使用自托管的 LLM Mistral NeMo 提取个人数据

该工作流适合以下人群：
- 数据分析师：需要从聊天记录中提取个人数据以进行分析。
- 客服人员：希望自动化处理客户请求并提取关键信息。
- 开发人员：需要集成自然语言处理模型以优化用户交互。
- 企业管理者：希望提高信息处理效率，减少手动输入错误。

此工作流解决了从聊天消息中提取个人信息的难题，尤其是在以下方面：
- 自动化：减少手动提取信息的时间和精力。
- 准确性：通过结构化输出解析，确保提取的信息符合预定的 JSON 模式。
- 灵活性：能够处理不同类型的聊天消息，并根据需要进行调整和优化。

工作流的详细步骤如下：
1. 接收聊天消息：当有新消息到达时，触发整个工作流。
2. 调用 Ollama 聊天模型：使用 Mistral NeMo 模型分析用户请求，提取信息。
3. 输出解析：使用自动修复输出解析器和结构化输出解析器，确保提取到的信息符合预定的 JSON 模式。
4. 错误处理：如果解析失败，系统会自动调用修复机制，重新请求模型生成符合要求的输出。
5. 提取 JSON 输出：最终将提取到的 JSON 信息输出，供后续使用或存储。

用户可以通过以下方式自定义和调整此工作流：
- 调整模型参数：在 Ollama Chat Model 节点中修改 temperature 和 keepAlive 等参数，以优化模型的响应速度和准确性。
- 修改 JSON 模式：在结构化输出解析器中调整输入模式，以适应不同的提取需求。
- 更新提示信息：在基本 LLM 链节点中自定义 message 字段，以改变模型的响应内容和格式。
- 添加新节点：根据需求，可以在工作流中添加新的节点，扩展功能或集成其他服务。