For the complete documentation index, see llms.txt. This page is also available as Markdown.

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.

Prompt LLM step Summarize SERP themes using GPT-6.1 Sol, with a system prompt and a user message that references the keyword and the Google Search output
Configure o modelo, o prompt do sistema e as mensagens num passo Prompt LLM.

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.

Também pode optar por trazer o seu próprio modelo afinado, ligando-o através da nossa Fornecedores de API página.

AI Model picker on the Popular tab with GPT-6 Astra, GPT-6.1 Sol, GPT-6.1 Terra, and Claude Fable 5.1, and tabs for OpenAI, Anthropic, Perplexity, and Google
Escolha um modelo para o passo Prompt LLM.

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:

Fornecedor
Modelos suportados

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.

Advanced settings of a Prompt LLM step using Claude Sonnet 5.5, with the MCP Connectors dropdown listing AirOps, Linear, Notion, and Sentry, and Linear selected
Selecione Conectores MCP nas definições avançadas para dar ao modelo as respetivas ferramentas.

Como funciona em tempo de execução

  1. A AirOps transmite os conectores selecionados como ferramentas disponíveis para a API do LLM.

  2. O LLM decide se deve chamar alguma ferramenta com base no prompt e no contexto da conversa.

  3. Quando o LLM chama uma ferramenta, a AirOps encaminha o pedido para o servidor MCP externo correspondente.

  4. O servidor MCP processa o pedido e devolve uma resposta.

  5. 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.

Tool Calls tab of a Prompt LLM step in the run Logs, showing a Linear search_issues call with its input and output
Cada chamada de ferramenta MCP aparece no separador Chamadas de Ferramenta do passo, com as respetivas entradas e saídas.

Para adicionar ou gerir Conectores MCP para o seu workspace, vá para Definições > Conectores MCP. Consulte o guia de configuração dos Conectores MCP para mais detalhes.

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.

Prompt LLM settings for Gemini 3.5 Flash with Temperature, Max Output Length, Output Format, and the Google Search grounding and citation options
Defina a temperatura, o comprimento máximo da saída e o formato de saída para o passo.

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,

No AirOps, pode incluir vários pares Utilizador / Assistente para dar ao LLM exemplos de como responder.

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:

Prompt LLM advanced settings with When the step fails set to Continue
Selecione Continuar para manter o Workflow em execução quando o passo falhar.

O passo devolverá as seguintes chaves:

  • saída : será nulo

  • erro :

    • mensagem: a mensagem devolvida pelo passo

    • código : o código de erro que representa o erro

Variables Menu previewing the Export pass schedule step, whose output is null and whose error has a message and the code STEP_ERROR
Um passo falhado devolve um objeto de erro com uma mensagem e um código.

Como tentar novamente se o passo LLM falhar

Para tentar novamente o passo LLM se ele falhar,

  1. Selecione Continuar em vez de Terminar Workflow se o passo falhar

  2. Adicione uma condição em que a condição verifique se o erro do passo existe, por exemplo step_1.error

  3. Adicione o passo que pretende tentar novamente se houver um erro

Condition step Retry if export failed that checks step_1.error, with the retry Run Code step on the True branch
Verifique se o passo falhou e tente novamente.

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:

Prompt LLM step panel with the Generate with AI dropdown at the top right
Use Gerar com IA para redigir o prompt.

Apresentaremos um breve resumo de cada uma das opções personalizáveis incluídas nesta funcionalidade e partilharemos abaixo um exemplo passo a passo.

Nota: "Gerar com IA" é atualmente apenas compatível com OpenAI

Tipo de tarefa

Primeiro tem de definir o seu Tipo de tarefa. A lista de tipos atualmente suportados inclui:

  1. Criação de Conteúdo -- uma boa escolha se procura gerar conteúdo, por exemplo, uma publicação de blogue, uma imagem, um e-mail de marketing, etc.

  2. Pergunta + Resposta -- escolha esta opção se planear que a sua entrada seja uma pergunta e a sua saída seja a resposta

  3. Extração de entidades -- escolha esta opção se pretende extrair valores específicos de um texto ou imagem

  4. Extração de texto -- semelhante à Extração de entidades, pode ser útil para analisar valores de texto específicos

  5. 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:

  1. Texto simples

  2. Markdown

  3. HTML

  4. JSON

  5. 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?