本练习创建一个文本 LLM Node。节点依次处理输入、调用模型、处理输出。 先按 README完成构建，所有命令在仓库根目录执行。 本例使用固定回答的测试模型，无需下载权重。
如果已有节点能满足需求，直接配置 Pipeline。 如果需要编写算法，按本文操作。如需自动生成方案和验证命令，使用文本 LLM Recipe。 纯计算 Node 使用普通脚手架。
本练习使用既有模型能力和实体输入输出结构，只修改：
| 文件 | 你要做什么 |
|---|---|
src/custom_nodes/my_business_llm_node.cpp |
脚手架生成后，填写两个文本函数 |
tests/unit/nodes/test_my_business_llm_node.cpp |
核对业务输出，并补充修改后的行为断言 |
demo/fixtures/mock/pipeline_first_node.json |
在复制的方案中选用新节点 |
demo/fixtures/mock/pipeline_first_node.conf |
用 pipe_path 指向新方案 |
先关注 BuildPrompt 和 FormatAnswer 两个文本函数。框架负责模型加载、调度和数据传递。
外部请求与响应由 Adapter 转换。
生成源码与测试：
./tools/scaffold_custom_node.py my_business_llm --kind model -m llm --write-test打开 src/custom_nodes/my_business_llm_node.cpp。文件中的主要内容分成四部分：
| 位置 | 第一次开发时怎么处理 |
|---|---|
顶部 BuildPrompt / FormatAnswer |
填写业务逻辑：接收一个字符串，返回一个字符串 |
Inputs / Models / Run |
逐条调用 BuildPrompt，整批调用一次模型，再逐条调用 FormatAnswer；第一次不用改 |
Spec |
用 MakeNodeSpec 声明输入输出、生成参数和模型 |
REGISTER_FUNCTION_NODE |
从同一 Spec 注册构造方法和 Definition |
在 BuildPrompt 中，将默认的 return text; 换成下面这行，给模型输入加上任务指令：
return "你是实体与名词抽取助手。请返回 JSON。\n" + text;在 FormatAnswer 中，将默认的 return text; 换成下面几行，去掉回答末尾的换行：
std::string answer = text;
while (!answer.empty() && answer.back() == '\n') answer.pop_back();
return answer;业务函数只处理 text。框架保留输入与回答的对应关系。
需要修改输入时，构造新文本。不要修改共享的只读输入。
保留短语 实体与名词抽取助手。测试模型据此返回后续节点需要的 JSON。
该结果用于验证接入流程。提示词效果需要真实模型验证。
在生成的测试文件中，将 RecordingModel 返回的 "fixture text" 改为 "fixture text\n"，
输出断言仍保留 "fixture text"，用于检查刚添加的末尾换行清理。
源码格式化需要 clang-format 18。
./scripts/format.sh
cmake --build build --target alg_sdk alg_pipeline_tool alg_pipeline_tool_test alg_demo edgeflow_test_nodes_runner -j 4
./build/edgeflow_test_nodes_runner --gtest_filter='ScaffoldGeneratedNodeTest.my_business_llm_*'
./build/alg_pipeline_tool describe-node my_business_llmCatalog 应显示 my_business_llm，输入输出为 TextBatch。
如果练习文件尚不存在，复制以下配置。已有同名文件时，继续编辑该文件。
cp demo/fixtures/mock/pipeline_entity_extract_custom.json demo/fixtures/mock/pipeline_first_node.json
cp demo/fixtures/mock/pipeline_entity_extract_custom.conf demo/fixtures/mock/pipeline_first_node.conf编辑 pipeline_first_node.json 中 name 为 generate_entities 的节点，做两处修改：
type改成my_business_llm。- 将整个
params对象替换为以下内容。其余生成参数使用默认值。
{"bind_model": "entity_llm"}保留 inputs、模型、JSON 解析节点和 io 连线。
将 pipeline_first_node.conf 的 pipe_path 改为 pipeline_first_node.json。
此时数据经过：
flowchart LR
A[平台输入文本] --> B[已有 Adapter 解包]
B --> C[my_business_llm: 前处理 → 模型 → 后处理]
C --> D[已有 JSON 解析节点]
D --> E[已有 Adapter 打包实体结果]
"inputs":{"input":"input.sentence_text"} 将节点的 input 端口连接到输入转换器。
后续节点通过 generate_entities.output 读取结果。io.output 选择最终响应来源。
./build/alg_pipeline_tool_test validate demo/fixtures/mock/pipeline_first_node.json
./build/alg_pipeline_tool_test plan demo/fixtures/mock/pipeline_first_node.json
./build/alg_demo --config demo/fixtures/mock/pipeline_first_node.conf --dataset data/corpus_entity_extract.txt --output-dir results/first-node这些配置使用测试模型，校验要用带测试注册的 alg_pipeline_tool_test。
alg_pipeline_tool 用于查看生产注册，也能发现刚编译的自定义节点。
查看 results/first-node/pipeline_first_node/results.jsonl：第一条记录应有 status: 0，
以及 output.nouns: ["mock entity"]。summary.json 应显示一条成功、
零条失败。回答来自测试模型。
替换真实模型时，按目标构建的 Catalog 更新 models 和资产路径，节点的 bind_model
引用相应 name。再用自己的输入与期望结果验收，不能把测试模型回答作为效果指标。
在生成的测试中补充自己的业务预期，检查提示词、结果与来源。参考
LLM Node 测试。
交付前执行 ./scripts/run_all_tests.sh，流程见 CONTRIBUTING。
| 接下来遇到的问题 | 去哪里看 |
|---|---|
| 端口、编号、模型绑定、Definition、并发是什么意思 | 按需参考 |
| 需要多个输入或条件重试 | 多输入 starter |
| 需要 LLM 与 Embedding 两种能力 | 多模型 starter |
| 需要配置化模板或复杂后处理 | 复杂算法的组织与现有辅助函数 |
| 需要接入全新的平台结构 | 业务接入指南 |
| 需要新增模型语义或硬件后端 | 开发者扩展指南 |
按操作命名节点，例如“识别实体”或“核对条件”。不同方案可复用同一节点。