FlowiseAI: criação de uma interface de arrastar e soltar nós para aplicativos LLM personalizados

Introdução geral

O FlowiseAI é uma ferramenta de código aberto e de baixo código projetada para ajudar os desenvolvedores a criar aplicativos LLM (Large Language Model) personalizados e agentes de IA. Com uma interface simples de arrastar e soltar, os usuários podem criar e iterar rapidamente aplicativos LLM, tornando o processo de teste até a produção muito mais eficiente. O FlowiseAI oferece um rico conjunto de modelos e opções de integração, facilitando para os desenvolvedores a implementação de lógica complexa e configurações condicionais para uma variedade de cenários de aplicativos.

Lista de funções

• Interface de arrastar e soltar: crie fluxos LLM personalizados com operações simples de arrastar e soltar.
• Suporte a modelos: vários modelos integrados para começar a criar aplicativos rapidamente.
• Opções de integração: suporta a integração com ferramentas como LangChain e GPT.
• Autenticação de usuário: suporta autenticação de nome de usuário e senha para garantir a segurança do aplicativo.
• Suporte ao Docker: forneça imagens do Docker para facilitar a implantação e o gerenciamento.
• Amigável ao desenvolvedor: oferece suporte a uma variedade de ambientes e ferramentas de desenvolvimento para desenvolvimento secundário.
• Documentação rica: forneça documentação detalhada e tutoriais para ajudar os usuários a começar rapidamente.

Usando a Ajuda

Processo de instalação

1. Faça o download e instale o NodeJSVerifique se a versão do NodeJS é >= 18.15.0.
2. Instalação do Flowise::

   npm install -g flowise

3. Iniciar Flowise::

   npx flowise start

Se você precisar de autenticação de nome de usuário e senha, poderá usar o seguinte comando:

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

4. Acesso a aplicativosAbra o site http://localhost:3000 em seu navegador.

Processo de uso

1. Criar um novo projetoNa interface do Flowise, clique no botão "New Project" (Novo projeto), digite um nome de projeto e selecione um modelo.
2. componente de arrastar e soltarArraste e solte o componente desejado da barra de ferramentas à esquerda para o espaço de trabalho para configurar as propriedades do componente.
3. kit de conexãoConecte os componentes arrastando os fios de conexão para formar um processo completo.
4. aplicação de testeClique no botão "Run" (Executar) para testar a funcionalidade e a eficácia do aplicativo.
5. Implementação de aplicativosApós a conclusão dos testes, o aplicativo pode ser implantado em um ambiente de produção, gerenciado e mantido usando imagens do Docker.

Operação da função em destaque

• Integração do LangChainNa configuração do componente, selecione a opção de integração do LangChain e insira os parâmetros relevantes para obter uma interface perfeita com o LangChain.
• autenticação do usuárioAdicionar no arquivo .envFLOWISE_USERNAMEresponder cantandoFLOWISE_PASSWORDo recurso de autenticação de usuário será ativado automaticamente ao iniciar o aplicativo.
• Uso de modelosEscolha o modelo certo ao criar um novo projeto, você pode criar rapidamente aplicativos comuns, como PDF Q&A, processamento de dados do Excel e assim por diante.

problemas comuns

• déficit de memóriaSe você ficar sem memória durante a compilação, poderá aumentar o tamanho da memória heap do Node.js:

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

• Implementação do DockerUse os seguintes comandos para criar e executar uma imagem do Docker:

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

Com as etapas acima, os usuários podem começar a usar o FlowiseAI rapidamente, criar e implementar aplicativos LLM personalizados e melhorar a eficiência do desenvolvimento e o desempenho dos aplicativos.

Estudo de caso: Criação de um sistema automatizado de redação de notícias com o FlowiseAI

Diagrama de vários fluxos de trabalho do Flowise

Fluxo de configuração do Flowise

1 Usamos o Flowise para criar um sistema automático de redação de notícias. Primeiro, criamos um novo agente nos fluxos de agentes do Flowise, denominado "sistema automático de redação de notícias", como segue:

2) Arrastamos um Supervisor e 3 Trabalhadores para a interface e os nomeamos e conectamos conforme mostrado abaixo:

3. defina a palavra de aviso para cada agente:

# 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. defina o modelo de bate-papo de chamada de ferramenta e a memória do agente do supervisor, escolha o modelo grande apropriado de acordo com sua situação real, conforme mostrado abaixo:

5) Selecione a ferramenta de pesquisa apropriada para worker1, de acordo com seu ambiente, como segue:

6 Selecione a ferramenta de salvamento de arquivos apropriada para o worker3, conforme mostrado abaixo:

7 A configuração geral final é mostrada abaixo:

8) Após a conclusão da configuração, clique na caixa de diálogo no canto superior direito e digite a palavra-chave "Big Model", conforme mostrado abaixo:

Vemos o trabalhador sendo executado sequencialmente, concluindo as tarefas que configuramos.

9 Ao clicar no ícone de código no canto superior direito, podemos ver como chamar a API desse sistema, conforme mostrado abaixo: