01｜让模型接过问题，但先别让它猜规则

如果想获取全套课程资料，请关注微信公众号 「AI面包君」，回复 「课程资料」 即可领取。

模板只会替换文字。现在把中间一步换成 LLM 节点，让模型阅读问题并组织回答。这个助手还没有商城规则和订单数据，本节要让它准确说明缺少什么，而不是猜出一个看似完整的答案。

你会手动选择模型，分别填写 System 与 User 消息，再把输出接回结果节点，最后用两个问题检查回答边界。

1. 准备一条三个节点的路线

复制上一节自己的应用，命名 Bread-01-模型回答；也可以从空白创建工作流，给输入节点加必填短文本 query。目标是：输入 → 客服回答 → 结果。

删除副本中的模板，添加 LLM 节点，命名为“客服回答”，重新连接输入与输出。旧的结果变量会失效，第四步再修复。

先看接完后的完整路线，后面我们逐个填写中间模型节点。实机画布中的“LLM”对应正文的“客服回答”，名称可以不同，输入输出关系应一致。

2. 选工作区里可用的模型

打开模型选择器，选择已经配置好的聊天模型。截图使用 qwen3.5-flash，你不必使用同一型号。没有可用模型时，先在工作区的模型供应商设置完成接入，再回来选择。密钥不填在提示词里。

暂时保持温度等参数默认。这一轮只检查输入、模型和输出有没有接通，不同时修改多个参数。

先认识“供应商”和“模型”两个选择

可以把供应商理解为你连接的服务，模型理解为该服务提供的具体能力选项。同一个服务可能提供多个聊天模型，也可能提供用于检索的 Embedding 模型，它们不是同一种用途。

这节要选能接收消息并生成文字的模型。模型名称出现在选择器里，只说明界面列出了它；实际请求是否能成功，还取决于凭证、访问范围和额度。因此我们后面先做一次很小的单节点调用，再连接整条流程。

课堂截图的型号只是当时使用的配置，不构成“必须用这个型号才能学习”的要求。你选择其他可用模型时，先保持同样输入，观察回答是否满足规则，再判断差异，避免同时改模型和问题造成无法比较。

3. 分开填写规则和本次问题

在 System 消息填写：

你是演示商城咨询助手。
没有提供业务知识库或订单信息时，先说明还需要哪些资料。
不得编造发货时间、物流状态或退款承诺。
回答控制在 120 字以内。

再添加 User 消息，通过变量插入入口选择 输入 → query。应看到变量标签，不能只手打“输入/query”几个字。

System 放稳定的工作要求，User 放本次问题。把它们分开，后面接知识库时更容易看清哪段是规则、哪段是用户输入。