FlowiseAI：构建自定义LLM应用的节点拖放界面

综合介绍

FlowiseAI 是一个开源的低代码工具，旨在帮助开发者构建自定义的LLM（大语言模型）应用和AI代理。通过简单的拖放界面，用户可以快速创建和迭代LLM应用，从测试到生产的过程变得更加高效。FlowiseAI 提供了丰富的模板和集成选项，使得开发者能够轻松实现复杂的逻辑和条件设置，适用于各种应用场景。

功能列表

• 拖放界面：通过简单的拖放操作构建自定义LLM流。
• 模板支持：内置多种模板，快速开始构建应用。
• 集成选项：支持与LangChain和GPT等工具的集成。
• 用户认证：支持用户名和密码认证，确保应用安全。
• Docker支持：提供Docker镜像，方便部署和管理。
• 开发者友好：支持多种开发环境和工具，便于二次开发。
• 文档丰富：提供详细的文档和教程，帮助用户快速上手。

使用帮助

安装流程

1. 下载并安装NodeJS：确保NodeJS版本>=18.15.0。
2. 安装Flowise：

   npm install -g flowise

3. 启动Flowise：

   npx flowise start

如果需要用户名和密码认证，可以使用以下命令：

   npx flowise start --FLOWISE_USERNAME=user --FLOWISE_PASSWORD=1234

4. 访问应用：在浏览器中打开http://localhost:3000。

使用流程

1. 创建新项目：在Flowise界面中，点击“新建项目”按钮，输入项目名称并选择模板。
2. 拖放组件：从左侧工具栏中拖放所需的组件到工作区，配置组件属性。
3. 连接组件：通过拖动连接线，将组件连接起来，形成完整的流程。
4. 测试应用：点击“运行”按钮，测试应用的功能和效果。
5. 部署应用：完成测试后，可以将应用部署到生产环境，使用Docker镜像进行管理和维护。

特色功能操作

• 集成LangChain：在组件配置中，选择LangChain集成选项，输入相关参数，即可实现与LangChain的无缝对接。
• 用户认证：在.env文件中添加FLOWISE_USERNAME和FLOWISE_PASSWORD变量，启动应用时将自动启用用户认证功能。
• 使用模板：在新建项目时选择合适的模板，可以快速搭建常见应用，如PDF问答、Excel数据处理等。

常见问题

• 内存不足：如果在构建过程中遇到内存不足的问题，可以增加Node.js的堆内存大小：

  export NODE_OPTIONS="--max-old-space-size=4096"
pnpm build

• Docker部署：使用以下命令构建和运行Docker镜像：

  docker build --no-cache -t flowise .
docker run -d --name flowise -p 3000:3000 flowise

通过以上步骤，用户可以快速上手使用FlowiseAI，构建和部署自定义的LLM应用，提升开发效率和应用性能。

案例：使用 FlowiseAI 构建一个新闻自动撰写系统

Flowise 多工作流示意图

Flowise 配置流程

1. 我们使用Flowise构建一个新闻自动撰写系统，首先我们在Flowise的agentflows中创建一个新的代理，命名为"新闻自动撰写系统"，如下图：

2. 我们在界面上依次拖入一个Supervisor，和3个Worker，并将它们命名及连接起来，如下图：

3. 设置每个代理的提示词：

# Supervisor

你是一个Supervisor，负责管理以下工作者之间的交流：`{team_members}`。

## 任务流程

1. **发送任务给worker1** 
指示worker1搜索最新的新闻。

2. **等待worker1返回结果** 
将worker1返回的最新新闻内容传递给worker2。

3. **等待worker2完成任务** 
指示worker2将新闻编写成文章后，将文章内容传递给worker3。

4. **确认任务完成** 
确保worker3成功保存文章后，通知任务完成。

## 注意事项

- 始终以准确、协调的方式调度任务。
- 确保每一步都完整且无遗漏。

# worker1

你是一个新闻搜索引擎，负责为调用者提供最新的新闻信息。以下是你的具体任务要求：

1. **搜索最新的 10 条新闻**：基于接收到的请求，查找符合条件的最新新闻内容。
2. **提取关键信息**：从搜索到的新闻中，提取以下信息：
- **标题**：新闻的标题
- **摘要**：新闻内容的简短概述
- **来源**：新闻链接
- **核心点**：新闻的核心要点或主要信息
3. **返回清晰结构化信息**：将上述信息以清晰的格式返回给调用者。

### 输出示例：

- **标题**: [新闻标题] 
- **摘要**: [新闻摘要] 
- **来源**: [新闻链接] 
- **核心点**: [新闻核心点]

### 注意事项：

- **时效性**：确保提供的新闻是最新的。 
- **准确性**：确保提取的信息准确无误。

# worker2

### 任务描述
1. **根据提供的新闻标题、摘要和内容来源，编写一篇完整且流畅的文章**：确保文章逻辑清晰，紧扣提供的信息，表达自然。
2. **语言要求**：简洁明了，避免冗长的表述，做到言之有物。
3. **格式要求**：
- 标题单独成行，醒目突出。
- 正文分段合理，层次分明，方便阅读。

### 输出示例
以下为文章的基本结构和示例格式：

```markdown
# 新闻标题（居中或单独一行）

正文内容第一段：开篇引出新闻主题，点明事件的背景或核心内容。

正文内容第二段：详细描述新闻的主要内容，补充必要细节，使内容更加充实。

正文内容第三段：分析或评论新闻事件的意义、可能的影响或下一步发展。

正文内容第四段（可选）：总结全文，呼应开头，给读者留下深刻印象。

# worker3

你的任务是：

1. 接收完整的文章内容，包括标题和正文。
2. 根据标题为文件命名，确保文件名简洁且有意义（例如：使用标题的前几个词并去除特殊字符）。
3. 将文件保存为TXT格式到指定的电脑路径。
4. 返回保存的文件路径和成功状态给调用者。例如：
- 文件路径: [保存路径]
- 状态: 保存成功

4. 设置Supervisor的Tool Calling Chat Model 和 Agent Memory，请根据自己实际情况，选择合适的大模型，如下图：

5. 为worker1选择合适的搜索工具，请根据自己的环境选择，如下图：

6. 为worker3选择合适的文件保存工具，如下图：

7. 最终整体配置如下图：

8. 配置完成后，我们点开右上角的对话框，输入关键词"大模型"，如下图：

我们看到worker依次执行，完成了我们配置的任务。

9. 点击右上角的代码图标，我们就可以看到如何调用此系统的API，如下图：