Flock: orquestração de fluxo de trabalho com pouco código para criar chatbots rapidamente

Introdução geral

O Flock é uma plataforma de código baixo de fluxo de trabalho de código aberto hospedada no GitHub e desenvolvida pela equipe da Onelevenvy. Ela é baseada em LangChain e LangGraph O Flock é uma tecnologia focada em ajudar os usuários a criar rapidamente chatbots, aplicativos de geração aumentada de recuperação (RAG) e coordenar equipes multiagentes. O Flock facilita a criação de aplicativos inteligentes para usuários que não são bons em programação por meio de um design de fluxo de trabalho flexível. Ele oferece suporte a recursos avançados de nós, como lógica condicional, execução de código e diálogo multimodal, e é amplamente aplicável à automação comercial, ao processamento de dados e a outros cenários. O projeto usa tecnologias de front-end, como React e Next.js, e o back-end depende do PostgreSQL, o que torna a pilha de tecnologia moderna e fácil de ampliar. Atualmente, o Flock é apoiado por uma comunidade ativa no GitHub e é muito popular entre os desenvolvedores.

Lista de funções

• Orquestração de fluxo de trabalhoDescrição: projete fluxos de trabalho complexos arrastando e soltando nós para dar suporte à colaboração e às tarefas de vários agentes.
• Criação de chatbotCrie rapidamente chatbots que suportem interações de linguagem natural e possam lidar com entradas de texto e imagens.
• Suporte a aplicativos RAGIntegração da geração de aprimoramento de pesquisa para extrair informações de documentos e gerar respostas.
• controle lógico condicionalLógica de ramificação: implemente a lógica de ramificação usando nós If-Else para ajustar dinamicamente o fluxo com base na entrada.
• Capacidade de execução de códigoNó de script Python incorporado para executar o processamento de dados ou a lógica personalizada.
• interação multimodalSuporte a entradas multimodais, como imagens, para aumentar a flexibilidade do diálogo.
• Encapsulamento de subfluxoDescrição: aprimorar a eficiência do desenvolvimento reutilizando processos complexos por meio de nós de subgráficos.
• Nós de intervenção humanaPermitir a revisão manual da saída do LLM ou dos resultados da chamada da ferramenta.
• Reconhecimento de intenções:: reconhecimento automático da intenção de entrada do usuário e roteamento de várias categorias.

Usando a Ajuda

Processo de instalação

O Flock é uma ferramenta de implantação local baseada no Docker que requer determinadas configurações de ambiente para ser executada. Aqui estão as etapas detalhadas de instalação para garantir que você comece a usar.

1. preparação do ambiente

• Instalando o DockerInstale o Docker em seu sistema operacional; os usuários do Windows/Mac podem fazer o download no site oficial do Docker; os usuários do Linux executam o seguinte comando:

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

• Instalação do Gité usado para clonar o repositório; consulte o site do Git para obter o método de instalação.
• Verificação do PythonVerifique se o seu sistema tem Python 3.8+ para geração de chaves:

  python --version
  

2. clonagem de projetos

Abra um terminal e execute o seguinte comando para obter o código-fonte do Flock:

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

3. configuração de variáveis de ambiente

Copie o arquivo de configuração de exemplo e modifique-o:

cp ../.env.example .env

show (um ingresso) .env altere o valor padrão de changethis Substitua a chave por uma segura. Gere a chave com o seguinte comando:

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

Preencha os resultados gerados no campo .env documento, por exemplo:

SECRET_KEY=your_generated_key_here

4. ativação de serviços

Inicie o Flock usando o Docker Compose:

docker compose up -d

Se você precisar criar a imagem localmente, execute-a primeiro:

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

Após a inicialização bem-sucedida, o Flock é executado por padrão no diretório http://localhost:3000.

Uso

Quando a instalação estiver concluída, você poderá acessar o Flock pelo navegador e começar a usar seus recursos. Abaixo estão instruções detalhadas sobre como usar os principais recursos.

Recurso 1: Criar Chatbot

1. Acesso à bancada de trabalhoAbra seu navegador e digite http://localhost:3000A tela de login (o registro pode ser necessário para usuários iniciantes).
2. Novo fluxo de trabalhoClique em "New Project" (Novo projeto) e selecione "Chatbot Template" (Modelo de chatbot).
3. Adicionar nó:
   • Arraste o Input Node para receber mensagens do usuário.
   • Conecte "nós LLM" para processar a linguagem natural e vincular seus modelos (por exemplo, API OpenAI configurada via LangChain).
   • Adicione um "nó de saída" para retornar os resultados.
4. modelo de configuraçãoPreencha a chave da API e os parâmetros do modelo nas configurações do nó do LLM.
5. execução de testeClique no botão "Run" (Executar) e digite "Hello, what's the weather like today?" (Olá, como está o tempo hoje?). Veja a resposta do bot.

Função 2: Criação de um aplicativo RAG

1. Preparar o documentoUpload: Carregue o documento a ser recuperado (por exemplo, PDF) no diretório de trabalho.
2. processo de design:
   • Adicione um nó de entrada de arquivo para especificar o caminho do documento.
   • Conecte o RAG Node e configure os parâmetros de pesquisa (por exemplo, banco de dados de vetores).
   • Link para "LLM Node" para gerar uma resposta.
3. teste operacional:: Insira perguntas como "Quais são as palavras-chave mais mencionadas no documento?" Exibir resultados.
4. otimização:: Ajuste o intervalo de pesquisa ou os parâmetros do modelo para melhorar a precisão da resposta.

Recurso 3: Colaboração de vários agentes

1. Crie uma equipe:: Adicione várias funções de agente (por exemplo, "Analista de dados" e "Atendimento ao cliente") em "Gerenciamento de agentes".
2. executar algo:
   • Defina as tarefas de cada agente (por exemplo, análise de dados, resposta aos usuários) usando "nós de fluxo de trabalho".
   • Adicione o "Collaboration Node" para coordenar a comunicação entre os agentes.
3. exemplo de execuçãoObservação: insira a tarefa "Analisar dados de vendas e gerar um relatório" e observe os agentes colaborando para concluí-la.

Função 4: Lógica condicional e execução de código

1. Adição do nó If-Else:
   • Arraste o nó If-Else e defina a condição (por exemplo, "Input contains 'Sales'").
   • Conecte diferentes ramificações, por exemplo, "Yes" (Sim) para "Data Analysis" (Análise de dados), "No" (Não) para "Prompt for Re-entry" (Solicitar reentrada). No" aponta para "Prompt to re-enterry" (Solicitar reentrada).
2. Inserir nó de código:
   • Adicione um "nó Python" e insira o script:

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

   • Usado para calcular a soma dos números de entrada.
3. teste (maquinário etc.)Digite "1,2,3" para verificar se o resultado é "6".

Função 5: Intervenção humana

1. Adição de nós manuaisInserção de um "nó de intervenção manual" no fluxo de trabalho.
2. Revisão da configuraçãoAuditoria: Defina para auditar a saída do LLM, salve e execute.
3. equipamento:: o sistema faz uma pausa e solicita intervenção manual; digite as alterações e continue.

advertência

• requisito de redeVerifique se a rede do Docker está aberta e configure um proxy se estiver usando uma API de modelo externo.
• otimização do desempenhoRecomenda-se alocar pelo menos 4 GB de memória para o Docker para o tempo de execução local.
• Visualização do registro:: Em caso de problemas, execute docker logs <container_id> Verifique se há erros.

Com essas etapas, você pode usar o Flock para criar chatbots, colaborar com vários agentes e aproveitar ao máximo seu baixo código!