Préparation des Données RSS pour les LLM
Parfois, les données RSS arrivent de manière incohérente ou surchargée. Pour cela, il convient de réduire chaque article à l'essentiel afin que le LLM puisse générer un tweet clair à chaque fois. L'objectif est simple : chaque article doit parvenir au LLM sous une forme propre et compacte, prête à être transformée en un seul tweet.
- Agrégation d'un petit flux et test de la capacité du LLM à le traiter ;
- Si la correspondance semble maladroite, normalisation avec un nœud Code ;
- Boucle sur les éléments avec une taille de lot de 1 afin que chaque article soit traité en un seul tweet.
Commencez par agréger le flux par petits lots. Utilisez Aggregate pour combiner tous les éléments en une seule liste, créant ainsi un élément contenant un tableau d'environ 25 articles au format JSON. Cela permet une configuration rapide et peu complexe. Testez ce résultat agrégé avec votre LLM en mappant le tableau dans le champ Context. Si le résultat semble flou ou incohérent, passez à la normalisation.
Pour normaliser, copiez un échantillon du JSON RSS et demandez à votre LLM de produire un nœud Code qui supprime le HTML, extrait la première URL d'image, standardise les champs tels que title, text, url, guid et publishedAt, supprime les titres quasi-duplicats et retourne un élément propre par article sous forme de tableau. Placez ce nœud Code immédiatement après le nœud RSS ou RSS Read.
Ensuite, remplacez le chemin d'agrégation par une boucle. Utilisez Loop ou Split in Batches avec une taille de lot de un pour émettre un article à la fois, ce qui est idéal pour générer un tweet unique à chaque passage. Enfin, ajoutez votre modèle de chat à l'intérieur de la boucle, mappez le texte normalisé de l'article (et tout hook) dans Context, et fournissez une instruction système courte et claire pour le ton et le style du tweet.
Merci pour vos commentaires !
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
Awesome!
Completion rate improved to 4.17Préparation des Données RSS pour les LLM
Glissez pour afficher le menu
Parfois, les données RSS arrivent de manière incohérente ou surchargée. Pour cela, il convient de réduire chaque article à l'essentiel afin que le LLM puisse générer un tweet clair à chaque fois. L'objectif est simple : chaque article doit parvenir au LLM sous une forme propre et compacte, prête à être transformée en un seul tweet.
- Agrégation d'un petit flux et test de la capacité du LLM à le traiter ;
- Si la correspondance semble maladroite, normalisation avec un nœud Code ;
- Boucle sur les éléments avec une taille de lot de 1 afin que chaque article soit traité en un seul tweet.
Commencez par agréger le flux par petits lots. Utilisez Aggregate pour combiner tous les éléments en une seule liste, créant ainsi un élément contenant un tableau d'environ 25 articles au format JSON. Cela permet une configuration rapide et peu complexe. Testez ce résultat agrégé avec votre LLM en mappant le tableau dans le champ Context. Si le résultat semble flou ou incohérent, passez à la normalisation.
Pour normaliser, copiez un échantillon du JSON RSS et demandez à votre LLM de produire un nœud Code qui supprime le HTML, extrait la première URL d'image, standardise les champs tels que title, text, url, guid et publishedAt, supprime les titres quasi-duplicats et retourne un élément propre par article sous forme de tableau. Placez ce nœud Code immédiatement après le nœud RSS ou RSS Read.
Ensuite, remplacez le chemin d'agrégation par une boucle. Utilisez Loop ou Split in Batches avec une taille de lot de un pour émettre un article à la fois, ce qui est idéal pour générer un tweet unique à chaque passage. Enfin, ajoutez votre modèle de chat à l'intérieur de la boucle, mappez le texte normalisé de l'article (et tout hook) dans Context, et fournissez une instruction système courte et claire pour le ton et le style du tweet.
Merci pour vos commentaires !
