Flock: low-code оркестровка рабочих процессов для быстрого создания чатботов

Общее введение

Flock - это платформа с открытым исходным кодом для документооборота, размещенная на GitHub и разработанная командой Onelevenvy. Она основана на LangChain и LangGraph Flock - это технология, помогающая пользователям быстро создавать чат-боты, приложения с расширенным поиском (RAG) и координировать работу мультиагентных команд. Flock упрощает создание интеллектуальных приложений для пользователей, не разбирающихся в программировании, благодаря гибкому дизайну рабочих процессов. Он поддерживает такие богатые возможности узла, как условная логика, выполнение кода и мультимодальный диалог, и широко применим для автоматизации бизнеса, обработки данных и других сценариев. Проект использует такие фронтенд-технологии, как React и Next.js, а бэкенд опирается на PostgreSQL, что делает технологический стек современным и легко расширяемым. В настоящее время Flock поддерживается активным сообществом на GitHub и пользуется большой популярностью среди разработчиков.

Список функций

• Оркестровка рабочих процессов:: Разработка сложных рабочих процессов с помощью перетаскивания узлов для поддержки совместной работы нескольких агентов и постановки задач.
• Создание чатботовБыстрое создание чат-ботов, поддерживающих взаимодействие на естественном языке и способных работать с текстом и изображениями.
• Поддержка приложений RAG: Интеграция поиска для извлечения информации из документов и генерации ответов.
• Условно-логическое управление: Реализуйте логику ветвления с помощью узлов If-Else для динамической настройки потока в зависимости от входных данных.
• Возможность выполнения кодаВстроенный узел сценариев Python для обработки данных или выполнения пользовательской логики.
• мультимодальное взаимодействие: Поддержка мультимодального ввода, например, изображений, для повышения гибкости диалога.
• Инкапсуляция подпроцессов:: Повышение эффективности разработки за счет повторного использования сложных процессов через узлы подграфа.
• Узлы вмешательства человека: Позволяет вручную просматривать выходные данные LLM или результаты вызова инструмента.
• Распознавание намерений:: Автоматическое распознавание намерений пользователя и многокатегорийная маршрутизация.

Использование помощи

Процесс установки

Flock - это инструмент локального развертывания на базе Docker, для работы которого требуются определенные конфигурации среды. Здесь подробно описаны шаги по установке, чтобы вы могли начать работу.

1. Подготовка среды

• Установка Docker: Установите Docker на вашу операционную систему, пользователи Windows/Mac могут загрузить его с официального сайта Docker, пользователи Linux выполняют следующую команду:

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

• Установка Git: используется для клонирования репозитория, метод установки см. на сайте Git.
• Проверка Python: Убедитесь, что в вашей системе установлен Python 3.8+ для генерации ключей:

  python --version
  

2. Клонирование проектов

Откройте терминал и выполните следующую команду, чтобы получить исходный код Flock:

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

3. Настройка переменных окружения

Скопируйте файл конфигурации примера и измените его:

cp ../.env.example .env

показать (билет) .env файл, измените значение по умолчанию changethis Замените ключ на безопасный. Сгенерируйте ключ с помощью следующей команды:

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

Заполните сгенерированные результаты в .env например, документ:

SECRET_KEY=your_generated_key_here

4. Активация услуг

Запустите Flock с помощью Docker Compose:

docker compose up -d

Если вам нужно собрать образ локально, сначала запустите его:

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

После успешного запуска Flock по умолчанию работает в режиме http://localhost:3000.

Использование

После завершения установки вы сможете зайти в Flock через браузер и начать пользоваться его функциями. Ниже приведены подробные инструкции по использованию основных функций.

Функция 1: Создание чатбота

1. Доступ к верстаку: Откройте браузер и введите http://localhost:3000Экран входа в систему (для пользователей, впервые зашедших в систему, может потребоваться регистрация).
2. Новый рабочий процесс: Нажмите "Новый проект" и выберите "Шаблон чатбота".
3. Добавить узел:
   • Перетащите узел ввода для получения пользовательских сообщений.
   • Подключите "узлы LLM" для обработки естественного языка и связывания ваших моделей (например, с помощью OpenAI API, настроенного через LangChain).
   • Добавьте "выходной узел" для возврата результатов.
4. модель конфигурации: Заполните ключ API и параметры модели в настройках узла LLM.
5. тестовый запуск: Нажмите кнопку "Выполнить" и введите "Здравствуйте, какая сегодня погода?". Посмотрите ответ бота.

Функция 2: Создание приложения RAG

1. Подготовьте документ: Загрузите документ, который необходимо получить (например, PDF), в рабочий каталог.
2. процесс проектирования:
   • Добавьте узел ввода файла, чтобы указать путь к документу.
   • Подключите узел RAG и настройте параметры поиска (например, базу данных векторов).
   • Ссылайтесь на "Узел LLM", чтобы сгенерировать ответ.
3. эксплуатационное испытание:: Введите вопросы, например "Какие ключевые слова наиболее часто упоминаются в документе?". Посмотреть результаты.
4. оптимизация:: Настройте диапазон поиска или параметры модели, чтобы повысить точность ответа.

Особенность 3: Совместная работа нескольких агентов

1. Создайте команду:: Добавьте несколько ролей агентов (например, "Аналитик данных" и "Обслуживание клиентов") в "Управление агентами".
2. поручать что-л.:
   • Определите задачи каждого агента (например, анализ данных, ответы пользователям) с помощью "узлов рабочего процесса".
   • Добавьте "Collaboration Node" для координации межагентного взаимодействия.
3. пример работы:: Введите задание "Проанализировать данные о продажах и создать отчет" и наблюдайте, как агенты сотрудничают для его выполнения.

Функция 4: Условная логика и выполнение кода

1. Добавление узла If-Else:
   • Перетащите узел If-Else и задайте условие (например, "Вход содержит 'Sales'").
   • Соедините разные ветки, например, "Да" указывает на "Анализ данных", "Нет" - на "Запрос на повторный ввод". Нет" указывает на "Запрос на повторный ввод".
2. Вставить узел кода:
   • Добавьте "Узел Python" и введите сценарий:

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

   • Используется для вычисления суммы введенных чисел.
3. испытание (машины и т.д.): Введите "1,2,3", чтобы убедиться, что результат равен "6".

Функция 5: Вмешательство человека

1. Добавление узлов вручную:: Вставка "узла ручного вмешательства" в рабочий процесс.
2. Обзор конфигурации: Установите аудит вывода LLM, сохраните и запустите.
3. буровая установка:: Система делает паузу и предлагает вмешаться вручную; введите изменения и продолжите.

предостережение

• сетевые требования: Убедитесь, что сеть Docker открыта, и настройте прокси, если вы используете внешний API модели.
• оптимизация производительности: Рекомендуется выделять не менее 4 ГБ памяти для локального выполнения Docker.
• Просмотр журнала: В случае возникновения проблем запустите docker logs <container_id> Проверьте наличие ошибок.

С помощью этих шагов вы сможете использовать Flock для создания чат-ботов, совместной работы с несколькими агентами и использования всех преимуществ его низкого кода!