实体识别工具节点

实体识别工具节点为 AI Agent 提供从非结构化文本中提取结构化信息的能力。与 Entity Recognition Action 节点不同，Tool 版本由 AI 根据需求自主决定是否调用。

使用场景

典型应用

表单信息提取 - 从用户自然语言输入中提取表单字段
订单信息识别 - 从对话中提取订单相关信息
用户资料采集 - 从对话中收集用户信息
产品信息提取 - 从产品描述中提取规格参数
事件信息提取 - 从文本中提取时间、地点、人物等要素
多步骤信息收集 - AI 可多次调用收集不同信息

Tool vs Action 的区别

特性	Entity Recognition Action	Entity Recognition Tool
执行方式	直接执行	AI 按需调用
使用场景	固定的信息提取流程	AI Agent 需要时提取信息
调用时机	每次都执行	AI 决定何时调用
多次调用	需要多个节点	同一个工具可被多次调用

示例对比:

Action 方式 (固定流程):
用户输入 → Entity Recognition → 处理结果

Tool 方式 (智能交互):
用户: "我想订一份外卖"
AI: "好的，您想吃什么?" (未调用工具)
用户: "一份宫保鸡丁，地址是xxx，电话138xxx"
AI: (调用实体识别工具提取：菜品、地址、电话)

节点配置

基础设置(参数面板)

工具名称 (toolName)

AI Agent 调用工具时使用的唯一标识符。

字段属性:

必填字段
在工作流中必须唯一
不支持表达式
格式要求:
- 只能包含字母、数字、下划线和连字符
- 必须以字母开头
- 不能与工作流中其他工具节点的工具名称重复

配置示例:

javascript

// 1. 简洁明确的工具名称
toolName: "extractOrderInfo"

// 2. 描述性的工具名称
toolName: "parseUserProfile"

// 3. 带前缀的工具名称
toolName: "orderEntityRecognition"

命名建议:

使用小驼峰或下划线: extractOrderInfo 或 extract_order_info
见名知意: 名称要清楚表达工具的功能
避免过长: 建议在 20 个字符以内
避免特殊字符: 只使用字母、数字、下划线和连字符

重要说明:

AI Agent 通过工具名称来识别和调用工具，而不是节点名称
工具名称在工作流中必须唯一，如果有重复会自动添加后缀
建议使用英文命名，以便与 AI 的调用保持一致

工具描述 (toolDescription)

描述工具的功能，AI 根据描述决定何时调用。

字段属性:

必填字段
支持表达式

配置示例:

javascript

// 1. 清晰描述提取目标
"从用户消息中提取订单信息，包括：商品名称、数量、收货地址、联系电话。返回结构化的订单对象。"

// 2. 说明适用场景
"从产品咨询对话中提取产品需求信息。
提取字段：
- productType: 产品类型
- budget: 预算范围
- requirements: 特殊要求
- deliveryDate: 期望交付时间

当用户描述产品需求时调用 extractProductRequirements 工具。"

// 3. 提供示例
"提取用户个人信息用于注册。
字段：name(姓名), email(邮箱), phone(手机号), city(城市)
示例: 用户说'我叫张三，邮箱是zhangsan@example.com，电话13800138000，在北京'
返回: {name: '张三', email: 'zhangsan@example.com', phone: '13800138000', city: '北京'}"

模型 (model)

选择用于实体识别的 AI 模型。

字段属性:

必填字段
支持主流 LLM 提供商

推荐模型:

yaml

GPT-4: 最高准确度，适合复杂结构提取
GPT-3.5-turbo: 性价比高，适合大多数场景
Claude 3 Sonnet: 平衡性能，适合中等复杂度

输入文本 (input)

要提取信息的文本内容。

字段属性:

必填字段
支持表达式

配置示例:

javascript

// 1. AI 从对话中传入
input: ""  // AI 会自动填充用户消息

// 2. 从上下文获取
input: $('Chat Trigger').message

// 3. 组合多个信息源
input: `当前对话: ${$('Chat Trigger').message}
历史信息: ${$('Context').history}`

提取指令 (instructions)

为 AI 提供额外的提取指导。

字段属性:

可选字段
支持表达式

配置示例:

javascript

// 1. 指定提取规则
"从文本中提取所有提到的产品信息。如果某个字段没有提到，返回 null 而不是猜测。"

// 2. 处理歧义
"如果地址信息不完整，只提取明确提到的部分。如果出现多个电话号码，提取第一个。"

// 3. 格式要求
"日期统一转换为 YYYY-MM-DD 格式，电话号码去除所有空格和横杠。"

JSON Schema (jsonSchema)

定义要提取的数据结构。

字段属性:

可选字段
支持完整的 JSON Schema 规范

配置示例:

json

{
  "type": "object",
  "properties": {
    "orderInfo": {
      "type": "object",
      "properties": {
        "productName": {
          "type": "string",
          "description": "商品名称"
        },
        "quantity": {
          "type": "number",
          "description": "购买数量"
        },
        "address": {
          "type": "string",
          "description": "收货地址"
        },
        "phone": {
          "type": "string",
          "description": "联系电话"
        }
      },
      "required": ["productName", "quantity"]
    }
  }
}

复杂 Schema 示例:

json

{
  "type": "object",
  "properties": {
    "userProfile": {
      "type": "object",
      "properties": {
        "name": {"type": "string"},
        "age": {"type": "number"},
        "interests": {
          "type": "array",
          "items": {"type": "string"}
        },
        "contact": {
          "type": "object",
          "properties": {
            "email": {"type": "string"},
            "phone": {"type": "string"}
          }
        }
      }
    }
  }
}

自定义标签 (customLabels)

为 Schema 字段添加友好的中文标签。

字段属性:

可选字段
键值对格式

javascript

customLabels: {
  "productName": "商品名称",
  "quantity": "数量",
  "address": "收货地址",
  "phone": "联系电话"
}

高级设置(设置面板)

总是输出 (alwaysOutput)

执行失败时是否也输出空项。默认: false

仅执行一次 (executeOnce)

是否仅使用第一个输入项执行一次。默认: false

失败重试 (retryOnFail)

执行失败时是否自动重试。默认: false

最大重试次数 (maxTries)

失败后最多重试几次。默认: 3

重试间隔 (waitBetweenTries)

重试之间的等待时间(毫秒)。默认: 1000

输出数据

输出符合 JSON Schema 定义的结构化数据。

javascript

// 访问提取的数据
$('Entity Recognition Tool').orderInfo.productName
$('Entity Recognition Tool').orderInfo.quantity
$('Entity Recognition Tool').orderInfo.address

工作流示例

示例 1: 智能订单收集

Chat Trigger
  → AI Agent Node
    System Prompt: "你是订餐助手，帮助用户下单。"

    Tools: [Entity Recognition Tool]
      Tool Description: "从用户消息中提取订单信息：菜品(dish)、数量(quantity)、地址(address)、电话(phone)。"
      JSON Schema: {
        "properties": {
          "dish": {"type": "string"},
          "quantity": {"type": "number"},
          "address": {"type": "string"},
          "phone": {"type": "string"}
        }
      }
  → Answer Node

对话示例:
用户: "我想订一份宫保鸡丁"
AI: "好的，请问需要几份？送到哪里？" (未调用工具，信息不全)

用户: "两份，送到xx路xx号，电话138xxxx"
AI: (调用实体识别工具)
提取结果: {
  dish: "宫保鸡丁",
  quantity: 2,
  address: "xx路xx号",
  phone: "138xxxx"
}
AI: "好的，已为您记录订单：2份宫保鸡丁，送到xx路xx号..."

示例 2: 多步骤信息收集

Chat Trigger
  → AI Agent Node
    System Prompt: "你是客服助手，收集用户反馈信息。"

    Tools: [Entity Recognition Tool]
      Tool Description: "从对话中提取用户反馈信息：问题类型(issueType)、产品名称(product)、问题描述(description)、严重程度(severity)。"
      Instructions: "如果信息不完整，返回已提取的部分字段。"
      JSON Schema: {...}
  → Answer Node

对话示例:
用户: "我买的手机有问题"
AI: (调用工具) → 提取: {product: "手机"}
AI: "请问具体是什么问题？"

用户: "充电充不进去，很严重"
AI: (再次调用工具) → 提取: {
  product: "手机",
  description: "充电充不进去",
  severity: "严重"
}
AI: "已记录您的问题，我们会尽快处理..."

示例 3: 产品咨询信息提取

Chat Trigger
  → AI Agent Node
    System Prompt: "你是产品顾问，帮助用户选择合适的产品。"

    Tools: [
      Tool 1 - Entity Recognition Tool
        Tool Description: "提取产品需求信息：预算(budget)、尺寸(size)、颜色(color)、特殊需求(requirements)。"

      Tool 2 - Code Tool
        Tool Description: "根据需求搜索匹配的产品"
    ]
  → Answer Node

对话流程:
用户: "我想买个笔记本电脑，预算8000左右，要轻薄的"
AI: (调用实体识别工具)
提取: {
  productType: "笔记本电脑",
  budget: 8000,
  requirements: "轻薄"
}
AI: (调用产品搜索工具)
AI: "根据您的需求，我推荐以下几款..."

示例 4: 事件信息提取

Chat Trigger
  → AI Agent Node
    System Prompt: "你是日程管理助手，帮助用户创建日程。"

    Tools: [Entity Recognition Tool]
      Tool Description: "从用户消息中提取事件信息：标题(title)、日期(date)、时间(time)、地点(location)、参与者(participants)。"
      Instructions: "日期转换为 YYYY-MM-DD 格式，如果只说'明天'，根据今天日期计算。"
      JSON Schema: {
        "properties": {
          "title": {"type": "string"},
          "date": {"type": "string"},
          "time": {"type": "string"},
          "location": {"type": "string"},
          "participants": {
            "type": "array",
            "items": {"type": "string"}
          }
        }
      }
  → Answer Node

用户: "明天下午3点在会议室A开项目会议，叫上张三和李四"
AI: (调用工具)
提取: {
  title: "项目会议",
  date: "2024-01-16",  // AI 自动计算
  time: "15:00",
  location: "会议室A",
  participants: ["张三", "李四"]
}
AI: "已为您创建日程：明天下午3点..."

最佳实践

1. 编写清晰的工具描述

好的描述:

"从用户咨询中提取旅游需求信息。
提取字段：
- destination: 目的地城市
- departureDate: 出发日期 (YYYY-MM-DD)
- duration: 行程天数
- travelers: 出行人数
- budget: 预算范围

当用户描述旅游计划时调用。
示例: '我想下个月去三亚玩5天，两个人，预算1万左右'"

2. 设计合理的 Schema

json

// 好的 Schema 设计
{
  "type": "object",
  "properties": {
    "required_fields": {
      "type": "object",
      "properties": {
        "name": {"type": "string", "description": "必填：姓名"}
      },
      "required": ["name"]
    },
    "optional_fields": {
      "type": "object",
      "properties": {
        "age": {"type": "number", "description": "可选：年龄"},
        "city": {"type": "string", "description": "可选：城市"}
      }
    }
  }
}

3. 提供清晰的提取指令

javascript

instructions: `提取规则：
1. 如果字段未明确提到，返回 null
2. 日期格式统一为 YYYY-MM-DD
3. 电话号码只保留数字
4. 金额提取数字部分，单位统一为元
5. 如果有多个相同类型的值，取第一个`

4. 处理不完整信息

javascript

// AI 可以多次调用工具逐步收集信息
System Prompt: `你是智能助手。
如果提取的信息不完整：
1. 调用工具提取已有信息
2. 识别缺失字段
3. 向用户询问缺失信息
4. 再次调用工具补充信息`

5. 验证提取结果

Chat Trigger
  → AI Agent (调用 Entity Recognition Tool)
  → Code Node (验证提取结果)
    Code: |
      const data = $('Entity Recognition Tool');

      // 验证必填字段
      if (!data.name || !data.phone) {
        return {valid: false, missing: ['name', 'phone']};
      }

      // 验证格式
      if (!/^1[3-9]\d{9}$/.test(data.phone)) {
        return {valid: false, error: '手机号格式错误'};
      }

      return {valid: true, data: data};
  → Conditional Branch
    → [valid] → 继续处理
    → [invalid] → AI 重新询问

常见问题

Q1: Tool 和 Action 版本应该选哪个？

使用 Action: 固定流程，每次都要提取信息
- 示例: 表单提交后立即提取数据
使用 Tool: AI 交互场景，按需提取
- 示例: 对话式信息收集，AI 决定何时提取

Q2: AI 如何知道何时调用工具？

A: AI 根据以下因素决定:

工具描述是否匹配当前对话需求
用户消息是否包含可提取的信息
对话上下文是否需要结构化信息

优化建议:

工具描述要清晰说明适用场景
提供调用示例
说明提取的字段及用途

Q3: 如何处理部分信息缺失？

方案 1: Schema 设置为可选

json

{
  "properties": {
    "name": {"type": "string"},  // 必填
    "phone": {"type": "string"},  // 可选(不在 required 中)
    "email": {"type": "string"}   // 可选
  },
  "required": ["name"]
}

方案 2: Instructions 说明处理方式

javascript

instructions: "如果某字段未提及，返回 null。不要猜测或使用默认值。"

方案 3: AI 自动追问

javascript

System Prompt: "如果提取的信息缺少必填字段，向用户询问缺失信息。"

Q4: 可以提取列表或数组吗？

A: 可以，使用 array 类型:

json

{
  "properties": {
    "products": {
      "type": "array",
      "items": {
        "type": "object",
        "properties": {
          "name": {"type": "string"},
          "quantity": {"type": "number"}
        }
      }
    }
  }
}

示例:

用户: "我要买3个苹果，2个橙子，5个香蕉"
提取结果: {
  products: [
    {name: "苹果", quantity: 3},
    {name: "橙子", quantity: 2},
    {name: "香蕉", quantity: 5}
  ]
}

Q5: 如何提高提取准确度？

1. 使用更强大的模型

javascript

model: "GPT-4"  // 而非 GPT-3.5

2. 提供详细的字段描述

json

{
  "properties": {
    "date": {
      "type": "string",
      "description": "日期，格式 YYYY-MM-DD，如果用户说'明天'，计算具体日期"
    }
  }
}

3. 使用 Instructions 明确规则

javascript

instructions: "严格按照 Schema 提取，不要推测未提及的信息。"

4. 提供提取示例

javascript

toolDescription: `提取用户地址信息。
示例输入: "我住在北京市朝阳区xx路xx号"
示例输出: {
  province: "北京市",
  district: "朝阳区",
  street: "xx路xx号"
}`

Q6: 工具可以被多次调用吗？

A: 可以！这正是 Tool 的优势：

对话流程:
用户: "我想订外卖"
AI: "好的，您想吃什么？" (不调用工具)

用户: "一份宫保鸡丁"
AI: (第1次调用) → 提取: {dish: "宫保鸡丁"}
AI: "请问送到哪里？"

用户: "xx路xx号，电话138xxx"
AI: (第2次调用) → 提取: {dish: "宫保鸡丁", address: "xx路xx号", phone: "138xxx"}
AI: "订单已确认..."

AI 可以根据信息完整度自主决定是否需要再次调用。

Q7: 如何处理格式转换？

A: 在 Instructions 中说明:

javascript

instructions: `格式转换规则：
- 日期: 统一转为 YYYY-MM-DD (如"明天" → "2024-01-16")
- 电话: 去除空格、横杠 (如"138-0000-0000" → "13800000000")
- 金额: 提取数字，统一为元 (如"99.9元" → 99.9)
- 布尔值: "是/好的/要" → true, "否/不要" → false`

AI 会根据规则自动转换格式。

下一步

AI Agent 节点 - 了解如何使用 AI Agent
Code Tool 节点 - 处理提取后的数据
HTTP Request Tool 节点 - 结合 API 调用

Chat 触发器

实体识别工具节点 ​

使用场景 ​

典型应用 ​

Tool vs Action 的区别 ​

节点配置 ​

基础设置(参数面板) ​

工具名称 (toolName) ​

工具描述 (toolDescription) ​

模型 (model) ​

输入文本 (input) ​

提取指令 (instructions) ​

JSON Schema (jsonSchema) ​

自定义标签 (customLabels) ​

高级设置(设置面板) ​

总是输出 (alwaysOutput) ​

仅执行一次 (executeOnce) ​

失败重试 (retryOnFail) ​

最大重试次数 (maxTries) ​

重试间隔 (waitBetweenTries) ​

输出数据 ​

工作流示例 ​

示例 1: 智能订单收集 ​

示例 2: 多步骤信息收集 ​

示例 3: 产品咨询信息提取 ​

示例 4: 事件信息提取 ​

最佳实践 ​

1. 编写清晰的工具描述 ​

2. 设计合理的 Schema ​

3. 提供清晰的提取指令 ​

4. 处理不完整信息 ​

5. 验证提取结果 ​

常见问题 ​

Q1: Tool 和 Action 版本应该选哪个？ ​

Q2: AI 如何知道何时调用工具？ ​

Q3: 如何处理部分信息缺失？ ​

Q4: 可以提取列表或数组吗？ ​

Q5: 如何提高提取准确度？ ​

Q6: 工具可以被多次调用吗？ ​

Q7: 如何处理格式转换？ ​

下一步 ​

相关资源 ​

实体识别工具节点

使用场景

典型应用

Tool vs Action 的区别

节点配置

基础设置(参数面板)

工具名称 (toolName)

工具描述 (toolDescription)

模型 (model)

输入文本 (input)

提取指令 (instructions)

JSON Schema (jsonSchema)

自定义标签 (customLabels)

高级设置(设置面板)

总是输出 (alwaysOutput)

仅执行一次 (executeOnce)

失败重试 (retryOnFail)

最大重试次数 (maxTries)

重试间隔 (waitBetweenTries)

输出数据

工作流示例

示例 1: 智能订单收集

示例 2: 多步骤信息收集

示例 3: 产品咨询信息提取

示例 4: 事件信息提取

最佳实践

1. 编写清晰的工具描述

2. 设计合理的 Schema

3. 提供清晰的提取指令

4. 处理不完整信息

5. 验证提取结果

常见问题

Q1: Tool 和 Action 版本应该选哪个？

Q2: AI 如何知道何时调用工具？

Q3: 如何处理部分信息缺失？

Q4: 可以提取列表或数组吗？

Q5: 如何提高提取准确度？

Q6: 工具可以被多次调用吗？

Q7: 如何处理格式转换？

下一步

相关资源