Flowise—基于低代码的LLM应用敏捷开发LangChain实现

通过直观的拖放界面简化LangChain流程开发

在之前的一篇博客文章《LangFlow–可视化的LangChain》中，我们探讨了LangFlow的功能以及如何利用其直观的无代码界面。

今天，我很高兴地分享另一个类似的工具，它提供了一个无代码的拖放开发体验:Flowise。

Flowise为开发人员提供了一个特殊的工具，旨在构建LLM应用程序，而无需深入研究编码。对于努力以敏捷方式快速构建原型并开发LLM应用程序的组织来说，这同样是有益的。让我们来看看Flowise AI的一些突出功能:

• 拖放式UI: Flowise使设计自己的自定义LLM流程变得简单。

• 开源: 作为一个开源项目，Flowise可以自由使用和修改。

• 用户友好: Flowise很容易上手，即使对那些没有编码经验的人也是如此。

• 通用: Flowise AI可用于创建各种LLM应用程序。

安装和设置

要安装和开始使用Flowise，请遵循以下步骤:

1. 下载和安装 NodeJS >= 18.15.0 (使用node -v 查一下你安装的版本，如果不够高，那么我建议你直接在这个页面解决问题：https://nodejs.org/en/download)
2. 使用以下命令安装Flowise:

% npm install -g flowise

译者：这里比较啰嗦的可能就是各种版本问题了，如nodejs、npm等等。

译者：安装过程很方便，但是需要一点时间(如果你不是root账号，别忘了sudo)

3. 启动Flowise

% npx flowise start

译者：系统会要求你再安装flowise@1.x.x，安装就好了，还是那句话，如果不是root，别忘了sudo。

4. 在浏览器上打开 http://localhost:3000

   译者：我部署在家里的ubuntu上，所以地址会不一样。

现在您应该看到网站启动了。

接下来，我们将使用Flowise构建两个应用程序，这两个应用程序都不需要编码。

我们开看看丰富的组件，丰富程度让我有点吃惊，包括notion也都有。

示例1:构建基本LLM链

遵循以下步骤:

1. 在空白画布上，单击”+ Add New”按钮以调出左侧的”Add Nodes”面板。

2. 从“Add Nodes”面板中选择以下组件，它们将出现在画布上。

• 从LLMs中将OpenAI拖到面板
• 从Chains分类中拖出LLM chain
• 从Promps分类中拖出Prompt Template

现在，画布应该是这样的:

3. 连接组件

• 将OpenAI的输出（output）链接到LLM Chain的语言模型（input）
• 将Prompt Template的输出（output）链接到LLM Chain的Prompt（input）

4. 输入必要的信息

• 在OpenAI的字段中输入OpenAI密钥
• 将以下prompt模板写入“Prompt Template”的Template字段中:

What is a good name for a company that makes {product }?

• 给LLM Chain一个名字.
• 单击右上角的“保存”图标进行保存.
• 点击右上角的聊天图标，就可以开始发送“产品名称”了。在这里，我们得到了预期的答案.

示例2:构建PDF阅读器Bot

在之前的一篇博文中，我演示了如何使用LangFlow创建PDF Reader Bot。现在，让我们使用Flowise创建相同的机器人。

1. 将以下组件添加到空白画布中:

• 从“Text Splitters”中选择“Recursive Character Text Splitter”（递归字符文本分割器）
• 从“Document Loaders”中选择“PDF file”
• 从“Embeddings”中选择“OpenAI Embeddings”
• 从“Vector Stores”中选择“In-memory Vector Store”（内存向量存储）
• 从“LLMs”中选择“OpenAI”
• 从“Chains”中选择“Conversational Retrieval QA Chain”（对话检索QA Chain）

现在我们在画布中拥有了所有必需的组件。

2. 连接组件

• 链接“Recursive Character Text Splitter” 的输出和 “PDF file” 的输入
• 链接“PDF file” 的输出和 “In-memory Vector Store”的输入
• 链接“OpenAI Embeddings” 的输出和“In-memory Vector Store” 的输入
• 链接“In-memory Vector Store” 的输出和 “Conversational Retrieval QA Chain”的输入
• 链接“OpenAI” 的输出和 “Conversational Retrieval QA Chain” 的输入

3. 输入必要的信息

• 点击“PDF File”中的“Upload File”，上传标题为“Introduction to AWS Security”的示例PDF文件。
• 在“OpenAI”和“OpenAIEmbeddings”字段中输入您的OpenAI密钥
• 单击“save”按钮，然后单击聊天按钮开始发送请求。

响应应该如预期的那样，并且机器人现在可以回答与此pdf文档相关的任何问题。

总之，这篇博客介绍了Flowise，一个用户友好的、无代码的平台，它简化了构建LangChain工作流的过程。Flowise是一个开源工具，允许开发人员和组织创建LLM应用程序，而无需编写代码。该博客引导读者完成Flowise的安装和设置过程，并就如何构建两种类型的应用程序提供分步说明:基本的LLM链和PDF阅读器Bot。Flowise的关键特性，包括拖放式UI、用户友好性和多功能性，都得到了强调。

对了，Flowise的Github Repository。

后续再研究一下和ChatGLM、百川、通义等如何对接。

原文：Flowise: An Agile Way of LLM Application Development With No-Code Solution