Flowise AI 与 LangChain 框架结合使用

1- 简介

Flowise AI 是一个开源的可视化工具，旨在帮助用户轻松构建和管理基于大语言模型（LLM）的应用程序。

LangChain 是一个用于开发由语言模型驱动的应用程序的框架。

通过结合这两个工具，你可以快速构建强大的 AI 应用程序。

2- 安装和设置

2.1- 步骤 1：安装 Node.js

确保你已经安装了 Node.js（支持 Node v18.15.0 或 v20 及以上版本）。如果没有安装，可以从 Node.js 官方网站下载并安装。

2.2- 步骤 2：安装 Flowise

打开终端或命令提示符，输入以下命令安装 Flowise：

npx flowise

2.2.1- 理解组成部分

• npx: 这是一个与 Node.js (npm) 捆绑在一起的软件包运行工具。它简化了执行 JavaScript 软件包的过程，而无需先全局安装它们。
• flowise: 指的是 FlowiseAI 平台，这是一个强大的工具，用于可视化地构建和部署 LLM 驱动的应用程序。

npx flowise 的作用

当你运行此命令时，会发生以下情况：

1. npx 检查本地安装：
   1. npx 首先检查 flowise 是否已安装在你项目的 node_modules 目录中。
2. 如果未找到则下载：
   1. 如果在本地找不到，npx 将从 npm 注册表中获取最新版本的 flowise 软件包。
3. 执行软件包：
   1. 然后，npx 执行 flowise 软件包的主脚本。这通常会触发 FlowiseAI 平台的本地开发服务器。
4. 启动 Flowise 界面：
   1. 服务器启动后，你的 Web 浏览器应自动打开，并显示 Flowise 用户界面。此界面允许你直观地设计、构建和管理你的 LLM 应用程序。

2.2.2- 先决条件

要成功运行 npx flowise，你需要：

• Node.js 和 npm： 确保你的系统上安装了 Node.js（其中包括 npm）。你可以通过在终端中运行 node -v 和 npm -v 来检查。
• 互联网连接： 如果 flowise 软件包尚未安装，npx 需要下载它。

2.2.3- 典型用法

你通常会使用 npx flowise 来：

• 开始开发新的 Flowise 应用程序：
  • 它会启动本地开发环境，你可以在其中开始创建应用程序的流程和逻辑。
• 在本地测试和调试：
  • 本地服务器允许你在部署之前迭代和完善你的应用程序。

2.2.4- 示例

运行 npx flowise 后，你可能会在终端中看到类似以下内容的输出：

Starting Flowise...
Server is running on http://localhost:3002

这表示 Flowise 服务器正在运行，你可以在浏览器中提供的 URL 访问该界面。

2.3- 步骤 3：启动 Flowise

安装完成后，通过以下命令启动 Flowise：

npx flowise start

3- 创建和管理 ChatFlows

3.1- 步骤 1：选择模型

在 Flowise 的界面中，选择 OpenAI 的 GPT-4 或 GPT-4o 作为语言模型。

3.2- 步骤 2：添加组件

将“输入节点”、“处理节点”和“输出节点”拖放到工作区。

3.3- 步骤 3：配置组件

• 输入节点：配置为接受用户输入的问题。
• 处理节点：配置为使用 GPT-4 或 GPT-4o 模型生成回答。
• 输出节点：配置为显示模型生成的回答。

3.4- 步骤 4：连接组件

将输入节点连接到处理节点，再将处理节点连接到输出节点。

4- 案例 1：构建一个简单的问答机器人

4.1- 步骤 1：创建 ChatFlow

1. 选择模型：在 Flowise 的界面中，选择 OpenAI 的 GPT-4 或 GPT-4o 作为语言模型。
2. 添加组件：将“输入节点”、“处理节点”和“输出节点”拖放到工作区。
3. 配置组件：
   • 输入节点：配置为接受用户输入的问题。
   • 处理节点：配置为使用 GPT-4 或 GPT-4o 模型生成回答。
   • 输出节点：配置为显示模型生成的回答。
4. 连接组件：将输入节点连接到处理节点，再将处理节点连接到输出节点。

4.2- 步骤 2：运行和测试

输入一个问题，例如“今天的天气怎么样？”，查看模型生成的回答。

5- 案例 2：基于文档的问答系统

5.1- 步骤 1：导入文档

将你要使用的文档（例如公司手册）导入到 Flowise 中。

5.2- 步骤 2：创建向量存储

使用 OpenAI 的嵌入模型将文档转换为向量，并存储在内存中。

5.3- 步骤 3：配置检索器

设置一个向量检索器，用于从向量存储中检索相关信息。

5.4- 步骤 4：连接 Chat 模型

将检索到的信息传递给 Chat 模型，生成回答。

6- 使用自定义代码

Flowise 允许用户在工作流中使用自定义代码来实现更复杂的功能。以下是一个简单的示例代码：

const fetch = require('node-fetch');
const url = 'https://api.open-meteo.com/v1/forecast?latitude=52.52&longitude=13.41&current_weather=true';
const options = { method: 'GET', headers: { 'Content-Type': 'application/json' } };

try {
  const response = await fetch(url, options);
  const text = await response.text();
  return text;
} catch (error) {
  console.error(error);
  return '';
}

7- 图表示例

7.1- ChatFlow 图表

graph TD;
    A[输入节点] --> B[处理节点];
    B --> C[输出节点];

7.2- 向量存储和检索流程图

graph TD;
    A[导入文档] --> B[创建向量存储];
    B --> C[配置检索器];
    C --> D[连接 Chat 模型];
    D --> E[生成回答];