Flock : orchestration de flux de travail low-code pour la construction rapide de chatbots

Introduction générale

Flock est une plateforme open source de workflow low-code hébergée sur GitHub et développée par l'équipe Onelevenvy. Elle est basée sur LangChain et LangGraph Flock est une technologie qui aide les utilisateurs à créer rapidement des chatbots, des applications de génération augmentée de recherche (RAG) et à coordonner des équipes multi-agents. Flock permet aux utilisateurs qui ne savent pas programmer de créer facilement des applications intelligentes grâce à une conception flexible du flux de travail. Il prend en charge des fonctions de nœuds riches telles que la logique conditionnelle, l'exécution de code et le dialogue multimodal, et s'applique largement à l'automatisation des entreprises, au traitement des données et à d'autres scénarios. Le projet utilise des technologies frontales telles que React et Next.js, et le back-end repose sur PostgreSQL, ce qui rend la pile technologique moderne et facile à étendre. Actuellement, Flock est soutenu par une communauté active sur GitHub et est très populaire parmi les développeurs.

Liste des fonctions

• Orchestration du flux de travail: : Concevoir des flux de travail complexes en glissant et déposant des nœuds pour favoriser la collaboration et l'exécution de tâches par des agents multiples.
• Construction d'un chatbotLes chatbots : Créez rapidement des chatbots qui prennent en charge les interactions en langage naturel et qui peuvent gérer les entrées de texte et d'images.
• Soutien à l'application RAGLes services de recherche : Intégrer la génération de l'amélioration de la recherche pour extraire des informations des documents et générer des réponses.
• contrôle logique conditionnelLes nœuds If-Else permettent d'ajuster le flux de manière dynamique en fonction des données fournies.
• Capacité d'exécution du codeLe nœud de script Python intégré permet d'effectuer le traitement des données ou de mettre en œuvre une logique personnalisée.
• interaction multimodaleLes données multimodales, telles que les images, sont prises en charge afin d'améliorer la flexibilité du dialogue.
• Encapsulation de sous-flux de travail: : Améliorer l'efficacité du développement en réutilisant des processus complexes par le biais de nœuds de sous-graphes.
• Nœuds d'intervention humainePermettre l'examen manuel des résultats du LLM ou de l'appel d'outil.
• Reconnaissance des intentionsLe projet a été lancé par le ministère de l'Agriculture et de l'Agroalimentaire : Reconnaissance automatique de l'intention de l'utilisateur et routage multi-catégories.

Utiliser l'aide

Processus d'installation

Flock est un outil de déploiement local basé sur Docker qui nécessite certaines configurations d'environnement pour fonctionner. Voici les étapes détaillées de l'installation pour vous assurer de bien démarrer.

1. préparer l'environnement

• Installation de DockerLes utilisateurs de Windows/Mac peuvent le télécharger depuis le site officiel de Docker, les utilisateurs de Linux exécutent la commande suivante :

  sudo apt update && sudo apt install docker.io
  sudo systemctl start docker

• Installation de GitGit : est utilisé pour cloner le dépôt, veuillez vous référer au site web de Git pour la méthode d'installation.
• Vérification de PythonPour la génération de clés, assurez-vous que votre système dispose de Python 3.8+ :

  python --version
  

2. clonage de projets

Ouvrez un terminal et exécutez la commande suivante pour obtenir le code source de Flock :

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

3. configuration des variables d'environnement

Copiez le fichier de configuration de l'exemple et modifiez-le :

cp ../.env.example .env

spectacle (un billet) .env modifier la valeur par défaut de changethis Remplacez la clé par une clé sécurisée. Générez la clé à l'aide de la commande suivante :

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

Remplir les résultats générés dans le .env par exemple :

SECRET_KEY=your_generated_key_here

4) Activation des services

Démarrez Flock en utilisant Docker Compose :

docker compose up -d

Si vous devez construire l'image localement, exécutez-la d'abord :

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

Après un démarrage réussi, Flock s'exécute par défaut dans l'environnement http://localhost:3000.

Utilisation

Une fois l'installation terminée, vous pouvez accéder à Flock via votre navigateur et commencer à utiliser ses fonctionnalités. Vous trouverez ci-dessous des instructions détaillées sur l'utilisation des principales fonctionnalités.

Fonctionnalité 1 : Créer un chatbot

1. Accès à l'établi: Ouvrez votre navigateur et tapez http://localhost:3000L'écran de connexion (l'enregistrement peut être nécessaire pour les premiers utilisateurs).
2. Nouveau flux de travailCliquez sur "Nouveau projet" et sélectionnez "Chatbot Template".
3. Ajouter un nœud:
   • Faites glisser le nœud d'entrée pour recevoir les messages de l'utilisateur.
   • Connectez des "nœuds LLM" pour traiter le langage naturel et lier vos modèles (par exemple, l'API OpenAI configurée via LangChain).
   • Ajouter un "nœud de sortie" pour renvoyer les résultats.
4. modèle de configurationPour cela, il faut remplir la clé API et les paramètres du modèle dans les paramètres du nœud LLM.
5. test de fonctionnementLe bot peut alors répondre à la question suivante : cliquez sur le bouton "Exécuter" et tapez "Bonjour, quel temps fait-il aujourd'hui ?". Voir la réponse du robot.

Fonction 2 : Construire une application RAG

1. Préparer le documentTélécharger le document à récupérer (par exemple, un PDF) dans le répertoire de travail.
2. processus de conception:
   • Ajoutez un nœud d'entrée de fichier pour spécifier le chemin d'accès au document.
   • Connectez le nœud RAG et configurez les paramètres de recherche (par exemple, la base de données vectorielle).
   • Lien vers "LLM Node" pour générer une réponse.
3. test opérationnel: : Saisissez des questions telles que "Quels sont les mots-clés les plus mentionnés dans le document ?" Voir les résultats.
4. optimisation: : Ajustez la plage de recherche ou les paramètres du modèle afin d'améliorer la précision de la réponse.

Fonctionnalité 3 : Collaboration multi-agents

1. Créer une équipe: : Ajouter plusieurs rôles d'agent (par exemple, "Data Analyst" et "Customer Service") dans "Agent Management".
2. faire fonctionner qqch.:
   • Définir les tâches de chaque agent (par exemple, analyser des données, répondre aux utilisateurs) à l'aide de "nœuds de flux de travail".
   • Ajouter un "nœud de collaboration" pour coordonner la communication entre les agents.
3. exemple de fonctionnement: : Saisissez la tâche "Analyser les données de vente et générer un rapport" et observez les agents qui collaborent pour la mener à bien.

Fonction 4 : Logique conditionnelle et exécution du code

1. Ajout du nœud If-Else:
   • Faites glisser le nœud If-Else et définissez la condition (par exemple, "Input contains 'Sales'").
   • Relier différentes branches, par exemple "Oui" à "Analyse des données", "Non" à "Inviter à la réinscription". à "Inviter à la ressaisie".
2. Insérer un nœud de code:
   • Ajoutez un "nœud Python" et entrez le script :

     def process_data(input):
     return sum(map(int, input.split(',')))
     

   • Utilisé pour calculer la somme des nombres saisis.
3. test (machines, etc.)Le résultat est "6" : entrez "1,2,3" pour vérifier que le résultat est "6".

Fonction 5 : Intervention humaine

1. Ajout de nœuds manuels: : Insertion d'un "nœud d'intervention manuelle" dans le flux de travail.
2. Révision de la configurationLe programme d'audit de la sortie LLM est défini, sauvegardé et exécuté.
3. gréement: le système se met en pause et demande une intervention manuelle ; entrez les modifications et continuez.

mise en garde

• exigences en matière de réseauPour ce faire, vous devez vous assurer que le réseau Docker est ouvert et configurer un proxy si vous utilisez une API de modèle externe.
• l'optimisation des performancesIl est recommandé d'allouer au moins 4 Go de mémoire à Docker pour l'exécution locale.
• Vue du journalEn cas de problème, lancez docker logs <container_id> Vérifier s'il y a des erreurs.

Avec ces étapes, vous pouvez utiliser Flock pour construire des chatbots, collaborer avec plusieurs agents, et profiter pleinement de son code bas !