Fluxo de trabalho de orientação ambulatorial autônomo (chatflow) na Dify

Observação: este artigo usa o Dify v0.7.2.

Esse fluxo de bate-papo mostra como criar um chatbot para orientação ambulatorial que pode coletar dados do paciente por meio de diálogo na Web ou por voz. Em termos simples, isso significa que o paciente recebe uma recomendação para um departamento com base nas informações do paciente (idade, sexo e sintomas).

I. Pensamento de fluxo de trabalho

1. captura de tela do fluxo de trabalho

Captura de tela do fluxo de trabalho completo da orientação ambulatorial, mostrada abaixo:

2. pseudofluxograma do fluxo de trabalho

O objetivo do fluxo de trabalho de orientação ambulatorial é recomendar um departamento a um paciente com base na entrada de idade, gênero e sintomas do paciente. Na primeira rodada de diálogo, como o paciente pode inserir todas as informações ou parte delas de uma só vez, o nó "Parameter Extractor" é usado para extrair o gênero, o sintoma e a idade da primeira entrada do paciente. A variável de diálogo is_first_message é definida como 0 pelo nó "Variable Assignment" (Atribuição de variável).

3. problemas 1

Durante as rodadas subsequentes de diálogo, apenas um tipo de informação de campo é reconhecido por vez, embora o paciente possa fornecer vários campos, com os campos reconhecidos na ordem de idade, sexo e sintomas.

4. problemas 2

Se um departamento já tiver sido recomendado com base nas informações do paciente, a inserção de qualquer informação novamente recomendará o último departamento. Como o campo de departamento não está vazio, o processo de resposta direta é seguido.

II. Variáveis da sessão

A variável de sessão é usada para armazenar informações contextuais necessárias ao LLM, como preferências do usuário, histórico de diálogos etc. Ela é de leitura e gravação. As variáveis de sessão são orientadas para cenários de diálogo de várias rodadas, portanto, as variáveis de sessão só estão disponíveis para aplicativos do tipo Chatflow (Chat Assistant -> Workflow Orchestration).

1.variável de sessãotipo de dados

(1) Cordas

(2) Número

(3) Objeto

(4) Array[string] array de strings

(5) Array[number] Array de números

(6) Array[object] Array de objetos

2.variável de sessãocaracterização

(1) As variáveis de sessão podem ser referenciadas globalmente na maioria dos nós;

(2) A gravação de variáveis de sessão requer o uso da funçãoatribuição de variáveisNós;

(3) As variáveis de sessão são de leitura e gravação.

3. variáveis de sessão definidas nesse fluxo de trabalho

As cinco variáveis de sessão definidas para esse fluxo de trabalho são: se é a primeira rodada de diálogo, idade, gênero, sintomas e departamento.

III. Interfaces relacionadas ao fluxo de trabalho

1. obter a interface para o fluxo de trabalho

(1) Localização do código-fonte

• Localização do código-fonte: dedify-0.7.2\api\controllers\console\app\workflow.py
• Localização do código-fonte: dedify-0.7.2\api\services\workflow_service.py

(2) Obtenção de operações de fluxo de trabalho

http://localhost:5001/console/api/apps/3c309371-54f6-4bfb-894a-4193b189ffa5/workflows/draft. onde rascunho, como rascunho, indica depuração na página de fluxo de trabalho.

(3) Aquisição de implementações de fluxo de trabalho

O fluxo de trabalho armazena um registro na tabela de dados de fluxos de trabalho. A versão agora é rascunho e toda vez que um fluxo de trabalho é publicado, um registro é inserido nessa tabela. Como mostrado abaixo:

(4) Estrutura de dados do fluxo de trabalho

A estrutura de dados do fluxo de trabalho retornada pela interface é mostrada abaixo:

class Workflow(db.Model).
__tablename__ = 'workflows'
__table_args__ = (
db.PrimaryKeyConstraint('id', name='workflow_pkey'),
db.Index('workflow_version_idx', 'tenant_id', 'app_id', 'version'),
)
id: Mapped[str] = db.Column(StringUUID, server_default=db.text('uuid_generate_v4()'))
tenant_id: Mapped[str] = db.Column(StringUUID, nullable=False)
app_id: Mapped[str] = db.Column(StringUUID, nullable=False)
type: Mapped[str] = db.Column(db.String(255), nullable=False)
version: Mapped[str] = db.Column(db.String(255), nullable=False)
graph: Mapped[str] = db.Column(db.Text)
recursos: Mapped[str] = db.Column(db.Text)
created_by: Mapped[str] = db.Column(StringUUID, nullable=False)
created_at: Mapped[datetime] = db.Column(db.DateTime, nullable=False, server_default=db.text('CURRENT_TIMESTAMP(0)'))
updated_by: Mapped[str] = db.Column(StringUUID)
updated_at: Mapped[datetime] = db.Column(db.DateTime)
_environment_variables: Mapped[str] = db.Column('environment_variables', db.Text, nullable=False, server_default='{}')
_conversation_variables: Mapped[str] = db.Column('conversation_variables', db.Text, nullable=False, server_default='{}')

2. atualizar as interfaces de fluxo de trabalho

(1) Localização do código-fonte

• Localização da fonte: dedify-0.7.2\web\app\componentes\workflow\hooks\use-nodes-sync-draft.ts
• Localização do código-fonte: dedify-0.7.2\web\service\workflow.ts

(2) Atualizar as operações de fluxo de trabalho

http://localhost:5001/console/api/apps/3c309371-54f6-4bfb-894a-4193b189ffa5/workflows/draft.

(3) Atualizar o código de front-end do fluxo de trabalho

Devido à estrutura React Flow usada no front-end do fluxo de trabalho do Dify, especula-se que as operações POST, como adicionar, excluir e alterar, podem ser executadas quando o fluxo de trabalho é alterado. Por meio dos registros no Console do back-end, verificou-se que a chamada para a funçãoworkflows/draft?_token=::

aprovar (um projeto de lei ou inspeção etc.)workflows/draft?_token=Ao pesquisar o código de front-end, encontrei apenas um local para usá-lo, que deve ser aqui.

Como a operação POST é executada, deve haver um parâmetro Payload, certo, e o parâmetro de fluxo de trabalho é encontrado nesse arquivo.

Quando a dependênciagetPostParamsQuando ocorre uma alteração, ela é executada de forma assíncronasyncWorkflowDraft(postParams).

(indica relação causal)syncWorkflowDraft(postParams)A chamada real é POST, conforme mostrado abaixo:

(4) Resumo das funções de fluxo de trabalho

direitodify-0.7.2\web\service\workflow.tsAs funções estão resumidas a seguir:

3. implementação do fluxo de trabalho

Referência aoImplementação do processo de operações de criação, atualização, execução e exclusão do ChatflowA seção "Implementação do Chatflow" em [6].

4. publicação do fluxo de trabalho

(1) Localização do código-fonte

• Localização do código-fonte: dedify-0.7.2\api\controllers\console\app\workflow.py
• Localização do código-fonte: dedify-0.7.2\api\services\workflow_service.py
• Local de origem: dedify-0.7.2\api\events\event_handlers\update_app_dataset_join_when_app_published_workflow_updated.py

(2) Interface de publicação do fluxo de trabalho

Isso é executado quando você clica em Publicar fluxo de trabalhohttp://localhost:5001/console/api/apps/3c309371-54f6-4bfb-894a-4193b189ffa5/workflows/publishInterface.

Ele consiste principalmente na criação de um novo fluxo de trabalho e no acionamento do evento de fluxo de trabalho do aplicativo. Como mostrado abaixo:

(3) Criação de um novo registro de fluxo de trabalho

Isso consiste principalmente na criação de um novo registro de fluxo de trabalho em que o conteúdo do campo de versão é 2024-09-07 09:11:25.894535. indicando que o fluxo de trabalho foi publicado, e não rascunho (o fluxo de trabalho não foi publicado e ainda está sendo depurado na tela de fluxo de trabalho). Como mostrado abaixo:

(4) Implementação do evento app_published_workflow_was_updated

@app_published_workflow_was_updated.connect
def handle(sender, **kwargs):
app = remetente
fluxo de trabalho_publicado = kwargs.get("fluxo de trabalho_publicado")
fluxo_de_trabalho_publicado = cast(fluxo_de_trabalho, fluxo_de_trabalho_publicado)
dataset_ids = get_dataset_ids_from_workflow(published_workflow) # Obter ID do conjunto de dados do fluxo de trabalho
app_dataset_joins = db.session.query(AppDatasetJoin).filter(AppDatasetJoin.app_id == app.id).all() # Obter associações de conjuntos de dados de aplicativos
removed_dataset_ids = [] # Use para armazenar IDs de conjuntos de dados removidos
if not app_dataset_joins: # Se não houver associações de conjuntos de dados de aplicativos
added_dataset_ids = dataset_ids # Adicionar IDs de conjuntos de dados
else: # Se houver uma associação de conjunto de dados do aplicativo
old_dataset_ids = set() # para armazenar IDs de conjuntos de dados antigos
for app_dataset_join in app_dataset_joins: # Iterar sobre as associações de conjuntos de dados do aplicativo
old_dataset_ids.add(app_dataset_join.dataset_id) # Adicionar IDs de conjuntos de dados
added_dataset_ids = dataset_ids - old_dataset_ids # Adicionar IDs de conjuntos de dados
removed_dataset_ids = old_dataset_ids - dataset_ids # Remover IDs do conjunto de dados
if removed_dataset_ids: # Se houver um ID de conjunto de dados removido
for dataset_id in removed_dataset_ids: # Iterar sobre os IDs de conjuntos de dados removidos
db.session.query(AppDatasetJoin).filter(
AppDatasetJoin.app_id == app.id, AppDatasetJoin.dataset_id == dataset_id
).delete() # Excluir a associação do conjunto de dados do aplicativo
if added_dataset_ids: # Se houver IDs de conjuntos de dados adicionados
for dataset_id in added_dataset_ids: # Iterar sobre os IDs dos conjuntos de dados adicionados
app_dataset_join = AppDatasetJoin(app_id=app.id, dataset_id=dataset_id) # Criando a associação do conjunto de dados do aplicativo
db.session.add(app_dataset_join) # Adicionar uma associação de conjunto de dados do aplicativo
db.session.commit() # Confirmar a transação

A função desse código é lidar com o app_published_workflow_was_updated Sinal para atualizar o relacionamento de associação entre um aplicativo e um conjunto de dados quando o fluxo de trabalho publicado para esse aplicativo for atualizado. As etapas específicas são as seguintes:

• Obter o objeto do aplicativo que envia o sinal aplicativo e objetos de fluxo de trabalho atualizados fluxo de trabalho publicado.
• invocações get_dataset_ids_from_workflow função que extrai a coleção de IDs de conjunto de dados do fluxo de trabalho atualizado dataset_ids.
• Consultar o banco de dados para obter todas as informações do aplicativo atual AppDatasetJoin Registros.
• Calcula os IDs do conjunto de dados a serem adicionados e excluídos:
  • Se não houver nenhum AppDatasetJoin todos os IDs de conjuntos de dados extraídos precisam ser adicionados.
  • Caso contrário, calcule os IDs do conjunto de dados a serem adicionados e excluídos.
• Eliminação da necessidade de remover AppDatasetJoin Registros.
• Adicionar novo AppDatasetJoin Registros.
• Enviar uma transação de banco de dados.

(5) Função da tabela AppDatasetJoin

A tabela AppDatasetJoin serve para manter um relacionamento de muitos para muitos entre um aplicativo (App) e um conjunto de dados (Dataset). Cada registro representa a associação de um aplicativo com um conjunto de dados. Os campos específicos são os seguintes:

• id: chave primária, identifica de forma exclusiva um registro.
• app_id: o identificador exclusivo do aplicativo.
• dataset_id: Identificador exclusivo do conjunto de dados.
• created_at: o registro de data e hora da criação do registro.
• Com essa tabela, é possível consultar quais conjuntos de dados estão associados a um determinado aplicativo ou a quais aplicativos um determinado conjunto de dados está associado.

(6) Implementação de get_dataset_ids_from_workflow()

def get_dataset_ids_from_workflow(published_workflow: Workflow) -> set: # Obter IDs de conjunto de dados do fluxo de trabalho
dataset_ids = set() # Usado para armazenar IDs de conjuntos de dados
graph = published_workflow.graph_dict # Obter o gráfico do fluxo de trabalho
if not graph: # Se não houver gráfico
return dataset_ids # return empty set
nodes = graph.get("nodes", []) # buscar os nós no gráfico
# buscar todos os nós de recuperação de conhecimento # buscar todos os nós de recuperação de conhecimento
knowledge_retrieval_nodes = [
node for node in nodes if node.get("data", {}).get("type") == NodeType.KNOWLEDGE_RETRIEVAL.value
] # Obter todos os nós de recuperação de conhecimento
if not knowledge_retrieval_nodes: # Se não houver nós de recuperação de conhecimento
return dataset_ids # Retorna o conjunto vazio.
for node in knowledge_retrieval_nodes: # Iterar sobre os nós de recuperação de conhecimento
try: node_data = Knowledge_retrieval_nodes.
node_data = KnowledgeRetrievalNodeData(**node.get("data", {})) # obter dados do nó
dataset_ids.update(node_data.dataset_ids) # Atualizar IDs do conjunto de dados
except Exception as e: # se ocorrer uma exceção
continuar
return dataset_ids

A principal função da função get_dataset_ids_from_workflow é extrair os IDs de conjuntos de dados relevantes de todos os nós de recuperação de conhecimento de um determinado objeto de fluxo de trabalho:

• Inicialize uma coleção dataset_ids vazia para armazenar IDs de conjuntos de dados.
• Obtém a estrutura do gráfico do fluxo de trabalho.
• Retorna a coleção dataset_ids vazia se a estrutura do gráfico estiver vazia.
• Obtém todos os nós do gráfico.
• Filtrar todos os nós do tipo KNOWLEDGE_RETRIEVAL knowledge_retrieval knowledge_retrieval_nodes.
• Iterar sobre esses nós de recuperação de conhecimento, extrair seus IDs de conjunto de dados e atualizá-los na coleção dataset_ids.
• Retorna uma coleção de todos os IDs de conjuntos de dados extraídos.

5. outras interfaces de fluxo de trabalho

Essa parte da interface não será elaborada, pois a API de aplicativo de conversação de orquestração de fluxo de trabalho foi descrita com muita clareza.

bibliografia

[1] Variáveis de sessão: https://docs.dify.ai/v/zh-hans/guides/workflow/variables

[2] Atribuição de variável: https://docs.dify.ai/v/zh-hans/guides/workflow/node/variable-assignment

[3] Agregação de variáveis: https://docs.dify.ai/v/zh-hans/guides/workflow/node/variable-assigner

[4] Reagir Site em chinês do Flow: https://reactflow-cn.js.org/

[5] Site em inglês do React Flow: https://reactflow.dev/

[6] Implementação do processo das operações de criação, atualização, execução e exclusão do Chatflow: https://z0yrmerhgi8.feishu.cn/wiki/FFzxwdF4PijlhjkLUoecOv6Vn8a

O guia do leigo para começar a usar a IA

Ajuda você a aprender a utilizar as ferramentas de IA com baixo custo e a partir de uma base zero.A IA, assim como o software de escritório, é uma habilidade essencial para todos. Dominar a IA lhe dará uma vantagem em sua busca de emprego e metade do esforço em seu trabalho e estudos futuros.

Ver detalhes>