Azure OpenAI 聊天模型节点#
使用Azure OpenAI聊天模型节点，通过对话智能体来调用OpenAI的聊天模型。
本页面将介绍Azure OpenAI聊天模型节点的参数配置，并提供更多相关资源的链接。
Credentials
您可以在此节点的此处找到认证信息。
子节点中的参数解析
在使用表达式处理多个项目时，子节点的行为与其他节点不同。
大多数节点（包括根节点）可以接收任意数量的项目作为输入，处理这些项目并输出结果。您可以使用表达式来引用输入项，节点会依次为每个项目解析该表达式。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项。例如，给定五个name值输入时，表达式{{ $json.name }}总是解析为第一个名称。
节点参数#
- 模型: 选择用于生成补全的模型。
节点选项#
- 频率惩罚: 使用此选项来控制模型重复自身的概率。数值越高，模型重复自身的可能性越低。
- 最大令牌数: 输入使用的最大令牌数，这将设置完成长度。
- 响应格式: 选择文本或JSON。JSON确保模型返回有效的JSON。
- 话题新颖度惩罚值: 使用此选项可控制模型讨论新话题的概率。数值越高，模型谈论新话题的可能性越大。
- 采样温度: 使用此选项控制采样过程的随机性。较高的温度会产生更多样化的采样结果，但会增加产生幻觉的风险。
- 超时: 输入最大请求时间（毫秒）。
- 最大重试次数: 输入请求的最大重试次数。
- Top P: 使用此选项设置补全应采用的概率值。设置较低的值可以忽略概率较低的选项。
模板和示例#
相关资源#
有关该服务的更多信息，请参考LangChains的Azure OpenAI文档。
查看n8n的高级AI文档。
AI术语表#
- completion: 补全（completion）是指由GPT等模型生成的响应内容。
- 幻觉: AI中的幻觉是指大型语言模型(LLM)错误地感知到不存在的模式或对象。
- 向量数据库: 向量数据库存储信息的数学表示。与嵌入和检索器配合使用，可创建AI在回答问题时能够访问的数据库。
- 向量存储: 向量存储（或称向量数据库）用于存储信息的数学表示。结合嵌入模型和检索器使用，可创建供AI在回答问题时访问的数据库。
