AI-byggeklodser
AI-kategorien samler de byggeklodser, der bruger sprogmodeller, tekstgenkendelse (OCR) og tale-til-tekst til at læse, forstå, udtrække og generere indhold. Det er her, du omdanner rå dokumenter, lyd og fritekst til svar og strukturerede data, som resten af dit flow kan arbejde videre med.
Sprogmodel-byggeklodserne kører på OpenAI's gpt-5.6-modeller (gpt-5.6-terra og gpt-5.6-luna) samt Mistrals egen model mistral-medium-latest og Z.ai's glm-5-2, som hostes og routes gennem Mistral; OCR kører på Mistral, og transskribering kører på syv.ai's danske tale-til-tekst-model (Hviske). Sider, der allerede indeholder deres egen tekst — typiske PDF'er skrevet direkte fra et program frem for scannet — læses lokalt på AgentBase's egen server og sendes slet ikke til OCR. Har din organisation sat sin egen OpenAI-nøgle op under Integrationer, kører modelkaldene på den; ellers bruges platformens nøgle.
Fælles for alle AI-byggeklodser er, at resultatet caches: samme inputs og samme indstillinger giver samme svar ved næste kørsel uden et nyt (betalt) kald. Nedenfor er hver byggeklods beskrevet med sine inputs, outputs, typiske brugsscenarier og en kort rettesnor for, hvornår du skal bruge den — og hvornår du er bedre tjent med en anden.
Byggeklodser
Sprogmodel
Byggeklods-id: language-model · ⭐ Favorit
Den centrale AI-byggeklods. Sender en instruktion og et indhold til en sprogmodel og returnerer svaret som tekst — eller som et struktureret objekt, hvis du angiver et JSON-skema. Modellen kan desuden se vedhæftede billeder og PDF-sider, kalde udvalgte Apps og Byggeklodser som funktioner, søge på nettet med verificerede kilder og følge en skriveguide fra Prompt Biblioteket.
Sådan virker den: Din instruktion (systemrolle) og dit indhold sendes til modellen, som svarer med tekst. Vælger du funktioner, kører byggeklodsen en agentisk løkke: modellen kan bede om at kalde en App/byggeklods, får resultatet tilbage og fortsætter — indtil den er færdig eller når grænsen for antal runder. Udfylder du et JSON-skema, tvinges svaret til at matche skemaet, og hvert felt bliver et selvstændigt output-handle. Slår du websøgning til, kontrolleres hver kilde-URL (døde links kasseres), og kun de levende kilder når frem til modellen, som citerer dem.
Inputs
| Felt | Type | Beskrivelse |
|---|---|---|
| Model | str | Modellen der genererer svaret. Valg: gpt-5.6-terra, gpt-5.6-luna (standard), mistral-medium-latest, glm-5-2. Modeller, der kører via Mistral, understøtter ikke websøgning. Stærkere modeller er bedre til komplekse opgaver, men dyrere og langsommere. |
| Aktivér Reasoning | bool | Standard: til. Beder modellen om at ræsonnere (effort "medium") før den svarer. Slå fra ved korte, simple opgaver. |
| Tillad websøgning | bool | Standard: fra. Giver modellen en search_web-funktion; hver søgning køres som et indre kald, alle fundne URL'er GET-tjekkes, og kun levende kilder (ikke 4xx) når frem til modellen. Instruktionen udvides med regler om kildehenvisning. Kan ikke kombineres med modeller, der kører via Mistral — kørslen fejler. |
| Instruktion | str | Systeminstruktion. Standard: "Du er en hjælpsom assistent." Har intet handle — sættes direkte på noden. |
| Indhold | any | Brugerbeskeden. Påkrævet — tom eller ren whitespace stopper kørslen med en fejl, også når der er vedhæftede filer. Ikke-tekst serialiseres automatisk til JSON, og flere kanter ind i feltet sammenkædes. |
| Billeder og PDF-sider | list[filejson] | Filer modellen skal se. Kun image/* og application/pdf; højst 20 filer, hver op til 50 MB. En PDF rasteriseres side for side (højst 30 sider, blanke sider udelades) og sendes som billeder; andre filtyper afvises med en fejl før kaldet. |
| Funktioner (Apps & Byggeklodser) | list[str] | Apps og Byggeklodser modellen selv må kalde undervejs. Uden valg køres et enkelt kald. |
| Maks funktionskald-runder | int | Standard 5, interval 1–10; loftet er desuden begrænset af platformens grænse på 10. Uden valgte funktioner har feltet ingen effekt. |
| JSON-skema (valgfri) | str | Tvinger svaret til at matche skemaet. Et tomt skema (ingen felter) behandles som fritekst. Svaret valideres mod det oprindelige skema efter kaldet. |
| Vokabular / skriveguide | list[str] | Skriveguider fra Prompt Biblioteket. Indholdet sættes ind i Instruktion før kørsel som <skriveguide>-blokke. |
Bemærk at websøgningens sikkerhedsgrænse er separat: uden funktioner må modellen højst søge i 10 runder, og overskrides den uden et endeligt svar, fejler noden.
Outputs
- Svar (
strellerdict): fritekst, eller et parset objekt når et JSON-skema er angivet. Hvert skemafelt bliver da også tilgængeligt som et selvstændigt output-handle på canvas. - Funktionskald (
str, avanceret): JSON-log over alle funktionskald og deres resultater. Er"[]"når ingen funktioner er valgt — websøgninger uden funktioner logges ikke her.
Resultatet caches som for alle AI-byggeklodser: samme inputs (inkl. vedhæftede filer og skriveguide) giver samme svar uden nyt kald. En node der læser en hemmelig organisationsvariabel caches dog aldrig.
Typiske brugsscenarier
- Opsummere, omskrive, oversætte eller besvare spørgsmål om tekst fra Indlæs dokument — med faste regler fra en skriveguide.
- Aflæse noget der kun kan ses på siden — et stempel, målsætninger på en tegning, kryds på et kort — ved at vedhæfte PDF-sider eller fotos.
- Trække faste felter (navn, beløb, dato) ud af et brev med et JSON-skema, så output kan sendes videre til et regneark eller en App.
- Lade modellen slå et CVR-nummer eller en adresse op via en Byggeklods eller hente friske data via websøgning, og bruge svaret i sin tekst.
Brug når / Undlad når
- Brug når opgaven kræver sprogforståelse, generering eller vurdering; når svaret skal have faste felter (JSON-skema); eller når modellen selv skal afgøre, hvilke data den henter (funktioner/websøgning).
- Brug når du vil have fleksibiliteten til at skifte mellem fritekst, struktureret svar, funktionskald og websøgning uden at skifte byggeklods.
- Undlad når resultatet skal være deterministisk — simpel
{variabel}-udskiftning eller fast tekstbehandling er hurtigere, billigere og forudsigeligt med Skabelon eller Python Kode. - Undlad websøgning og funktionskald når al nødvendig information allerede står i prompten, eller når svaret skal være reproducerbart — begge tilføjer ekstra runder, latens, pris og variation.
Fungerer godt sammen med: Indlæs dokument → Sprogmodel (analysér OCR-tekst); Transkriber → Sprogmodel (opsummer et møde); Sprogmodel → Output-byggeklodser (aflever det færdige svar). Skabelon, JSON Udtræk og Python Kode findes under Data og Logik. Apps kan kaldes som funktioner.
Start uden Reasoning og uden skema. Slå Reasoning til, når svarene ikke er skarpe nok, og tilføj et JSON-skema, når du er sikker på præcis hvilke felter du skal bruge.
JSON-skemaet kan også forbindes: slå håndtaget til på byggeklodsen ("Vis håndtag"), og lad en tidligere byggeklods levere skemaet, så det varierer pr. kørsel. Et forbundet skema overskriver det gemte og tvinger svaret — men det opretter ingen felt-håndtag (de følger kun det gemte skema), så læs hele objektet fra Svar. Bemærk: forbindes håndtaget i editoren, gemmes det indtastede skema ikke længere, og dets felt-håndtag forsvinder ved næste genindlæsning. Skal du både have felt-håndtag og et skema pr. kørsel, skal et union-skema (alle varianters felter, ingen påkrævede) ligge gemt på byggeklodsen og varianten forbindes — det kan kun bygges via API/MCP.
Indlæs dokument
Byggeklods-id: document-ocr · ⭐ Favorit
Udtrækker teksten fra et uploadet dokument eller billede med OCR og returnerer den som markdown med bevaret struktur (overskrifter, lister, tabeller). Det er indgangen, når indholdet ligger i en scannet PDF, et foto eller et Office-dokument frem for som ren tekst. Word-, Excel- og ældre Office-filer konverteres automatisk til PDF først; Excel-ark læses direkte uden OCR.
Inputs
| Felt | Type | Beskrivelse |
|---|---|---|
| Dokument | filejson | Filen der skal læses. Påkrævet. Understøtter PDF, DOCX, XLSX, XLS, DOC samt billeder (JPEG, PNG, WebP, HEIC/HEIF, GIF, TIFF, BMP, AVIF). Maksimal filstørrelse er 50 MB. |
Outputs
- Tekst (
str) — den udtrukne tekst i markdown. Flere sider samles med en tom linje imellem; tomme sider udelades. Et billede uden læsbar tekst giver en tom streng, mens et dokument uden tekst fejler.
Resultatet caches: samme fil giver samme tekst uden nyt OCR-kald. Sider i en PDF, der allerede har et brugbart tekstlag, læses lokalt uden betalt OCR; scannede sider sendes til OCR-motoren.
Typiske brugsscenarier
- Digitalisere scannede breve, kontrakter eller ansøgninger, så de kan sendes videre til en Sprogmodel eller et struktureret udtræk.
- Udtrække tekst fra fotos af kvitteringer, formularer eller skilte.
- Konvertere en PDF eller Word-fil til ren tekst til videre behandling i et flow.
- Første trin i en dokumentpipeline, hvor teksten derefter anonymiseres, filtreres eller opsummeres.
Brug når / Undlad når
Brug denne byggeklods når:
- Kilden er en fil (scan, PDF, billede eller Office-dokument), og du har brug for indholdet som tekst.
- Dokumentet er skannet, fotograferet eller håndskrevet, eller layoutet er komplekst (tabeller, kolonner).
Undlad denne byggeklods når:
- Dokumentet allerede ligger som tekst i dokumentdatabasen — brug Hent dokument i stedet; det er hurtigere og gratis.
- Du kun skal bruge filnavn, type eller størrelse — brug Fil info i stedet; OCR behandler hele indholdet og koster penge.
- Filen er over 50 MB — komprimér eller opdel den først.
Fungerer godt sammen med: Indlæs dokument → Sprogmodel (analyse); Indlæs dokument → Sprogmodel med JSON-skema (struktureret udtræk); Indlæs dokument → Anonymiser tekst. Hent dokument og Fil info findes under Data-byggeklodser; filupload under Input-byggeklodser.
Fil til struktureret data
Byggeklods-id: file-to-structured · ⭐ Favorit
OCR og dataudtræk i ét trin — og i batch. Byggeklodsen udtrækker strukturerede data fra filer og/eller tekster efter et JSON-skema, du selv definerer. Hver fil sendes først gennem OCR (samme motor som Indlæs dokument), hvorefter teksten — ligesom de rå tekster — udtrækkes efter skemaet; resultatet er én post pr. fil/tekst. Ideelt til at forvandle en stak fakturaer eller kontrakter til en tabel.
Inputs
| Felt | Type | Beskrivelse |
|---|---|---|
| Filer | list[filejson] | En eller flere filer, der skal OCR-læses før udtrækning. Understøtter PDF, Word (.docx/.doc), Excel (.xlsx/.xls) og billeder (JPEG, PNG, WebP, HEIC/HEIF, GIF, TIFF, BMP, AVIF). Maks. 50 MB pr. fil. |
| Tekster | list[str] | Rå tekster, der udtrækkes direkte uden OCR. Kan kombineres med filer. |
| JSON-skema | str | Strukturen for de data, der skal udtrækkes fra hvert element. Sættes via "Konfigurer skema" (felter med navn, type og beskrivelse; objekt- og listetyper kan have underfelter). Påkrævet — et tomt skema stopper kørslen med en fejl. |
| Model | str | Sprogmodellen til udtrækningen (avanceret). Standard gpt-5.6-luna; valg: gpt-5.6-terra, gpt-5.6-luna, mistral-medium-latest, glm-5-2. |
| Aktivér Reasoning | bool | Lader modellen ræsonnere før udtræk (avanceret). Standard slået til — mere præcist på svære filer, men langsommere og dyrere. |
| Instruktion | str | Valgfri ekstra vejledning til udtrækningen. Feltet er skjult på noden og udfyldes som "Ekstra vejledning" i skemakonfiguratoren. |
Mindst én fil eller én tekst skal være angivet; ellers fejler noden med "Ingen filer eller tekster at behandle."
Outputs
- Struktureret Data (
list[dict]) — én post pr. element, i rækkefølgen filer først, derefter tekster. Hver post følger JSON-skemaet.
Bemærk: elementerne behandles sekventielt, og noden fejler som helhed ved første fejl. Fejlmeddelelsen angiver elementets position og navn (fx "Fejl ved element 2/5 (faktura.pdf): …"), så det er nemt at finde synderen. Resultatet caches, så en gentaget kørsel med uændrede inputs ikke koster nye OCR- eller modelkald.
Typiske brugsscenarier
- Fakturabehandling: en bunke PDF-fakturaer → én liste med leverandør, dato, beløb og fakturalinjer pr. faktura.
- Strukturering af scannede kontrakter eller aftaler (parter, løbetid, opsigelsesvarsel) fra billeder eller PDF'er.
- Batch-udtræk fra e-mails eller kundehenvendelser (tekster) sammen med de vedhæftede dokumenter (filer) i samme kørsel.
- Fødning af et regneark eller en database med ensartede poster fra ustrukturerede dokumenter.
Brug når / Undlad når
- Brug når du har filer, der både skal læses (OCR) og udtrækkes efter et fast skema — byggeklodsen sparer et separat OCR-trin.
- Brug den stærkere model og reasoning når filerne er rodede eller inkonsistente.
- Undlad når du kun skal bruge den rå tekst — brug Indlæs dokument.
- Undlad når du allerede har teksten — brug Sprogmodel med JSON-skema, som springer OCR over (hurtigere og billigere).
- Undlad reasoning og vælg en mindre model på enkle, velstrukturerede filer, hvor hastighed og pris betyder mest.
- Undlad når filerne er over 50 MB — komprimér eller opdel dem først.
Fungerer godt sammen med: Fil til struktureret data → Løkke Start (behandl hver post) → Sprogmodel; Fil til struktureret data → Data-byggeklodser (skriv posterne til Excel). Filupload findes under Input-byggeklodser.
Sortér dokumenter
Byggeklods-id: document-filter
Læser en bunke uploadede dokumenter med OCR og lader en sprogmodel placere hvert dokument i én af de kategorier, du selv definerer. Hver kategori kan valgfrit have et udtrækningsskema, så klassificering og feltudtræk sker i ét modelkald, og hvert resultat får kildefilens navn med. Hver kategori bliver sit eget output-handle.
Inputs
| Felt | Type | Beskrivelse |
|---|---|---|
| Dokumenter | list[filejson] | Påkrævet. De dokumenter, der skal sorteres. PDF, DOCX, XLSX, XLS, DOC samt billeder (JPEG, PNG, WebP, HEIC, GIF, TIFF, BMP, AVIF); maks. 50 MB pr. fil. |
| Kategorier | str | Åbner konfigurationsvinduet. Hver kategori har et navn, en valgfri beskrivelse (hjælper modellen med at ramme rigtigt) og et valgfrit JSON-skema med de felter, der skal udtrækkes for dokumenter i kategorien. Der kan desuden angives en fælles ekstra instruktion til modellen. Mindst én kategori kræves. Navnet Ukategoriseret er reserveret, og et skema må ikke bruge feltnavnene category, pages, text eller filename. |
| Model | str | Modellen der klassificerer og udtrækker. Standard gpt-5.6-luna; valg: gpt-5.6-terra, gpt-5.6-luna, mistral-medium-latest, glm-5-2. Avanceret. |
| Aktivér Reasoning | bool | Standard slået til. Lader modellen ræsonnere før den sorterer — mere præcist, men langsommere og dyrere. Avanceret. |
| Tillad flere kategorier | bool | Standard slået fra. Når slået til klassificeres på sideniveau: modellen finder hvert logisk dokument (fx fem fakturaer i én PDF) og fordeler siderne på kategorier, så ét dokument kan bidrage til flere kategorier. Avanceret. |
Outputs
Ét output pr. kategori plus Ukategoriseret — teknisk ét result-output af typen dict[str, list[dict]], som canvasset viser som et handle pr. kategori. Hvert element i en liste er et objekt med nøglerne filename (kildefilens navn, ellers dokument N) og text (OCR-teksten) samt de felter, kategoriens skema definerer (felter modellen ikke kunne finde er null). Kategorier uden matchende dokumenter er tomme lister. Rækkefølgen følger uploadrækkefølgen.
Praktiske detaljer fra implementeringen:
- Et dokument uden læsbar tekst (fx et rent foto) sendes ikke til modellen, men lander direkte i Ukategoriseret. I sideniveau-tilstand springes helt tomme sider over.
- Kun de første 20.000 tegn af hvert dokument sendes til klassificeringen i standardtilstand; i sideniveau-tilstand er grænsen 700.000 tegn, og sider efter grænsen havner i Ukategoriseret.
- Vælger modellen et kategorinavn, der ikke findes i konfigurationen, ryger dokumentet i Ukategoriseret.
- Højst 5 dokumenter behandles ad gangen. OCR kører på systemets standardmotor for alle dokumenttyper. Resultatet caches på baggrund af inputs.
Alt-eller-intet: fejler blot ét dokument under OCR eller klassificering, fejler hele kørslen, og der gemmes ingen resultater — heller ikke for de dokumenter, der lykkedes. Ret det dokument, der fejler, og kør igen.
Typiske brugsscenarier
- Sortér en blandet upload af bilag i fakturaer, kvitteringer og kontrakter, og send hver kategori videre til sin egen behandling.
- Udtræk fakturanummer, beløb og dato fra alle fakturaer i samme kald som sorteringen, via et skema på kategorien.
- Opdel én stor scannet PDF med mange separate dokumenter i logiske enheder med Tillad flere kategorier slået til.
- Fang uventede eller ukendte filer i en sagsmappe via Ukategoriseret-outputtet, med filnavnene som kildehenvisning.
Brug når / Undlad når
- Brug når dokumenttyperne er tydeligt forskellige og kan beskrives med et navn og en kort beskrivelse.
- Brug når du vil have både sortering og feltudtræk i én byggeklods i stedet for OCR + sprogmodel pr. kategori.
- Undlad når du kun har ét dokument, som blot skal læses — brug Indlæs dokument i stedet.
- Undlad når enkelte dokumenter må fejle uden at stoppe resten; kørslen er alt eller intet.
- Undlad sideniveau-tilstand ("Tillad flere kategorier"), når hvert dokument hører til præcis én kategori — det undgår fejlfordeling af sider.
Fungerer godt sammen med: Sortér dokumenter → Løkke Start (kør hvert kategori-output for sig) → Sprogmodel eller Data-byggeklodser; Sortér dokumenter → Output-byggeklodser. Se også Sammenhænge mellem byggeklodser.
Transkriber
Byggeklods-id: transcribe
Konverterer en lydfil til tekst med syv.ai's danske tale-til-tekst-model (Hviske). Sproget er låst til dansk, og outputtet kan opdeles i segmenter med tidsstempler og talermærkning.
Inputs
| Felt | Type | Beskrivelse |
|---|---|---|
| Lyd | fil | Påkrævet. Lydfil uploadet eller optaget med mikrofon. Understøtter MP3, WAV, M4A, WebM, OGG og FLAC; maks. 100 MB. Andre filtyper afvises før afsendelse. |
| Tidsstempler | bool | Standard: fra. Tilføjer [MM:SS - MM:SS] foran hvert segment, fx [00:01 - 00:05]. Avanceret indstilling. |
| Taleridentifikation | bool | Standard: til. Beder modellen skelne mellem talere og sætter speaker_0:, speaker_1: osv. foran hvert segment. Mærket udelades for segmenter, hvor tjenesten ikke kunne identificere en taler. Avanceret indstilling. |
Outputs
- Tekst (
str) — den transskriberede tekst. Når Tidsstempler eller Taleridentifikation er slået til (og tjenesten returnerer segmenter), er outputtet ét segment pr. afsnit adskilt af en tom linje; ellers returneres den rå, sammenhængende tekst. Bemærk at Taleridentifikation er slået til som standard, så uden ændringer får du den segmenterede form.
Byggeklodsen kræver, at AgentBase-platformen er konfigureret med en syv.ai API-nøgle — mangler den, fejler noden med en tydelig fejlbesked. Returnerer tjenesten ingen tekst (fx en optagelse uden tale), fejler noden frem for at levere en tom streng. Midlertidige serverfejl prøves automatisk igen to gange, før noden fejler. Resultatet caches som andre AI-byggeklodser, så samme fil med samme indstillinger ikke transskriberes igen.
Typiske brugsscenarier
- Mødereferater: optagelse → Transkriber (talermærkning til) → Sprogmodel, der opsummerer beslutninger og handlingspunkter pr. deltager.
- Interviews og borgersamtaler, hvor transskriptionen efterfølgende skal anonymiseres eller struktureres.
- Dikterede noter fra en mobiloptagelse, der skal ind i et dokument eller et sagssystem.
- Undertekster eller navigation i lange optagelser, hvor Tidsstempler giver segmenternes placering.
Brug når / Undlad når
Brug når:
- Lyden indeholder dansk tale — modellen er trænet til dansk og sender altid sproghintet
da. - Du skal vide, hvem der sagde hvad (møder, interviews) — slå Taleridentifikation til.
- Du skal kunne finde et sted i en lang optagelse — slå Tidsstempler til.
Undlad når:
- Du har tekst i et dokument eller billede (PDF, scanning) — brug Indlæs dokument i stedet.
- Optagelsen kun har én taler og du blot skal bruge ren tekst — slå Taleridentifikation (og Tidsstempler) fra, ellers får du unødige
speaker_0:-mærker og linjeskift. - Lyden er musik eller anden ikke-tale — noden fejler med "ingen tekst".
Fungerer godt sammen med: Transkriber → Sprogmodel (opsummer eller udtræk beslutninger); Transkriber → Anonymiser tekst (fjern persondata før deling); Transkriber → Output-byggeklodser (Tekst til dokument til et færdigt referat).
Billedgenerering
Byggeklods-id: image-generation
Genererer et eller flere billeder ud fra en tekstbeskrivelse. Kan tage referencebilleder med — fx fra Billedgalleri — som modellen redigerer eller tager udgangspunkt i. Du vælger selv billedformat, opløsning, kvalitet og hvor mange billeder der skal genereres (højst 5).
Inputs
| Felt | Type | Beskrivelse |
|---|---|---|
| Beskrivelse | Tekst | Påkrævet. Beskriv motiv, stil, lys og farver — jo mere konkret, jo bedre. |
| Referencebilleder | list[filejson] | Valgfrit. Op til 10 billeder (JPEG, PNG, WebP, HEIC), højst 25 MB hver. Forbind Billedgalleri eller upload direkte. |
| Billedformat | Valg | 16:9 (bredformat, standard), 1:1 (kvadratisk), 9:16 (højformat), 4:3, 3:4, 2:3 eller 3:2. |
| Kvalitet | Valg | lav, mellem eller høj (standard). Hvor meget arbejde modellen lægger i billedet: høj giver flere detaljer, men tager længere tid pr. billede. |
| Opløsning | Valg | 1K (standard), 2K eller 4K. Hvor stort billedet bliver i pixels — højere giver større filer. Ligger under "Tilpas" → "Yderligere funktioner". |
| Antal billeder | Tal | 1–5 (standard 1). Hvert billede er en selvstændig generering. De laves samtidig, så fem billeder tager omtrent lige så lang tid som ét — men koster fem gange så meget. |
Outputs
- Billeder (
list[filejson]): De genererede billeder som filer. Vises på noden, når de er klar, og kan downloades eller sendes videre. Outputtet er altid en liste — også når der kun er bedt om ét billede.
Typiske brugsscenarier
- Illustrationer til nyhedsbreve, præsentationer og hjemmesider.
- Variationer af et eksisterende produktfoto (med referencebilleder).
- Visualisering af en idé beskrevet i tekst fra et tidligere trin.
Brug når / Undlad når
Brug når:
- Du har brug for et nyt billede ud fra en beskrivelse.
- Du vil bevare motiv eller stil fra et eller flere referencebilleder.
Undlad når:
- Du skal læse tekst ud af et billede — brug Indlæs dokument.
- Du skal beskrive eller analysere et billede — brug Sprogmodel med billedet vedhæftet.
- Du skal have et præcist diagram af data — brug Tekst til dokument eller JSON til Excel.
Bemærk: Byggeklodsen kræver, at en API-nøgle til billedgenerering er konfigureret på platformen. Genereringen tager typisk 20–90 sekunder, og beskrivelser eller billeder, der rammer indholdsfilteret, afvises. Fejler nogle af billederne i en kørsel med flere, får du dem der lykkedes — outputtet kan altså indeholde færre billeder end du bad om; fejler de alle, fejler byggeklodsen. Resultatet caches (samme beskrivelse, referencebilleder og indstillinger genberegnes ikke), så en ny kørsel giver de SAMME billeder igen; brug "Kør uden cache" for nye variationer.
Flows, der er bygget før denne udgave, kører videre på den tidligere version af byggeklodsen: den genererer altid ét billede i høj kvalitet og har kun formaterne 16:9 og 1:1. Træk en ny Billedgenerering ind på canvasset for at få de nye indstillinger.
Fungerer godt sammen med: Billedgalleri → Billedgenerering (referencebilleder); Sprogmodel → Billedgenerering (lad modellen skrive beskrivelsen).
Anonymiser tekst
Byggeklods-id: anonymize-text
Finder personhenførbare oplysninger (PII) i fritekst ved hjælp af en sprogmodel og erstatter dem med nummererede pladsholdere (PERSON_1, TELEFON_1, CPR_1, ADRESSE_1, FIRMA_1). Samme oplysning får samme pladsholder overalt i teksten, så "Hans Jensen" bliver PERSON_1 hver gang, mens en anden person bliver PERSON_2. Du vælger selv hvilke typer oplysninger der skal anonymiseres — nyttigt til GDPR-arbejde, før tekst deles eller gemmes.
Inputs
| Felt | Type | Beskrivelse |
|---|---|---|
| Tekst | str | Fritekst der skal anonymiseres. Påkrævet — tom tekst giver en fejl. |
| Personnavne | bool | Erstat personnavne med PERSON_1, PERSON_2 osv. Standard: til. |
| Telefonnumre | bool | Erstat telefonnumre med TELEFON_1, TELEFON_2 osv. Standard: til. |
| CPR-numre | bool | Erstat danske CPR-numre/personnumre med CPR_1, CPR_2 osv. Standard: til. |
| Adresser | bool | Erstat adresser med ADRESSE_1, ADRESSE_2 osv. Standard: til. |
| Firmanavne | bool | Erstat firma-/organisationsnavne med FIRMA_1, FIRMA_2 osv. Standard: til. |
| Model | valg | Model til at finde personoplysningerne: glm-5-2, mistral-medium-latest, gpt-5.6-luna eller gpt-5.6-terra. Standard er glm-5-2. (Avanceret) |
Outputs
- Anonymiseret tekst (
str) — den oprindelige tekst med de valgte typer oplysninger erstattet af pladsholdere. Er alle fem typer slået fra, returneres teksten uændret, uden at der foretages et modelkald.
Sådan sker erstatningen: modellen udpeger hver oplysning med dens nøjagtige tekst som den står i dokumentet, og byggeklodsen erstatter derefter alle forekomster af netop den streng (længste først, så et fuldt navn erstattes før et delnavn). Pladsholderne nummereres pr. type i den rækkefølge modellen finder dem. Erstatningen er en almindelig tekstsøgning: en stavevariant eller en anden bøjning af samme navn, som modellen ikke selv har udpeget, bliver stående.
Eksempel:
- Input:
Hans Jensen bor på Vestergade 10 og kan kontaktes på 12345678. - Output:
PERSON_1 bor på ADRESSE_1 og kan kontaktes på TELEFON_1.
Resultatet caches som andre AI-byggeklodser: samme tekst og samme afkrydsninger giver et cachet svar ved næste kørsel.
Hvor behandles teksten?
Modelvalget afgør, hvilken leverandør der behandler teksten. Standarden glm-5-2 behandles hos Mistral AI SAS i Frankrig (EU) — modellen er Z.ai's GLM 5.2, hostet af Mistral, så behandleren og jurisdiktionen er Mistrals, mens modellens ophav ikke er. Den er valgt frem for mistral-medium-latest, fordi den tager 1.048.576 tokens mod 32.768 (en anonymisering får hele dokumenter), er billigere pr. token og målte 0 falske positive. gpt-5.6-luna og gpt-5.6-terra behandles hos OpenAI Ireland Ltd. (EU/EØS) — eller på organisationens egen Azure OpenAI-ressource eller selvhostede LLM-server, hvis den er sat op under Integrationer.
Standarden blev flyttet på en måling, ikke på en præference: begge modeller fandt 162 ud af 162 entiteter (100 % pr. type: personnavne, CPR, adresser, telefonnumre og firmanavne) med 0 falske positive, målt 5. september 2026 på 12 danske sagstekster × 3 gentagelser. Målingen kan gentages på jeres egen tekst med scripts/eval_anonymization_models.py. Det er vigtigt, fordi byggeklodsens output er en redigeringsbeslutning: finder modellen færre oplysninger, slipper persondata igennem, mens kørslen rapporterer success.
Et flow, der allerede bruger anonymize-text@1, kører videre på den gamle udgave med den model, den altid har brugt — først når byggeren skifter byggeklodsen ud, følger flowet den nye standard.
Typiske brugsscenarier
- Fjerne persondata fra borgerhenvendelser, klager eller journalnotater, før teksten sendes videre til en Sprogmodel til opsummering eller klassificering.
- Anonymisere OCR-læste dokumenter (fx fra Indlæs dokument) inden de gemmes eller deles med en bredere kreds.
- Producere GDPR-venlige eksempler og testdata ud fra rigtige sager, hvor navne, adresser og CPR-numre skal væk, men sagsforløbet bevares.
- Slå kun enkelte typer til (fx kun CPR-numre) når personnavne eller firmanavne skal bevares af hensyn til den videre behandling.
Brug når / Undlad når
Brug når:
- Teksten er fritekst med persondata, og du vil have konsistente pladsholdere, der lader resten af flowet referere til "PERSON_1" uden at kende identiteten.
- Du vil styre præcis hvilke kategorier der fjernes via afkrydsningsfelterne.
Undlad når:
- Du skal udtrække oplysningerne til videre brug — brug i stedet Sprogmodel med JSON-skema eller Fil til struktureret data.
- Dataene er strukturerede (JSON, CSV) eller kan renses med faste regler/regex — Python Kode (Logik) giver fuld kontrol og er deterministisk, hvor denne byggeklods bygger på en model og kan overse eller fejlklassificere entiteter.
- Teksten ikke indeholder persondata — byggeklodsen udløser et betalt modelkald hver gang cachen ikke rammer.
Fungerer godt sammen med: Indlæs dokument → Anonymiser tekst; Transkriber → Anonymiser tekst → Sprogmodel.
Udfaset
Følgende byggeklods er udfaset. Den fungerer stadig i eksisterende flows, men brug den ikke i nye.
Udtræk struktureret data
Byggeklods-id: structured-output
Byggeklodsen er udfaset og erstattet af Sprogmodel (language-model), som kan levere struktureret output via sit JSON-skema. Eksisterende flows, der bruger den, kører fortsat, men vælg Sprogmodel til nye flows. Skal du OCR-læse filer først, så brug Fil til struktureret data.
Sender en tekst til en sprogmodel sammen med et JSON-skema og returnerer et JSON-objekt, der følger skemaet. Skemaet håndhæves både af modellen (native struktureret output) og efterfølgende af AgentBase, som validerer svaret mod det oprindelige skema og fejler kørslen, hvis det ikke matcher.
Inputs
| Felt | Type | Beskrivelse |
|---|---|---|
| Indhold | str | Teksten, der skal udtrækkes data fra. Skal være ikke-tom, ellers fejler noden. |
| JSON-skema | str | JSON-skema for det ønskede output. Rodtypen skal være object med et properties-felt. AgentBase normaliserer skemaet før kaldet: additionalProperties sættes til false, alle felter gøres påkrævede, og alle felter gøres samtidig nullable, så modellen kan svare null for oplysninger, der ikke findes i teksten. |
| Model | str | AI-modellen, der bruges til udtrækket. Valg: gpt-5.6-terra, gpt-5.6-luna (standard), mistral-medium-latest, glm-5-2. Ligger under "Avanceret". |
| Aktivér Reasoning | bool | Standard: slået til. Når aktiveret, kører modellen med reasoning effort medium; når slået fra bruges modellens standardadfærd (hurtigere). Ligger under "Avanceret". |
| Instruktion | str | Valgfri ekstra instruktion, der føjes til den faste udtræksinstruktion. Kan kun udfyldes i noden, ikke forbindes via kant. |
Den faste instruktion, der sendes til modellen, er på engelsk og beder om kun at returnere data, der matcher skemaet, og bruge null for oplysninger, der ikke findes.
Outputs
- Udtrukket Data (
dict) — det samlede JSON-objekt, valideret mod skemaet.
På canvasset får hvert felt på skemaets øverste niveau desuden sit eget output-handle, så et enkelt felt kan forbindes direkte til den næste byggeklods.
Resultatet caches: samme indhold, skema, model og instruktion giver samme svar uden nyt modelkald, medmindre flowet køres uden cache.
Typiske brugsscenarier
- Udtrække navn, adresse og telefonnummer fra en fritekst-henvendelse.
- Parse fakturaer eller kvitteringer til beløb, dato og linjeposter (liste af objekter).
- Trække nøgletal ud af en rapport eller et OCR-læst dokument til videre beregning.
- Omsætte ustrukturerede sagsbeskrivelser til faste felter, der kan skrives til et fagsystem.
Brug når / Undlad når
- Brug når du vedligeholder et eksisterende flow, der allerede anvender byggeklodsen, og blot skal justere skema eller instruktion.
- Undlad når du bygger et nyt flow — brug Sprogmodel med et JSON-skema i stedet, da den er den vedligeholdte afløser.
- Undlad når inputtet allerede er JSON (brug JSON Udtræk), værdierne er kendte og blot skal samles (brug Kombiner), eller parsingen skal være deterministisk, fx CSV/XML (brug Python Kode). JSON Udtræk og Kombiner findes under Data, Python Kode under Logik. Skal der genereres eller omskrives fritekst, er Sprogmodel det rigtige valg.
Fungerer godt sammen med: Indlæs dokument → Udtræk struktureret data (i nye flows: brug Fil til struktureret data eller Sprogmodel med skema).
Typiske kæder
AI-byggeklodserne sættes typisk sammen sådan her:
- Dokument → indsigt: Indlæs dokument → Sprogmodel (opsummér eller analysér OCR-teksten).
- Dokument → data: Fil til struktureret data (OCR + udtræk i ét) → Data-/regnearks-byggeklodser.
- Bunke → sorteret og udtrukket: Sortér dokumenter → Løkke Start → Sprogmodel pr. kategori.
- Lyd → resumé: Transkriber → Anonymiser tekst → Sprogmodel.
Flere mønstre på tværs af kategorier findes under Sammenhænge mellem byggeklodser.
Relaterede sider
- Oversigt over alle byggeklodser — hele kataloget på tværs af kategorier.
- Input-byggeklodser — upload af filer og lyd, der fødes ind i AI-trinnene.
- Data-byggeklodser — hent filer og felter ind i AI-trinnene og skriv resultaterne til regneark.
- Logik-byggeklodser — løkker og Python Kode til at behandle AI-output post for post.
- Output-byggeklodser — aflever svar og strukturerede data som fil, e-mail eller download.
- Sammenhænge mellem byggeklodser — hvilke byggeklodser der typisk kædes sammen.
- Apps — publicér flows, som Sprogmodel kan kalde som funktioner.