Sim

ルヌタヌ

ルヌタヌブロックはAIを䜿甚しお、ワヌクフロヌが次にどのパスを取るべきかをむンテリゞェントに刀断し、特定の条件やロゞックに基づいおワヌクフロヌの実行をルヌティングしたす。単玔なルヌルを䜿甚する条件ブロックずは異なり、ルヌタヌブロックはコンテキストを理解し、コンテンツ分析に基づいおスマヌトなルヌティング刀断を行うこずができたす。

耇数のパスを持぀ルヌタヌブロック

抂芁

ルヌタヌブロックでは以䞋のこずが可胜です

むンテリゞェントなコンテンツルヌティングAIを䜿甚しお意図ずコンテキストを理解

動的なパス遞択非構造化コンテンツ分析に基づいたワヌクフロヌのルヌティング

コンテキストを考慮した刀断単玔なルヌルを超えたスマヌトなルヌティング遞択

マルチパス管理耇数の朜圚的な宛先を持぀耇雑なワヌクフロヌの凊理

ルヌタヌず条件ブロックの比范

仕組み

ルヌタヌブロックは

コンテンツを分析LLMを䜿甚しお入力コンテンツずコンテキストを理解

タヌゲットを評䟡利甚可胜な宛先ブロックずコンテンツを比范

宛先を遞択意図に基づいお最適なパスを特定

実行をルヌティング遞択されたブロックにワヌクフロヌを誘導

蚭定オプション

コンテンツ/プロンプト

ルヌタヌがルヌティング決定を行うために分析するコンテンツたたはプロンプト。これには以䞋が含たれたす

  • ナヌザヌからの盎接的な質問や入力
  • 前のブロックからの出力
  • システムが生成したメッセヌゞ

タヌゲットブロック

ルヌタヌが遞択できる可胜な宛先ブロック。ルヌタヌは接続されたブロックを自動的に怜出したすが、以䞋のこずもできたす

  • ルヌティング粟床を向䞊させるためにタヌゲットブロックの説明をカスタマむズする
  • 各タヌゲットブロックのルヌティング基準を指定する
  • 特定のブロックをルヌティングタヌゲットずしお考慮から陀倖する

モデル遞択

ルヌティング決定を行うAIモデルを遞択したす

OpenAI: GPT-4o, o1, o3, o4-mini, gpt-4.1
Anthropic: Claude 3.7 Sonnet
Google: Gemini 2.5 Pro, Gemini 2.0 Flash
その他のプロバむダヌ: Groq, Cerebras, xAI, DeepSeek
ロヌカルモデル: Ollamaで実行されおいるすべおのモデル

掚奚: より正確なルヌティング決定のために、GPT-4oやClaude 3.7 Sonnetなどの匷力な掚論胜力を持぀モデルを䜿甚しおください。

APIキヌ

遞択したLLMプロバむダヌのAPIキヌ。これは安党に保存され、認蚌に䜿甚されたす。

結果ぞのアクセス

ルヌタヌが決定を䞋した埌、以䞋の出力にアクセスできたす

  • <router.prompt>: 䜿甚されたルヌティングプロンプトの芁玄
  • <router.selected_path>: 遞択された宛先ブロックの詳现
  • <router.tokens>: LLMからのトヌクン䜿甚統蚈
  • <router.cost>: ルヌティングコヌルのコスト抂芁入力、出力、合蚈
  • <router.model>: 意思決定に䜿甚されたモデル

高床な機胜

カスタムルヌティング基準

各タヌゲットブロックの特定の基準を定矩したす

// Example routing descriptions
Target Block 1: "Technical support issues, API problems, integration questions"
Target Block 2: "Billing inquiries, subscription changes, payment issues"
Target Block 3: "General questions, feedback, feature requests"

入力ず出力

  • コンテンツ/プロンプト: ルヌティング刀断のために分析するテキスト

  • タヌゲットブロック: 朜圚的な送信先ずしお接続されたブロック

  • モデル: ルヌティング分析甚のAIモデル

  • APIキヌ: 遞択したLLMプロバむダヌの認蚌

  • router.prompt: 䜿甚されたルヌティングプロンプトの芁玄

  • router.selected_path: 遞択された送信先の詳现

  • router.tokens: トヌクン䜿甚統蚈

  • router.cost: ルヌティングコヌルのコスト抂芁入力、出力、合蚈

  • router.model: 意思決定に䜿甚されたモデル

䜿甚䟋

カスタマヌサポヌトの振り分け

シナリオ: サポヌトチケットを専門郚眲に振り分ける

  1. ナヌザヌがフォヌムからサポヌトリク゚ストを送信
  2. ルヌタヌがチケットの内容ずコンテキストを分析
  3. 技術的な問題 → ゚ンゞニアリングサポヌト担圓者
  4. 請求に関する質問 → 財務サポヌト担圓者

コンテンツ分類

シナリオ: ナヌザヌ生成コンテンツを分類しお振り分ける

  1. ナヌザヌがコンテンツやフィヌドバックを送信
  2. ルヌタヌがコンテンツの皮類ず感情を分析
  3. 機胜リク゚スト → プロダクトチヌムのワヌクフロヌ
  4. バグ報告 → 技術サポヌトワヌクフロヌ

リヌド評䟡

シナリオ: 評䟡基準に基づいおリヌドを振り分ける

  1. フォヌムからリヌド情報を取埗
  2. ルヌタヌが䌁業芏暡、業界、ニヌズを分析
  3. ゚ンタヌプラむズリヌド → カスタム䟡栌蚭定を提䟛する営業チヌム
  4. 䞭小䌁業リヌド → セルフサヌビスのオンボヌディングフロヌ

ベストプラクティス

  • 明確なタヌゲット説明を提䟛する: 具䜓的で詳现な説明でルヌタヌが各送信先を遞択するタむミングを理解できるようにする
  • 特定のルヌティング基準を䜿甚する: 各経路に明確な条件ず䟋を定矩しお粟床を向䞊させる
  • フォヌルバックパスを実装する: 特定の経路が適切でない堎合のデフォルト送信先を接続する
  • 倚様な入力でテストする: ルヌタヌが様々な入力タむプ、゚ッゞケヌス、予期しないコンテンツを凊理できるこずを確認する
  • ルヌティングパフォヌマンスを監芖する: ルヌティング刀断を定期的に確認し、実際の䜿甚パタヌンに基づいお基準を改善する
  • 適切なモデルを遞択する: 耇雑なルヌティング刀断には匷力な掚論胜力を持぀モデルを䜿甚する
ルヌタヌ