 AI 回覆以「逐字顯示」的方式呈現，並說明 Await 設定對流程控制的影響。