在 BetterYeah AI 工作流中配置 LLM 节点并接入多模型

BetterYeah AI 的 AI 应用由节点串成流程，其中 LLM 节点负责真正调用大模型：把上游节点传来的数据填进提示词，交给选定的模型生成结果，再交给下游节点使用。这篇教程讲的是在工作流里添加并配置 LLM 节点这件事——包括提示词怎么写、怎么引用变量、模型怎么选、temperature 与流式输出怎么设、System 提示怎么用。适合已经能在 BetterYeah AI 里创建 AI 应用、但还没把 LLM 节点调明白的人。如果你更想先在浏览器里直接试提示词效果，可以配合 BetterYeah AI 的在线入口做单次运行验证，再回到工作流里固化配置。

需要先建立一个基本认识：与 LLM 的通信是通过自然语言和书面文字完成的，用来向模型提供信息和指令的那段文本就叫「提示（Prompt）」。所以每次使用 LLM，本质上只做两件事——写好提示和选择合适的模型。LLM 节点的全部配置项，都是围绕这两件事展开的。

准备工作

在动手之前，确认下面几项已经就绪：

一个可用的 BetterYeah AI 账号，并且已经能进入「构建 AI 应用」的编辑界面。LLM 节点是工作流里的一个节点类型，没有可编辑的应用就无从添加。
一个已有的 AI 应用（工作流）。至少要有入口节点，否则 LLM 节点没有上游数据可接。素材中的示例以 Start 节点作为数据来源。
明确你要用哪个模型。平台除通义千问外，还接入了百度千帆、智谱、讯飞星火等系列模型，不同模型的可用性、计费与配额各不相同，具体以官网当前信息为准。
想清楚提示词要达成什么结果。提示必须清晰明确，这是能否完成需求的关键；提示写得含糊，换什么模型都救不回来。

关于提示词工程的方法与最佳实践，平台文档指向了提示工程指南这一类资料，建议在正式搭流程前先花点时间读一读，尤其是「角色设定 + 任务描述 + 输出格式约束」这种基本结构。

操作步骤

第一步：在连线中插入 LLM 节点

LLM 节点不是凭空新建的，而是插在两个已有节点之间的连线上：

找到两个节点之间的连线；
点击连线中间的 + 号按钮；
在节点类型里选择 LLM 节点；
节点插入后，在节点面板里选择要使用的模型，并写下提示词。

这一步的顺序很重要：先有上下游节点，再插入 LLM 节点，节点才能正确拿到输入、把输出传下去。如果流程里还没有 Start 节点，先补上。

第二步：写提示词

提示语是一段书面文字，里面同时包含两样东西：你要提供给语言模型的信息，以及你对它的指令和期望。写的时候把这两部分分开想，通常比混在一段话里效果更可控。

一个实用的写法是把提示拆成几块，用自然语言明确标出：

角色：模型在这件事里扮演谁；
输入：要处理的内容，通常来自上游变量；
任务：具体要它做什么，动词要明确；
输出要求：格式、长度、语言、是否需要结构化。

第三步：在提示词里引用其它节点的变量

提示输入框既接受常规文本，也接受变量模板，语法是双花括号 {{}}。例如要取 Start 节点的 content 值，就在提示词里写：

{{start.content}}

把它嵌进一句完整的提示里，大致是这样：

请阅读下面的用户输入，并用一句话概括它的核心诉求：

{{start.content}}

输出要求：只输出概括结果，不要解释过程。

除了手写变量名，也可以在文本框左侧的变量列表里直接选择要使用的变量，平台会把对应的 {{}} 表达式插入到光标位置。变量名写错不会报语法错，只会让模型收到一段字面的花括号文本，所以插入后要回头核对一遍。

第四步：选择模型

模型在 LLM 节点的 Model 配置项里选择。平台提供的模型按提供商分组，常见的有以下几类（模型清单会随平台更新，实际可选范围以界面与官网当前信息为准）：

提供商	模型
阿里	qwen-v1、qwen-plus-v1
百度千帆	ERNIE-Bot、ERNIE-Bot-turbo、AquilaChat-7B、ChatGLM2-6B-32K、Qianfan-Chinese-Llama-2-7B、Llama-2-70b-chat、Llama-2-7b-chat、BLOOMZ-7B
智谱	chatglm_std、chatglm_pro、chatglm_lite、chatglm_lite_32k
讯飞	general、generalv2

选型时值得注意的几点：同一家提供商下往往同时有「能力更强」和「更轻量」的档位，前者适合复杂推理与长文本，后者适合高频、低延迟的简单任务；带上下文长度标识的模型（如 32K 一类）适合塞入较长的上游内容；不同模型对中文、代码、结构化输出的表现差异明显，最好用同一段提示词分别跑一遍再定。

第五步：设置创造性（temperature）

temperature 控制输出的随机程度，理解方式很直接：

值较大时，模型输出的概率分布更平均，结果更多样，适合创意写作、头脑风暴、文案变体；
值较小时，模型更倾向于选择概率高的选项，输出更稳定，适合信息抽取、分类、格式固定的结构化输出。

如果同一个流程要反复跑、且下游依赖固定格式，把 temperature 调低；如果希望每次给出不同角度的结果，就调高。具体取值范围与默认值以界面与官网当前信息为准。

第六步：决定是否开启流式输出（stream）

流式输出开启后，AI 会以字符为单位分批返回数据；关闭后，AI 会在生成完整结果后一次性返回。素材给出的使用建议是：在 LLM 节点为流程最后一个节点时可以开启。原因是流式返回的价值在于让终端用户尽早看到内容逐步出现，如果后面还有节点要消费完整结果，分批数据反而会增加处理复杂度。

第七步：配置 System 提示

LLM 节点的对话结构分三层，理解这三层各自的职责，配置就不会乱：

System（系统提示）：定义人工智能的角色、目标和行为，以及具体任务或规则。可以用来指导对话的整体流程、提供背景知识或设置上下文。
USER（用户提示）：为模型提供输入或对话，以获得所需的输出结果。
ASST（Assistant）：Assistant 就是模型本身，它通过与 System 和 User 的交互，提供适当的回复和响应；它可以接受用户的问题、指示、需求，并努力提供有用的答案、执行特定任务或提供相关信息。

实践上，把「不变的部分」放进 System——身份、语气、禁止事项、输出格式；把「每次变化的部分」放进 USER——上游变量、本次的具体任务。这样同一套 System 可以被多个流程复用，改动成本最低。

一个完整示例

下面用一个最小可跑通的流程，把上面的配置项串起来：用户提交一段文本，流程输出一句话摘要。

流程结构

Start 节点  →  LLM 节点

1. 准备 Start 节点

Start 节点负责接收用户输入，假设它有一个名为 content 的字段，用来存放用户提交的原始文本。

2. 插入 LLM 节点

点击 Start 节点与后续节点（或流程末端）之间连线上的 +，选择 LLM 节点。

3. 填写 System 提示

你是一名严谨的文本摘要助手。
你的任务是阅读用户提供的文本，提炼其核心诉求。
输出规则：
1. 只输出一句话，不超过 40 个汉字；
2. 不输出解释、不输出原文引用；
3. 使用简体中文。

4. 填写 USER 提示

请概括下面这段文本的核心诉求：

{{start.content}}

其中 {{start.content}} 可以直接手写，也可以在文本框左侧的变量列表里选中 content 插入。

5. 设置模型与参数

Model：从通义千问、百度千帆、智谱、讯飞星火等系列中选一个可用模型；
temperature：调低，因为这里要求输出稳定、格式固定；
stream：该 LLM 节点位于流程末端，可以开启，让结果逐步返回。

6. 运行调试

用「运行调试」功能，给 Start 节点的 content 填入一段测试文本，例如一段用户反馈。观察 LLM 节点的输出是否满足 System 里定的三条规则。如果不满足，优先改 System 提示里的约束，而不是反复换模型。

7. 验证变量替换

调试时特别确认一点：模型收到的应该是用户文本本身，而不是字面的 {{start.content}}。如果输出里出现了花括号原文，说明变量名与上游字段名不一致，回到第三步核对。

这个流程跑通后，可以继续往下扩展：在 LLM 节点之后接 Memory 节点保存上下文，或把 LLM 节点的输出接到下一个 LLM 节点做二次加工。素材中提到的节点类型还包括 Start 节点与 Memory 节点，它们与 LLM 节点配合构成更完整的应用。

注意事项

提示词质量是主要变量。提示必须清晰明确，这是完成需求的关键。模型选得再好，提示含糊也拿不到稳定结果。
变量语法是双花括号。写成 {{start.content}} 这种形式，单花括号或漏写节点名都不会被识别为变量。
流式输出有使用前提。素材明确建议在 LLM 节点为最后一个节点时才开启；中间节点开启会让下游拿到分批数据。
temperature 不是越高越好。它改变的是概率分布的平坦程度，值大更多样、值小更稳定，按任务性质选，不要默认拉满。
模型清单与可用性会变化。本文列出的模型名称来自平台文档的既有清单，实际可选模型、计费方式、配额与地区可用性请以官网当前信息为准。
System 与 USER 的职责不要混。把固定规则放 System、把每次变化的输入放 USER，后续维护和复用会轻松很多。