输入类 (Input)

User Input

起点节点。定义用户需要输入的参数，支持文本、图像/文件上传、链接等。

在健身 App 中，让用户输入“今日饮食记录”或上传“体检报告照片”。

处理类 (Process)

Generate

核心逻辑节点。调用谷歌自家的各种大模型基于 Prompt 提示词来进行逻辑处理、推理决策、内容生成或数据转换。

在提示词中允许：

1.引用其他环节，得到其输出。实现多步骤串联与上下文传递。

2.调用工具（如 Web Search、Maps、Weather 等），由大模型负责结合工具结果进行进一步推理与生成。

3.引用资产（ Assets）——加载静态资源（如固定文本、资料、模板、图片等），作为模型推理时的补充知识或指令约束。比如，将上传的图片资产作为生成新图像的参考。

根据 @User Input 输入生成文章大纲或图像。

输出类 (Output)

Output

终点节点。定义最终结果的呈现方式，支持动态网页、导出到Google Drive 电子表格/文档。

将一周汇总报告导出为 Google Docs 并展示下载链接。

可视化连线

在画布上通过拖拽锚点物理连接节点。

直观展示任务的先后顺序和逻辑流向。

语义引用 (@)

在节点中的 Prompt 提示词编辑框中使用 @ 符号，可直接引用前序任何步骤的输出或工具。

实现跨节点的数据传递，例如：“请优化 @日志内容 中的表达”。

实时信息检索

Search Web

访问实时互联网，搜索最新资讯。

事实核查、行业趋势调研。

Google Maps

检索地点详情、评价、营业时间。

行程规划、寻找本地服务。

Get Weather

获取指定地点当前或未来的天气预报。

穿搭建议、物流计划。

数据与代码处理

Code Execution

在安全沙盒中运行 Python 代码。

精准数学计算、数据可视化。

Logic / Branch

分支判断，基于前序输出结果进行路径分流判断。

但Opal 官方建议利用 Generate 节点的提示词 (Prompt) 来实现分支判断逻辑。

如，在提示词中写：“如果用户输入是投诉，则生成处理方案；如果是表扬，则生成感谢信”。

情感分类后的差异化回复。

办公自动化

Google Sheets (Write)

将数据追加或写入指定的云端表格（相当于Excel）。

收集用户信息、记录分析结果。

Google Docs (Export)

将内容生成并导出为排版好的文档（相当于Word）。

自动生成合同、撰写周报。

Gmail Draft

将生成的内容以草稿形式存入邮箱。

撰写商务邮件并留待人工核对。

多媒体产出

Media Gen (Imagen/Veo)

调用专项模型生成图片或视频内容。

为博客生成配图或视频广告。

文档知识库

Local File (PDF/Doc)

上传本地文件，AI 将其作为持久记忆。

企业规章制度、产品说明书。

My Drive Docs

链接 Google 云端硬盘中的实时文档。

始终引用最新的项目大纲。

结构化数据

Data Sheets (CSV/XLS)

导入表格数据作为查询数据库。

价格表、客户花名册。

Google Sheets (Read)

实时读取特定表格的内容作为背景。

动态引用库存数据或术语表。

多媒体素材

YouTube Video

链接特定的 YouTube 视频作为参考。

学习视频课程内容、分析剧本。

Image Reference

上传固定图像以统一风格或进行对比。

品牌 Logo 识别、视觉风格参考。

逻辑约束

Text Assets

预设一段纯文本的规则或角色设定。

锁定的品牌语调、回复红线规则。

本质定义

赋予 AI 执行动作的能力。

赋予 AI 特定知识的参考资料。

数据状态

动态/实时：获取互联网、地图、天气等最新信息。

静态/持久：开发者预先上传的固定文件或链接。

核心作用

突破模型知识的时间限制，解决“现在怎么样”的问题。

突破模型通用知识的范围，解决“我司规定是什么”的问题。

常见例子

Google Search, Maps, Weather, Code Execution。

PDF文档、CSV表格、YouTube视频、品牌指南。

在 Opal 中的位置

位于左侧节点栏 (Nodes)，作为一个独立的步骤块。

位于顶部/侧边栏的 "Add Assets"，作为全局背景。

调用方式

在流程中连线，或在 Prompt 中用 @ 触发执行。

仅在 Generate 节点的 Prompt 中用 @ 引用。

付费/消耗

通常涉及外部 API 调用，可能消耗更多 Token 或额度。

主要是存储和上下文（Context）窗口的占用。

教育与学习

Claymation Explainer

将复杂知识转化为有趣的“黏土动画”解说视频。

询问主题 → 编写画面描述 → 绘图 → Veo 视频生成。

Learning with YouTube

将 YouTube 视频内容快速转化为互动式学习测验。

输入视频 URL → 提取转录文本 → 生成总结 → Quiz 生成。

内容创作

Blog Post Writer

一键完成从资料调研到配图生成的完整博客工作流。

调研主题 → 撰写大纲 → Google Search 验证 → 撰写正文 → 生成封面图。

Social Media Post

为业务量身定制多平台社交媒体文案。

输入产品信息 → 选定风格 → Imagen 绘图 → 分平台生成推文 (X/IG)。

商业与办公

Business Profiler

深度分析互联网对某一品牌的看法及商业画像。

输入公司名 → Google Search 爬取 → 情绪分析 → 生成分析报告。

Meeting Brief

将冗长的会议记录自动化为结构化的行动方案。

上传会议记录 → 提取关键决策 → 导出至 Google Docs。

Product Research

针对特定产品生成个性化的竞品调研报告。

输入产品 → 搜索市场趋势 → 优劣势对比 (SWOT) → 生成展示 PPT。

生活与趣味

Book Recs

智能图书推荐，帮助用户发现下一本读物。

用户口味输入 → 数据库比对 → 书评抓取 → 呈现推荐卡片。

Fashion Stylist

根据天气、场合和个人偏好设计穿搭建议。

Weather 调用 → 风格匹配 → 视觉搭配生成 → 购买链接推荐。

Generated Playlist

根据当前心情生成带 YouTube 链接的音乐清单。

心情描述 → 风格分析 → YouTube Data API 检索 → 列表呈现。

任务复杂度

多步骤、跨模态(文字图片互转)的“线性流水线”。

如：读论文 -> 提炼 -> 绘图

循环往复、需要实时人工高频干预的任务。

逻辑链路过长（超过10个节点）时，错误率会指数级上升。

数据处理

非结构化数据的“清洗与重组”。

如：把乱七八糟的笔记变成表格

结构化、极高精度的数值运算。

如：银行清算、复杂物理模拟

缺乏“状态记忆”，难以在两次运行之间保持大规模上下文联系。

交互性质

一次性、工具型输出。（“输入 A -> 得到 B”）

长期的情感陪伴或高实时性的游戏交互。

执行存在延迟（Latency），无法做到毫秒级的即时反馈。

集成能力

Google 生态内（Docs, Sheets, Gmail）的深度联动。

闭源系统或非标准接口的第三方软件操作。

如某些专业 ERP。

受到严格的隐私与安全权限限制，无法全自动越权操作。

1. 逻辑执行

线性流水线 (Linear Flow)

执行“A -> B -> C”的固定指令。如果中间步骤（如读取文件）出错，程序通常会中断或报错。

决策代理 (Agentic Reasoning)

具备“自我修正”与“多路径尝试”。失败时会自动分析原因并尝试新方案（如更换解析方式）。

主动性与鲁棒性

从“死板的脚本”变成能解决问题的“数字巡检员”。

2. 用户界面

固定输出 (Fixed Output)

结果通常以单一格式呈现（如一段文字或一个 Doc 文档），UI 界面是静态且预设好的。

生成式 UI (Generative UI)

界面随任务“动态生长”。财务任务生成图表看板，写作任务生成 Markdown 编辑器。

交互体验

实现“千人千面、千任务千面”的即时 App 体验。

3. 集成方式

手动组装 (Manual Chaining)

用户需手动指定：第一步用 Gemini 总结，第二步调用 Google Search，第三步存入 Sheets。

语义化连接 (Semantic Interop)

基于 Gemini 3 的理解力实现“隐形组装”。只需说出意图，系统自动在后台调度插件和工具。

无感自动化

组装过程从“手动连线”进化为“语义驱动”，降低 90% 的构建成本。

4. 记忆系统

单次运行 (Stateless)

每次运行都是“初次见面”，不记得上一次的偏好或历史数据。

长效记忆 (Thought Signatures)

利用“思维签名”维持长期上下文。记得你的写作风格、常用数据源和历史决策偏好。

个性化深度

Agent 越用越聪明，真正成为用户的“数字孪生”。