Dify создает частные интеллектуальные системы визуализации данных и аналитики

Технологии искусственного интеллекта продолжают развиваться, и чат-приложения с каждым днем становятся все более многофункциональными. Недавно платформа Dify выпустила заметное обновление, ее недавно выпущенное чат-приложение может напрямую реализовывать визуальный анализ данных в диалоге, обеспечивая пользователям более интуитивный и эффективный опыт общения. Хотя в названии статьи упоминается, что функция "так же эффективна, как ChatGPT", все еще существует пробел в фактическом применении, которое больше сосредоточено на демонстрации технологий и изучении функций. В статье не хватает объяснения принципа работы, рекомендуем к прочтению Рабочие процессы Dify и интеллектуальные помощники AI пересматривают модель принятия корпоративных данных .

Решение ChatGPT для визуализации данных

Что касается визуализации данных, то некоторые ведущие ИИ-продукты, такие как ChatGPT, активно изучаются. Сообщается, что решение ChatGPT для визуализации данных также преобразует команды пользователя в код на языке Python, который выполняется в фоновом режиме, а затем отображается на переднем плане. Однако круговая диаграмма, создаваемая ChatGPT, имеет проблемы с совместимостью при отображении на китайском языке.

Решение для визуализации данных Dify для платформ с низким кодом

Dify Платформа использует другой подход, опираясь на свою низкокодовую природу, которая позволяет пользователям быстро создавать чат-приложения с возможностями визуализации данных без написания сложного кода.

на основании ChatGPT Платформа Dify предлагает простое решение: настроить ранее используемую команду кода Pandas на прямую генерацию кода Pyecharts, запустить в фоновом окружении песочницы, получить сгенерированные изображения или HTML-файлы. Это относительно простой способ достижения цели.

Однако в этой статье мы сосредоточимся на Dify, интеллектуальной платформе для проектирования тел с низким уровнем сложности, чтобы показать, как легко визуализировать данные, поэтому мы продолжим оптимизировать наши предыдущие рабочие процессы, чтобы использовать все преимущества встроенных инструментов Dify.

Платформа Dify имеет встроенные средства создания диаграмм, которые поддерживают круговые, столбчатые, линейные и другие типы диаграмм. Пользователи могут интуитивно понять требования к параметрам этих трех инструментов построения диаграмм, все они имеют строковый формат и одинаковый формат.

Оптимизация рабочего процесса: преобразование форматов данных

Для того чтобы выходные данные рабочего процесса соответствовали требованиям к параметрам инструмента построения диаграмм Dify, рабочий процесс необходимо оптимизировать.

Следующие данные в формате JSON являются примером результатов рабочего процесса, описанного в предыдущем руководстве, и имеют формат, который нельзя использовать непосредственно в инструменте построения графиков Dify.

{"status": "success", "data_result": {"学校": 2, "互联网": 1, "物流": 1, "硬件": 1, "教育机构": 1, "传统零售": 1, "传统媒体": 1, "制造业": 1}}

В данном случае вы решили использовать код Python для преобразования формата данных, и для этого вам нужно добавить узел выполнения кода в рабочий процесс и заполнить его соответствующим кодом Python.

Этот Python-код можно сгенерировать с помощью Big Language Model, встроенного в платформу Dify генератора кода, который требует только четкого описания требований. Вот пример подсказок, используемых для генерации кода.

{"status": "success", "data_result": {"学校": 2, "互联网": 1, "物流": 1, "硬件": 1, "教育机构": 1, "传统零售": 1, "传统媒体": 1, "制造业": 1}} 边写一段Pytho函数代码，，接受json输入，将data_result的所有key值拼接为一个字符串，每个key之间用 ";" 分隔，赋值到变量exl_ key,将data_result的所有value值拼接为一个字符串，每个value之间用 ";" 分隔，赋值到变量exl_value,将exl_key exl_value返回

Есть некоторые незначительные проблемы с кодом, сгенерированным непосредственно генератором кода Dify, например, возвращаемый результат содержит только одну переменную, в то время как инструмент круговой диаграммы Dify требует две. Поэтому сгенерированный код необходимо изменить, чтобы убедиться, что return оператор возвращает результат типа словарь (dict).

import json
def main(data: dict) -> dict:
data = json.loads(data)
exl_key = ";".join(data["data_result"].keys())
exl_value = ";".join(map(str, data["data_result"].values()))
return {'exl_key': exl_key, 'exl_value': exl_value}

Существует потенциальная проблема с приведенным выше кодом, если формат данных, генерируемых большой моделью, не соответствует ожидаемому {key: value, key: value} структура, то при выполнении кода будет выдана ошибка. Этот вопрос будет рассмотрен в одной из следующих статей, в этой же статье мы сосредоточимся на реализации функциональности.

Кроме того, формат входных переменных, получаемых узлом выполнения кода, также подвержен ошибкам. По умолчанию входные данные представляют собой строку, что требует использования json библиотеку для выполнения принудительного преобразования типов. В противном случае возникнет следующая ошибка.

Работа с рабочим процессом и представление результатов

Теперь рабочий процесс можно запустить полностью, чтобы увидеть конечные результаты.

На этом этапе рабочий процесс был успешно настроен на создание круговых диаграмм в соответствии с потребностями пользователя в анализе данных.

Расширения рабочего процесса: поддержка нескольких типов графиков

Однако, если пользователю необходимо создать гистограммы или линейные графики, необходимо расширить текущий рабочий процесс.

Оптимизация основана на следующих идеях: во-первых, необходимо добавить узел "Извлечение параметров", чтобы большая модель могла определять необходимость визуализации графиков, таких как круговые или гистограммы, по командам пользователя. Во-вторых, между узлами обработки данных и визуализации круговых диаграмм следует добавить узел "условное ветвление", чтобы можно было выбирать различные пути ветвления в зависимости от результатов извлечения параметров. Окончательный вариант рабочего процесса показан на рисунке ниже.

Ниже мы подробно опишем, как настроить экстрактор параметров. Как видно из интерфейса конфигурации, он содержит следующие три основных аспекта:

1. входная переменная: Указывает, что большая модель извлекает параметры из текста команды пользователя.
2. параметр извлечения: Определяет параметры, которые необходимо извлечь, т.е. содержит ли инструкция пользователя информацию о типе графика. Если соответствующая информация извлечена, она присваивается новой переменной exl_type.
3. директивы:: Слова подсказки, посылаемые экстрактором параметров в большую модель. Задача извлечения параметров относительно проста для больших моделей.

Таким образом, последующие узлы "условного ветвления" будут моделироваться более крупной моделью на основе извлеченных параметров. exl_type Узел "Условное ответвление" выглядит сложным, но принцип его работы прост. Узел "Условное разветвление" выглядит сложным, но принцип его работы прост: в зависимости от типа графика, выводимого из большой модели, выберите соответствующую ветвь, чтобы сгенерировать соответствующий график.

Далее мы демонстрируем, как работает весь рабочий процесс. Полученные результаты свидетельствуют о том, что этот процесс может быть применен к приложению Big Model Chat.

Публикация рабочих процессов как инструментов Dify и интеграция в агентские приложения

Чтобы интегрировать этот рабочий процесс в Dify, сначала нужно опубликовать его как встроенный инструмент Dify. В интерфейсе рабочего процесса нажмите кнопку Publish в правом верхнем углу и выберите Publish as Tool.

Примечание: Это очень важный шаг. Как правило, рабочие процессы, опубликованные в качестве инструментов, должны иметь формат параметров text-input тип. Только в этом случае в приложении Dify Agent большая модель будет корректно вызывать инструмент через вызов функции. В противном случае большая модель будет игнорировать инструмент. Поэтому важно настроить входные переменные рабочего процесса, как показано на следующем рисунке text-input прежде чем публиковать его в качестве инструмента.

После выполнения описанных выше действий вы можете интегрировать рабочий процесс анализа данных в Dify в виде вызова функции. Далее создайте в Dify приложение Agent. Если вы не знакомы с приложением Agent, то можете сначала выполнить эти шаги, а затем мы пошагово разберем его принцип и применение. После этого я напишу статью, в которой сравню разницу между разными типами приложений в Dify.

Затем просто добавьте опубликованный инструмент в приложение Agent. На этом настройка завершена. Чтобы увидеть конечный результат, можно выполнить предварительный просмотр и отладку.

Благодаря вышеописанным действиям платформа Dify успешно интегрирует чат-приложения с функциями визуализации данных, предоставляя пользователям совершенно новый интерактивный опыт. Благодаря функциям Dify с низким уровнем кодирования пользователи могут быстро создавать мощные и интеллектуальные приложения и наслаждаться удобством технологии искусственного интеллекта без необходимости глубокого кодирования.