AWS Bedrock Chat Model 节点#
AWS Bedrock Chat Model 节点允许您使用基于 AWS Bedrock 平台的 LLM 模型。
本页将介绍 AWS Bedrock Chat Model 节点的参数配置，并提供更多资源链接。
凭证
您可以在此处查看该节点的认证信息。
/// 注意 | 子节点中的参数解析 子节点在使用表达式处理多个项目时的行为与其他节点不同。
大多数节点（包括根节点）会接收任意数量的输入项，处理这些项目，然后输出结果。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表达式。例如，给定五个 name 值作为输入，表达式 {{ $json.name }} 会依次解析为每个名称。
而在子节点中，表达式总是解析为第一个项目。例如，给定五个 name 值作为输入，表达式 {{ $json.name }} 总是解析为第一个名称。
///
节点参数#
- 模型: 选择用于生成补全内容的模型。
更多可用模型信息请参阅 Amazon Bedrock 模型文档。
节点选项#
- 最大令牌数: 设置使用的最大令牌数，控制补全内容的长度。
- 采样温度: 用于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，但也会增加产生幻觉的风险。
模板与示例#
相关资源#
更多关于该服务的详细信息，请参考 LangChain 的 AWS Bedrock Chat Model 文档。
查看 n8n 的高级 AI 文档。
AI glossary#
- completion: Completions are the responses generated by a model like GPT.
- hallucinations: Hallucination in AI is when an LLM (large language model) mistakenly perceives patterns or objects that don't exist.
- vector database: A vector database stores mathematical representations of information. Use with embeddings and retrievers to create a database that your AI can access when answering questions.
- vector store: A vector store, or vector database, stores mathematical representations of information. Use with embeddings and retrievers to create a database that your AI can access when answering questions.