Prompt LLM
A etapa LLM do AirOps: faça prompt a modelos da OpenAI, Anthropic e Google (ou às suas próprias chaves) com engenharia de prompts, saídas estruturadas e acesso a ferramentas MCP.
Modelos de Linguagem de Grande Porte (LLMs) são uma categoria de modelos de aprendizagem automática que geram texto semelhante ao humano. São treinados com grandes quantidades de dados e são capazes de compreender e gerar respostas com base em entradas fornecidas, além de potenciar experiências de conversação
No AirOps, o passo LLM permite-lhe pedir modelos da OpenAI, Anthropic e Google (ou as suas próprias chaves de modelo), com controlo sobre engenharia de prompts, temperatura, saídas estruturadas e acesso a ferramentas MCP.
Começámos a AirOps para facilitar a criação de soluções poderosas com estes modelos, à medida que desempenham um papel crescente nas operações empresariais.
Configurar um passo LLM
Ao configurar um passo LLM, existem vários parâmetros a configurar para melhor se adequarem ao seu caso de uso. Aqui apresentamos uma breve visão geral de cada parâmetro.

Selecionar um modelo de IA
A seleção de um modelo depende da janela de contexto, da complexidade da tarefa, do custo e da velocidade. Em geral, modelos mais capazes oferecem resultados de maior qualidade a um custo mais elevado e a uma velocidade mais lenta.
Para orientação sobre qual modelo selecionar, consulte a nossa página de documentação sobre Escolher um modelo.

Conectores MCP
Os Conectores MCP dão ao LLM acesso a ferramentas externas alojadas em Protocolo de Contexto do Modelo servidores. Quando os conectores são selecionados, o modelo pode chamar essas ferramentas durante a execução para obter dados, desencadear ações ou interagir com serviços de terceiros.
Modelos suportados
Os Conectores MCP estão disponíveis com os seguintes modelos:
OpenAI
gpt-4o, gpt-4o-mini, gpt-4.1, gpt-4.1-mini, gpt-5, gpt-5.1, gpt-5.2, gpt-5-mini, gpt-5-nano, o3, o3-pro, o4-mini e posteriores
Anthropic
Claude Sonnet 4, Claude Opus 4, Claude Haiku 4.5 e posteriores
Selecionar conectores
Quando um modelo suportado é selecionado, um Conectores MCP menu suspenso aparece na configuração do passo. Selecione um ou mais conectores para tornar as respetivas ferramentas disponíveis para o modelo.

Como funciona em tempo de execução
A AirOps transmite os conectores selecionados como ferramentas disponíveis para a API do LLM.
O LLM decide se deve chamar alguma ferramenta com base no prompt e no contexto da conversa.
Quando o LLM chama uma ferramenta, a AirOps encaminha o pedido para o servidor MCP externo correspondente.
O servidor MCP processa o pedido e devolve uma resposta.
A resposta regressa ao LLM, que a incorpora na resposta final.
O LLM pode chamar várias ferramentas numa única execução do passo, e pode optar por não chamar nenhuma ferramenta se estas não forem relevantes para o prompt.
Ver chamadas de ferramentas MCP nos rastreios
Quando um passo LLM usa Conectores MCP, o rastreio do passo regista cada chamada de ferramenta com as respetivas entradas e saídas. Isto facilita a depuração e a compreensão de como o modelo interagiu com ferramentas externas.

Temperatura
A temperatura determina a quantidade de variabilidade na resposta da IA:
Para maior variabilidade e respostas mais "criativas", escolha uma temperatura mais alta.
Para menos variabilidade e respostas mais determinísticas, escolha uma temperatura mais baixa.
Comprimento máximo (opcional)
Limita o número máximo de tokens de saída. Se ficar em branco, não são aplicados limites.

Streaming
O streaming permite-lhe ver a saída gerada token a token, semelhante à experiência do ChatGPT. O texto será transmitido em fluxo no painel de Teste do Workflow Studio ou quando executar o seu Workflow no AirOps.
Razões para usar streaming:
Testar prompts rapidamente: Se quiser testar prompts rapidamente, pode ver a sua saída a ser gerada em tempo real e validar o seu prompt mais depressa, em vez de esperar que toda a resposta termine.
Disponibilizar uma API com streaming: Se transmitir texto em tempo real proporcionar uma melhor experiência ao utilizador final, deve considerar o streaming como uma opção. Por outro lado, se estiver a gerar grandes quantidades de texto, talvez o streaming não seja a opção ideal para o utilizador final.
SDK de frontend da AirOps: O nosso SDK permite-lhe transmitir saídas do Workflow diretamente para a sua experiência de utilizador
Formato de saída
Para modelos OpenAI, pode escolher entre "Texto" (predefinido) e "JSON".
Se escolher JSON, então o passo LLM devolverá sempre a sua saída num formato JSON válido. Deve especificar no seu prompt qual o formato de saída JSON que pretende que o LLM siga. Por exemplo, se quiser que o JSON inclua chaves como "título" e "conteúdo", deve especificá-lo no prompt.
Saídas Estruturadas
Para modelos OpenAI, ao especificar um formato de saída JSON, também pode usar a opção "Definir Saídas de Coluna" para especificar o formato que o JSON seguirá. Esta é uma especificação mais formal do que apenas indicar no prompt como quer que o formato de saída seja. Mas também é mais limitada. Neste momento, só pode usar Saídas Estruturadas para um JSON plano com chaves de nível superior e sem matrizes.
Resultados consistentes
Ativar "Solicitar Resultados Consistentes" pedirá ao modelo que faça o melhor esforço para obter resultados consistentes com a mesma entrada várias vezes.
Isto pode ser útil para fins de teste, uma vez que manter a consistência dos resultados é muitas vezes um requisito enquanto testa o fluxo de trabalho mais amplo.
A funcionalidade "Solicitar Resultados Consistentes" está apenas disponível para modelos OpenAI.
Escreva o prompt do seu modelo
Depois de concluir a seleção do seu modelo e a escolha dos parâmetros desejados, o próximo grande passo é fornecer-lhe um prompt. Os prompts devem ser o mais completos e descritivos possível, e recomendamos consultar as nossas páginas de documentação sobre a melhor forma de "Prompt com GPT" e "Prompt com Claude."
Também o encorajamos a consultar a nossa coleção de templates existentes. Quase todos incluem um passo LLM e podem ajudar a dar alguma inspiração e orientações sobre como o seu prompt pode parecer, por exemplo,
Prompt do utilizador
O campo "Prompt do utilizador" fornece ao modelo entradas de exemplo ou conversas para obter a saída desejada, por exemplo,
Prompt do assistente
O prompt do assistente ajuda o modelo a "aprender" o formato de saída desejado. Isto é especialmente útil para gerar matrizes, JSON ou HTML sem texto adicional de "conversa" ("Claro! Isto é uma matriz..."), por exemplo,
Como continuar se o passo LLM falhar
Por predefinição, o passo LLM termina o fluxo de trabalho se falhar. No entanto, para continuar o fluxo de trabalho se o passo falhar, basta clicar em Definições e clicar Continuar na parte inferior das Definições:

O passo devolverá as seguintes chaves:
saída: seránuloerro:mensagem: a mensagem devolvida pelo passocódigo: o código de erro que representa o erro

Como tentar novamente se o passo LLM falhar
Para tentar novamente o passo LLM se ele falhar,
Selecione
Continuarem vez deTerminar Workflowse o passo falharAdicione uma condição em que a condição verifique se o
errodo passo existe, por exemplostep_1.errorAdicione o passo que pretende tentar novamente se houver um erro

Gerar prompt com IA
Ao configurar o seu passo LLM, pode usar a nossa ferramenta "Gerar com IA" para o ajudar a preencher o prompt:

Apresentaremos um breve resumo de cada uma das opções personalizáveis incluídas nesta funcionalidade e partilharemos abaixo um exemplo passo a passo.
Tipo de tarefa
Primeiro tem de definir o seu Tipo de tarefa. A lista de tipos atualmente suportados inclui:
Criação de Conteúdo -- uma boa escolha se procura gerar conteúdo, por exemplo, uma publicação de blogue, uma imagem, um e-mail de marketing, etc.
Pergunta + Resposta -- escolha esta opção se planear que a sua entrada seja uma pergunta e a sua saída seja a resposta
Extração de entidades -- escolha esta opção se pretende extrair valores específicos de um texto ou imagem
Extração de texto -- semelhante à Extração de entidades, pode ser útil para analisar valores de texto específicos
Classificação -- escolha esta opção se quiser que a sua saída agrupe diferentes valores da sua entrada em categorias semelhantes
Tipo de saída
Depois de definir o seu Tipo de tarefa, a próxima decisão a tomar é como pretende que o passo LLM apresente os resultados. A lista de Tipos de saída atualmente suportados inclui:
Texto simples
Markdown
HTML
JSON
YAML
Ao selecionar um valor aqui, pode poupar o esforço adicional de especificar o tipo de saída no seu prompt (ou de exigir um passo de Texto subsequente para reformular a saída)
Prompt
A secção Prompt é semelhante ao que abordámos anteriormente em "Prompt o seu modelo." No entanto, a diferença fundamental aqui é que podemos contar com a nossa IA para desenvolver melhor a descrição. Portanto, se não tiver a certeza de como formular exatamente o seu prompt, a OpenAI tentará expandi-lo.
Definições avançadas
Exemplo de saída (opcional) -- se a IA estiver a ter dificuldade em apresentar os resultados no formato especificado, pode inserir manualmente um exemplo aqui para servir de base. Isto é semelhante aos Prompts de Utilizador/Assistente acima.
Variáveis selecionadas -- é preenchido com quaisquer variáveis de entrada que tenha antes do passo
Exemplo
Por exemplo, vamos percorrer a utilização da funcionalidade "Gerar com IA" para ajudar a criar um fluxo de trabalho básico. Imitaremos a Avaliação do Restaurante que criámos no nosso Início rápido do fluxo de trabalho.
Unexpected error with integration arcade: Integration is not installed on this space
Última atualização
Isto foi útil?