Flock：低代码工作流编排快速构建聊天机器人-首席AI分享圈

🚀邀请体验：中国首家 AI IDE 智能编程软件 Trae 中文版下载，不限量使用 DeepSeek-R1 和 Doubao-pro!

综合介绍

Flock 是一个开源的工作流低代码平台，托管在 GitHub 上，由 Onelevenvy 团队开发。它基于 LangChain 和 LangGraph 技术，专注于帮助用户快速搭建聊天机器人、检索增强生成（RAG）应用以及协调多代理团队。Flock 通过灵活的工作流设计，让不擅长编程的用户也能轻松创建智能应用。它支持丰富的节点功能，例如条件逻辑、代码执行和多模态对话，广泛适用于业务自动化、数据处理等场景。项目采用 React、Next.js 等前端技术，后端依托 PostgreSQL，技术栈现代化且易于扩展。目前，Flock 在 GitHub 上已有活跃社区支持，深受开发者欢迎。

Flock：低代码工作流编排快速构建聊天机器人-1

功能列表

工作流编排: 通过拖拽节点设计复杂的工作流，支持多代理协作和任务分配。
聊天机器人构建: 快速创建支持自然语言交互的聊天机器人，可处理文本和图像输入。
RAG 应用支持: 集成检索增强生成功能，从文档中提取信息并生成回答。
条件逻辑控制: 使用 If-Else 节点实现分支逻辑，根据输入动态调整流程。
代码执行能力: 内置 Python 脚本节点，可执行数据处理或自定义逻辑。
多模态交互: 支持图像等多模态输入，提升对话灵活性。
子工作流封装: 通过子图节点复用复杂流程，提高开发效率。
人工介入节点: 允许人工审核 LLM 输出或工具调用结果。
意图识别: 自动识别用户输入意图并进行多分类路由。

使用帮助

安装流程

Flock 是一个基于 Docker 的本地部署工具，需要一定的环境配置才能运行。以下是详细的安装步骤，确保你能顺利上手。

1. 准备环境

安装 Docker: 在你的操作系统上安装 Docker，Windows/Mac 用户可从 Docker 官网下载，Linux 用户运行以下命令：
```
sudo apt update && sudo apt install docker.io
sudo systemctl start docker
```

安装 Git: 用于克隆仓库，安装方法可参考 Git 官网。
检查 Python: 确保系统有 Python 3.8+，用于生成密钥：
```
python --version
```

2. 克隆项目

打开终端，运行以下命令获取 Flock 源码：

git clone https://github.com/Onelevenvy/flock.git
cd flock/docker

3. 配置环境变量

复制示例配置文件并修改：

cp ../.env.example .env

打开 .env 文件，将默认值 changethis 替换为安全的密钥。用以下命令生成密钥：

python -c "import secrets; print(secrets.token_urlsafe(32))"

将生成的结果填入 .env 文件中，例如：

SECRET_KEY=your_generated_key_here

4. 启动服务

使用 Docker Compose 启动 Flock：

docker compose up -d

若需要本地构建镜像，先运行：

docker compose -f docker-compose.localbuild.yml build
docker compose -f docker-compose.localbuild.yml up -d

启动成功后，Flock 默认运行在 http://localhost:3000。

使用方法

安装完成后，你可以通过浏览器访问 Flock 并开始使用其功能。以下是主要功能的详细操作说明。

功能 1: 创建聊天机器人

进入工作台: 打开浏览器，输入 http://localhost:3000，登录界面（首次使用可能需注册）。
新建工作流: 点击“新建项目”，选择“聊天机器人模板”。
添加节点:
- 拖入“输入节点”接收用户消息。
- 连接“LLM 节点”处理自然语言，绑定你的模型（如通过 LangChain 配置的 OpenAI API）。
- 添加“输出节点”返回结果。
配置模型: 在“LLM 节点”设置中填写 API 密钥和模型参数。
测试运行: 点击“运行”按钮，输入“你好，今天天气如何？”查看机器人回复。

功能 2: 搭建 RAG 应用

准备文档: 将需要检索的文档（如 PDF）上传至工作目录。
设计流程:
- 添加“文件输入节点”，指定文档路径。
- 连接“RAG 节点”，配置检索参数（例如向量数据库）。
- 链接“LLM 节点”生成回答。
运行测试: 输入问题如“文件里提到最多的关键词是什么？”查看结果。
优化: 调整检索范围或模型参数，提升回答精准度。

功能 3: 多代理协作

创建团队: 在“代理管理”中添加多个代理角色（如“数据分析师”“客服”）。
分配任务:
- 用“工作流节点”定义每个代理的任务（如分析数据、回复用户）。
- 添加“协作节点”协调代理间通信。
运行实例: 输入任务“分析销售数据并生成报告”，观察代理协作完成。

功能 4: 条件逻辑与代码执行

添加 If-Else 节点:
- 拖入“If-Else 节点”，设置条件（如“输入包含‘销售’”）。
- 连接不同分支，例如“是”指向“数据分析”，“否”指向“提示重新输入”。
插入代码节点:
- 添加“Python 节点”，输入脚本：
```
def process_data(input):
return sum(map(int, input.split(',')))
```
- 用于计算输入数字之和。
测试: 输入“1,2,3”验证结果是否为“6”。