定义：
问题分类节点利用大语言模型（LLM）的自然语言理解和推理能力，进行语义分析和文本分类，对用户查询、对话内容等文本输入进行分类。
使用预定义的分类标签（如“售后服务”、“售前”），生成与输入文本语义最匹配的分类结果。然后将结果传递给下游节点，以指导后续的处理流程。
如何配置
输入变量
它表示待分类的内容，并支持输入文件变量。
模型
建议使用推理模型以获得最佳结果。由于问题分类器依赖于LLM的语言分类和推理能力，选择合适的模型可以显著提高分类的准确性。还支持调整模型的设置，如“温度”等，以定制其行为方式。
分类
通过为每个分类编写关键词，可以添加多个分类，从而帮助LLM更好地理解分类并将输入路由到正确的工作流。当没有符合的分类条件时，模型会自动执行“其他”分类。
记忆（交互式工作流）
当启用记忆时，分类器会保留对话历史，以帮助模型对当前对话内容进行深入分析。这有助于提高上下文理解能力，并在互动对话中提高响应的准确性。
- 历史记录：LLM最多可以记住50条用户消息历史。您可以将历史记录数设置为1到50之间。
- 记忆范围：模型会记录最后一个用户提示，以跟踪当前会话和节点。要在当前节点级别启用记忆功能，请将最后一个用户提示设置为记忆。
输出变量：
模型会返回一个名为 ClassName 的字符串变量，其中包含所选的分类名称信息。
简单案例示例：
该模型非常适合对客户服务问题进行分类。在典型的问答场景中，问题分类器会在将客户问题路由到正确的知识库之前自动对其进行排序，以便为用户提供准确和有用的答复。
以下是产品相关客户服务场景的示例工作流模板：
在此示例中，我们设置了三个分类标签及描述。
- 分类1：AB-售后服务
- 分类2：AB-售前服务
- 分类3：个人产品相关问题
- 如果用户查询不符合这些条件中的任何一个，模型会执行“其他”分类。
当用户输入不同的问题时，问题分类器会根据设置的分类标签及描述自动完成分类。例如，如果用户输入：
- "AirDroid Business企业版多少钱？" → 归类为“售前”
- "如何创建和部署自助服务终端配置？" → 归类为“售后服务”
- "如何将AirDroid Cast投屏到电视上？" → 归类为“个人产品”
- "今天纽约的天气怎么样？" → 归类为“其他”
注意事项：
- 输入变量必须是字符串，且不能是空问题。
- 每个分类名称必须唯一，请勿使用重复或无效的名称。
- 请保持每个分类描述清晰简洁，以便分类器做出正确的判断。