Azure OpenAI 聊天模型节点#
使用 Azure OpenAI 聊天模型节点可以通过对话式智能体调用 OpenAI 的聊天模型。
本页将介绍 Azure OpenAI 聊天模型节点的参数配置，并提供更多资源链接。
凭证
您可以在此处找到该节点的认证信息。
/// 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。
节点选项#
- 频率惩罚：控制模型重复自身内容的概率。数值越高，模型重复自身的可能性越低。
- 最大令牌数：设置使用的最大令牌数，用于控制补全内容的长度。
- 响应格式：选择文本或JSON格式。选择JSON可确保模型返回有效的 JSON 数据。
- 存在惩罚：控制模型讨论新话题的概率。数值越高，模型讨论新话题的可能性越大。
- 采样温度：控制采样过程的随机性。较高的温度值会产生更多样化的采样结果，但也会增加产生幻觉内容的风险。
- 超时时间：输入最大请求时间（毫秒）。
- 最大重试次数：输入请求的最大重试次数。
- Top P：设置补全内容应使用的概率阈值。使用较低值可以忽略概率较低的选项。
模板和示例#
相关资源#
有关该服务的更多信息，请参考 LangChain 的 Azure OpenAI 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.