Skip to content

Summarization Chain node#

ใช้ Summarization Chain node เพื่อสรุปเอกสาร (documents) หลายฉบับ

ในหน้านี้ คุณจะพบ node parameters สำหรับ Summarization Chain node และลิงก์ไปยังแหล่งข้อมูลเพิ่มเติม

Node parameters#

เลือกประเภทข้อมูลที่คุณต้องการสรุปใน Data to Summarize ประเภทข้อมูลที่คุณเลือกจะกำหนด node parameters อื่นๆ

  • Use Node Input (JSON) และ Use Node Input (Binary): สรุปข้อมูลที่เข้ามาใน node จาก workflow
    • คุณสามารถกำหนดค่า Chunking Strategy: เลือกกลยุทธ์ที่จะใช้ในการกำหนดขนาด chunk ของข้อมูล
      • หากคุณเลือก Simple (Define Below) คุณสามารถตั้งค่า Characters Per Chunk และ Chunk Overlap (Characters) ได้
      • เลือก Advanced หากคุณต้องการเชื่อมต่อ splitter sub-node ที่มีตัวเลือกการกำหนดค่าเพิ่มเติม
  • Use Document Loader: สรุปข้อมูลที่มาจาก document loader sub-node

Node Options#

คุณสามารถกำหนดค่า summarization method และ prompts ได้ เลือก Add Option > Summarization Method and Prompts

ตัวเลือกใน Summarization Method:

  • Map Reduce: นี่คือตัวเลือกที่แนะนำ เรียนรู้เพิ่มเติมเกี่ยวกับ Map Reduce ในเอกสาร LangChain
  • Refine: เรียนรู้เพิ่มเติมเกี่ยวกับ Refine ในเอกสาร LangChain
  • Stuff: เรียนรู้เพิ่มเติมเกี่ยวกับ Stuff ในเอกสาร LangChain

คุณสามารถปรับแต่ง Individual Summary Prompts และ Final Prompt to Combine ได้ มีตัวอย่างอยู่ใน node คุณต้องใส่ placeholder "{text}"

Templates and examples#

Scrape and summarize webpages with AI

by n8n Team

View template details
⚡AI-Powered YouTube Video Summarization & Analysis

by Joseph LePage

View template details
AI Automated HR Workflow for CV Analysis and Candidate Evaluation

by Davide

View template details
Browse Summarization Chain integration templates, or search all templates

อ้างอิง เอกสารของ LangChain เกี่ยวกับการสรุป สำหรับข้อมูลเพิ่มเติมเกี่ยวกับบริการ

ดูเอกสาร Advanced AI ของ n8n

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.