31.1K Star 专注于工作流 的 Flowise AI

小伙伴们大家好,这里是三金~

不知道从什么时候开始,每年的十月份工作就会异常的忙碌,事情一堆一堆的,仿佛都不给人喘息的机会。有一些小伙伴也私聊我说虽然每天的工作内容比较单一重复,但架不住量大,长此以往都没法好好摸鱼了,有没有什么工具可以实现自动化工作?

三金直呼好家伙,重点是摸鱼是吧😂

本来我是准备让他使用 Dify 的,但他表示 Dify 并不符合他的预期。他想要的是------能实现在自动化工作,且能生成文件到本地,其他功能都可以不要,主打一个轻量化!

这样的话,三金就不得不拿出 Flowise 来满足他了。

什么是 Flowise ?

Flowise 是一款兼容 LangChain 的开源低代码工具,不管是普通用户还是开发人员都能轻松构建可视化 LLM 工作流和 AI Agent。

说是低代码,其实更多的时候它也是无代码,我们只需要在一块画布上,先点击左上角的添加按钮新增工具卡片,然后通过拖拉拽的方式将这些工具串起来就可以得到一个 AI 应用。

是不是很简单?

所以 Flowise 特别适合那些不了解编程知识或者了解比较少的用户,他们可以通过连线的方式就能构建出如聊天机器人、AI 智能体、AI 智能爬虫以及数据分析工具等等应用

它能做什么?

Flowise 可以做的事情有很多,包括但不限于:

  • 基于用户上传文档的问答机器人
  • AI 客服
  • 一些服务平台的问答系统
  • 以及开头小伙伴想要的自动化工具

三金所说的这些并不是本身就存在于 Flowise 中的,而是需要根据实际情况通过工作流的方式来实现的。所以对使用者来说,它的灵活度很高、可定制性很强。

那实现一个工作流也很简单,我们只需要列出完成这个目标需要哪些步骤即可。比如实现一个 PDF 聊天机器人:

  1. 上传文档
  2. 把文档需要交给一个处理文档的模型处理
  3. 处理后的数据需要存储
  4. 既然聊天肯定还需要一个 Chat 模型
  5. 然后将这些点通过「链」的方式串起来

回到 Flowise 中,然后按照这个步骤一步一步创建工作流节点即可。

点击右上角的代码图标还可以将工作流嵌入 HTML 网页或者直接以 Chatbot 的形式分享给别人,非常的便捷:

如何部署?

Flowise 的部署有两种简单的方式:

  • 使用 npm 安装及启动

使用 npm 安装及启动项目,本地一定要有版本大于等于 18.15.0 的 NodeJS 环境,然后执行以下命令即可运行项目:

bash 复制代码
npm install -g flowise

npx flowise start

项目启动以后我们访问 http://localhost:3000 即可~

  • 使用 Docker 安装及启动

首先需要克隆 Flowise 项目到本地:

bash 复制代码
git clone https://github.com/FlowiseAI/Flowise.git

然后进入到项目中的 docker 目录下启动 docker:

bash 复制代码
cd Flowise/docker

cp .env.example .env

docker compose up -d

也是访问 http://localhost:3000 即可~

案例

部署好之后,三金再带大家实现两个 Chatflow 练练手,稍微熟悉熟悉。

一、PDF 聊天

也就是我们在上一部分提到的内容,虽然那会儿提到实现这个工作流需要五步,但是节点其实需要 6 个:

  1. Text Splits: 1000-200,这个作用不用多说吧;
  2. PDF File:可以用来上传 PDF 文档
  3. Jina Embeddings:接入 Jina 的 Embedding 模型
  4. 向量存储-In Memory Vector(需要2和3两个输出)
  5. OpenAI Model
  6. 链--Conversational Retrieval QA Chain:基于文档的问答链,是 Langchain 框架提供的(需要4和5两个输出)

在 6 这里还有一个 Return Source Documents 的开关,作用是可以返回相关的原文档的信息

完整的工作流截图我已经在上一部分贴了,有需要的照抄就行。

二、任务生成器

顾名思义:我们可以输入一个目标,然后 AI 给我们生成「完成这个目标都需要哪些步骤」。

  1. 一个 AI 大模型
  2. 一个 prompt,用来告诉大模型需要做什么,生成什么
  3. 通过「链」来将节点串起来

注意:节点输出的类型在卡片的右下角,hover 上去的时候会提示详细的类型

和 Dify 以及 FastGPT 相比

上手有一些成本,如果对 LangChian 比较熟悉就还好,不太熟悉的话,里面的节点在使用的时候会让人比较懵逼,尤其在将节点串起来的时候,不知道该使用什么链。

或许看看文档会好一些:文档地址

Github

再就是定位不一样:

  • Dify 更倾向于 Coze 这种 AI Agent 平台,里面的功能很全,社区活跃度也很高,还能接入到微信;
  • FastGPT 的关注点则在知识库,这一点用过的人感受都很明显;
  • Flowise 侧重于工作流,不管是 Chatflows 还是 Agentflows 都是工作流,不像另外两个那样功能繁多。

大家可以根据自己的实际情况做选择,条件允许的话我还是建议直接使用 Dify

觉得文章有用的 jpy 轻抬下手 点赞收藏

相关推荐
IT古董17 分钟前
【漫话机器学习系列】017.大O算法(Big-O Notation)
人工智能·机器学习
凯哥是个大帅比18 分钟前
人工智能ACA(五)--深度学习基础
人工智能·深度学习
m0_7482329237 分钟前
DALL-M:基于大语言模型的上下文感知临床数据增强方法 ,补充
人工智能·语言模型·自然语言处理
szxinmai主板定制专家43 分钟前
【国产NI替代】基于FPGA的32通道(24bits)高精度终端采集核心板卡
大数据·人工智能·fpga开发
海棠AI实验室1 小时前
AI的进阶之路:从机器学习到深度学习的演变(三)
人工智能·深度学习·机器学习
机器懒得学习1 小时前
基于YOLOv5的智能水域监测系统:从目标检测到自动报告生成
人工智能·yolo·目标检测
QQ同步助手1 小时前
如何正确使用人工智能:开启智慧学习与创新之旅
人工智能·学习·百度
AIGC大时代1 小时前
如何使用ChatGPT辅助文献综述,以及如何进行优化?一篇说清楚
人工智能·深度学习·chatgpt·prompt·aigc
流浪的小新1 小时前
【AI】人工智能、LLM学习资源汇总
人工智能·学习
martian6652 小时前
【人工智能数学基础篇】——深入详解多变量微积分:在机器学习模型中优化损失函数时应用
人工智能·机器学习·微积分·数学基础