หากคุณต้องการสร้างแอป LLM หรือ AI agent โดยไม่ต้องเชื่อมต่อทุกคอมโพเนนต์เข้าด้วยกันใน Python Flowise มีผืนผ้าใบแบบภาพให้คุณแทน เป็นเครื่องมือแบบโอเพนซอร์ส โค้ดน้อย ที่คุณสามารถลากโหนด เชื่อมต่อ และสร้างเวิร์กโฟลว์ AI ที่ใช้งานได้ พร้อมกับปลายทาง API ในตอนท้าย คู่มือนี้จะอธิบายว่า Flowise คืออะไร, chatflow และ agentflow แตกต่างกันอย่างไร, วิธีปรับใช้ และวิธีทดสอบปลายทางพยากรณ์และ API ที่โฟลว์ของคุณเรียกใช้ หากคุณเคยอ่านบทความอธิบายเกี่ยวกับ LangGraph ของเรา Flowise อยู่ตรงข้ามกันโดยสิ้นเชิง: เน้นภาพเป็นหลักแทนการเน้นโค้ดเป็นหลัก คุณสามารถอ่าน README ของโปรเจกต์บน GitHub เพื่อดูซอร์สโค้ดได้
Flowise คืออะไร
Flowise เป็นแพลตฟอร์มพัฒนา AI เชิงสร้างสรรค์แบบโอเพนซอร์สสำหรับการสร้าง AI agent และเวิร์กโฟลว์ LLM ได้รับการเผยแพร่ภายใต้ใบอนุญาต Apache 2.0 ดังนั้นคุณสามารถรันได้ในเครื่องของคุณ โฮสต์เอง หรือ fork ไปใช้ได้
แนวคิดหลักคือผืนผ้าใบที่อิงโหนด โหนดแต่ละอันเป็นส่วนประกอบ: โมเดลแชท, ที่เก็บเวกเตอร์, ตัวโหลดเอกสาร, โมดูลหน่วยความจำ, ตัวเรียกข้อมูล, เครื่องมือ คุณลากสิ่งเหล่านี้ลงบนผืนผ้าใบ, วาดการเชื่อมต่อระหว่างกัน และการเชื่อมต่อเหล่านี้จะกำหนดว่าข้อมูลไหลอย่างไร เมื่อโฟลว์เสร็จสมบูรณ์ Flowise จะเปิดเผยเป็น REST API ที่คุณสามารถเรียกใช้ได้จากแอปใดก็ได้
ภายใต้การทำงาน Flowise เชื่อมต่อส่วนประกอบจากเฟรมเวิร์กอย่าง LangChain และ LlamaIndex ดังนั้นแนวคิดที่เป็นนามธรรมจะรู้สึกคุ้นเคยหากคุณเคยใช้หนึ่งในนั้น: เชน, เอเจนต์, ที่เก็บเวกเตอร์, กลไกการสืบค้น ความแตกต่างคือคุณประกอบสิ่งเหล่านี้ด้วยการคลิกและเชื่อมต่อ แทนที่จะเป็นการนำเข้าคลาสและเรียกตัวสร้าง นั่นคือสิ่งที่ Flowise แลกเปลี่ยน คุณยอมเสียการควบคุมแบบละเอียดบางส่วนไป และได้ความเร็วและโมเดลภาพที่ทั้งทีมของคุณสามารถเข้าใจได้มาแทน
Chatflow, Agentflow และ Assistants
Flowise มีประเภทตัวสร้างให้เลือกสามแบบ และการเลือกแบบที่เหมาะสมมีความสำคัญ
| ประเภทตัวสร้าง | เหมาะสมที่สุดสำหรับ | ขอบเขต |
|---|---|---|
| Assistant | ผู้เริ่มต้น; แชทผู้ช่วยที่ทำตามคำแนะนำ, ใช้เครื่องมือ, และทำ RAG กับไฟล์ที่อัปโหลด | แคบที่สุด, มีคำแนะนำมากที่สุด |
| Chatflow | ระบบเอเจนต์เดี่ยว, แชทบอท, โฟลว์ LLM ที่เรียบง่ายกว่า; รองรับ Graph RAG และ rerankers | เอเจนต์เดี่ยว |
| Agentflow | ระบบหลายเอเจนต์และการจัดลำดับที่ซับซ้อนพร้อมการแตกสาขา, การวนซ้ำ และการกำหนดเส้นทาง | กว้างที่สุด; เป็นส่วนเสริมของ Chatflow และ Assistant |
chatflow คือโฟลว์ Flowise แบบคลาสสิก คุณสร้างไปป์ไลน์เชิงตรรกะหนึ่งรายการ: รับคำถาม, ดึงบริบท, เรียกโมเดล, ส่งคืนคำตอบ เหมาะสำหรับแชทบอทแบบเอเจนต์เดี่ยวและ RAG
agentflow คือผืนผ้าใบที่ใหญ่กว่า Flowise วางตำแหน่งให้เป็นส่วนเสริมของ chatflow และ assistant นี่คือที่ที่คุณสร้างระบบหลายเอเจนต์ กำหนดเส้นทางระหว่างสาขา วนซ้ำ และรันการจัดลำดับเวิร์กโฟลว์ที่ซับซ้อนมากขึ้น หากการออกแบบของคุณมีเอเจนต์หลายตัวที่ส่งมอบงานให้กันและกัน agentflow คือเลเยอร์ที่คุณต้องการ
assistant เป็นตัวเลือกที่มีคำแนะนำมากที่สุด คุณให้คำแนะนำ แนบเครื่องมือ และชี้ไปยังไฟล์เพื่อดึงข้อมูล เป็นวิธีที่เร็วที่สุดในการสร้างบางสิ่งที่มีประโยชน์โดยไม่ต้องคิดถึงโครงสร้างกราฟ
โฟลว์ถูกสร้างขึ้นบนผืนผ้าใบได้อย่างไร
การสร้างใน Flowise มีลักษณะดังนี้ คุณเริ่ม chatflow จากนั้นเพิ่มโหนดจากแผงด้านซ้าย
- ลากโหนดโมเดลแชทและเลือกผู้ให้บริการ (OpenAI, Anthropic, โมเดลภายในเครื่อง และอื่นๆ)
- เพิ่มตัวโหลดเอกสารและที่เก็บเวกเตอร์หากคุณต้องการการดึงข้อมูล
- เพิ่มโหนดหน่วยความจำเพื่อให้โฟลว์จดจำการสนทนา
- เชื่อมต่อเอาต์พุตเข้ากับอินพุตเพื่อให้บริบทไหลเข้าสู่โมเดล
- บันทึก จากนั้นเปิดแผงแชทเพื่อทดสอบแบบเรียลไทม์
ตัวแก้ไขภาพรองรับการแสดงออก, โหนดโค้ดที่กำหนดเอง, การแตกสาขา, การวนซ้ำ และตรรกะการกำหนดเส้นทาง ดังนั้นคุณจึงไม่ถูกจำกัด เมื่อไม่มีโหนดสำหรับกรณีของคุณ คุณก็สามารถเขียนโหนดฟังก์ชันที่กำหนดเองขนาดเล็กและคงส่วนที่เหลือไว้ในรูปแบบภาพได้
การปรับใช้ Flowise และปลายทางพยากรณ์ REST
Flowise รันเป็นแอป Node บนพอร์ต 3000 โดยค่าเริ่มต้น การเริ่มต้นที่เร็วที่สุดคือ npm:
npm install -g flowise
npx flowise start
# open http://localhost:3000
สำหรับการปรับใช้ที่ทำซ้ำได้ ให้ใช้ Docker:
docker run -d --name flowise -p 3000:3000 flowiseai/flowise
Flowise ยังรองรับการปรับใช้แบบโฮสต์เองและแบบ Air-gapped ซึ่งมีความสำคัญหากข้อมูลของคุณไม่สามารถออกจากเครือข่ายได้
เมื่อบันทึกโฟลว์แล้ว Flowise จะแปลงเป็น REST API เอกสารการพยากรณ์อย่างเป็นทางการ ครอบคลุมรูปแบบคำขอทั้งหมด chatflow และ agentflow ทุกอันจะมีปลายทางพยากรณ์ของตัวเอง:
POST /api/v1/prediction/{id}
{id} คือ ID ของโฟลว์ คุณส่งเนื้อหา JSON ที่มีฟิลด์ question อย่างน้อยหนึ่งฟิลด์ และคุณจะได้รับคำตอบของโฟลว์กลับมา การเรียกใช้แบบง่ายที่สุดมีลักษณะดังนี้:
curl -X POST http://localhost:3000/api/v1/prediction/<flow-id> \
-H "Content-Type: application/json" \
-d '{"question": "What are your store hours?"}'
เนื้อหาคำขอรองรับมากกว่าแค่คำถาม คุณสามารถส่ง streaming เพื่อสตรีมโทเค็นกลับ, overrideConfig เพื่อเปลี่ยนการตั้งค่าโฟลว์ต่อคำขอ, history เพื่อกำหนดเทิร์นก่อนหน้า และ uploads สำหรับรูปภาพหรือเสียง เมื่อเปิดการสตรีม Flowise จะปล่อยเหตุการณ์เช่น start, token และ metadata จากนั้นเป็นเหตุการณ์ end สุดท้าย Flowise ยังมี SDK Python และ TypeScript อย่างเป็นทางการที่ครอบปลายทางนี้
ปลายทางเดียวนี้เป็นข้อตกลงระหว่าง Flowise กับส่วนที่เหลือของสแตกของคุณ ฟรอนต์เอนด์ แบ็กเอนด์ บริการอื่นๆ ทั้งหมดของคุณจะสื่อสารกับโฟลว์ผ่านปลายทางนี้ ซึ่งเป็นเหตุผลว่าทำไมจึงควรทดสอบอย่างละเอียดถี่ถ้วน
เมื่อโลว์โค้ดเหมาะสม และเมื่อโค้ดเฟิร์สต์ชนะ
Flowise เหมาะสมเมื่อคุณต้องการความเร็ว, โมเดลภาพที่ใช้งานร่วมกันได้ และการวนซ้ำที่รวดเร็ว ต้นแบบ, แชทบอทภายใน, ผู้ช่วย RAG เหนือชุดเอกสาร และการสาธิตทั้งหมดสามารถสร้างขึ้นได้อย่างรวดเร็ว ผู้ที่ไม่ใช่วิศวกรในทีมสามารถอ่านผืนผ้าใบและเข้าใจสิ่งที่เอเจนต์ทำได้ ซึ่งเป็นเรื่องยากที่จะได้จากไฟล์ Python
เฟรมเวิร์กที่เน้นโค้ดเป็นหลักจะเหนือกว่าเมื่อคุณต้องการการควบคุมที่เข้มงวด หากคุณกำลังจัดการเวอร์ชันตรรกะของเอเจนต์ใน Git ด้วย diffs ที่สมบูรณ์, เขียนยูนิตเทสที่ละเอียดสำหรับแต่ละขั้นตอน, หรือสร้างสเตทแมชชีนที่ไม่ธรรมดา ไลบรารีอย่าง LangGraph หรือ Google Agent Development Kit จะให้พื้นที่แก่คุณมากขึ้น สิ่งเดียวกันนี้ใช้กับ OpenAI Agents SDK เมื่อเอเจนต์ของคุณพึ่งพาการเรียกใช้เครื่องมือที่กำหนดเอง หลายทีมใช้ทั้งสองอย่าง: สร้างต้นแบบใน Flowise จากนั้นย้ายการออกแบบที่ได้รับการพิสูจน์แล้วไปยังโค้ดเมื่อความต้องการคงที่
การอ่านอย่างตรงไปตรงมาคือสิ่งนี้ไม่ใช่สองทางเลือก Flowise มีการเข้าถึง API, CLI และ SDK รวมถึงคุณสมบัติการติดตาม, การประเมิน และ human-in-the-loop ทำให้สามารถขยายขนาดได้มากกว่าของเล่น แต่ยิ่งตรรกะของคุณคล้ายกับซอฟต์แวร์จริงมากเท่าไหร่ สแตกที่เน้นโค้ดเป็นหลักก็จะยิ่งให้ผลตอบแทนแก่คุณมากขึ้นเท่านั้น
การทดสอบปลายทางพยากรณ์และ API ที่โฟลว์ของคุณเรียกใช้
เอเจนต์ที่สร้างใน Flowise จะเชื่อถือได้เท่ากับ API ที่อยู่เบื้องหลังเท่านั้น โฟลว์จะเรียกใช้ LLM API และโดยปกติแล้วจะเรียกใช้เครื่องมือภายนอกหรือ REST API ด้วย สิ่งเหล่านั้นคือส่วนที่ล้มเหลวในการผลิต และเป็นสิ่งที่คุณสามารถทดสอบได้ใน Apidog
เริ่มต้นด้วยปลายทางพยากรณ์เอง ปฏิบัติกับ POST /api/v1/prediction/{id} เหมือนกับปลายทาง REST อื่นๆ ใน Apidog คุณตั้งค่า URL, ส่งเพย์โหลด question และเขียน การยืนยัน API ที่ตรวจสอบรูปร่างการตอบสนองและฟิลด์สำคัญ รันสิ่งนั้นเป็นการทดสอบอัตโนมัติ เพื่อให้การเปลี่ยนแปลงโฟลว์ที่ทำให้สัญญาเสียหายถูกตรวจพบก่อนที่แอปของคุณจะทำงาน
จากนั้นทดสอบ API พื้นฐานที่โฟลว์ของคุณพึ่งพา ผู้ให้บริการ LLM และปลายทางเครื่องมือทุกตัวสามารถถูกเรียกใช้ได้โดยตรง หากคุณต้องการพัฒนาโดยใช้ LLM โดยไม่ใช้โทเค็นมากเกินไปหรือติดขัดข้อจำกัดอัตรา ให้ชี้โฟลว์ไปยัง mock API ที่ส่งคืนการตอบสนองที่เตรียมไว้และสมจริง เคล็ดลับเดียวกันนี้ใช้ได้กับ API เครื่องมือบุคคลที่สามที่ทำงานผิดปกติ: สร้าง mock, ยืนยันว่าโฟลว์ของคุณจัดการรูปร่างได้ และรักษาสวีทการทดสอบของคุณให้เป็นแบบกำหนดได้ มีคำแนะนำโดยละเอียดเพิ่มเติมใน คู่มือชุดทดสอบ AI agent ของเรา
Apidog ยังจัดการส่วนที่น่าเบื่อแต่สำคัญยิ่งได้ด้วย คุณจัดเก็บคีย์ผู้ให้บริการตามสภาพแวดล้อม ดังนั้นโฟลว์การพัฒนาของคุณจะใช้คีย์ทดสอบ และการผลิตจะใช้คีย์จริงโดยไม่ต้องแก้ไขโค้ด ในการ ดาวน์โหลด Apidog และตั้งค่านี้ใช้เวลาเพียงไม่กี่นาที
คำถามที่พบบ่อย
Flowise ฟรีและเป็นโอเพนซอร์สหรือไม่
ใช่ Flowise เป็นโอเพนซอร์สภายใต้ใบอนุญาต Apache 2.0 และคุณสามารถรันได้ฟรีโดยการโฮสต์ด้วยตัวเองโดยใช้ npm หรือ Docker นอกจากนี้ยังมีตัวเลือกคลาวด์แบบโฮสต์หากคุณไม่ต้องการจัดการโครงสร้างพื้นฐาน สำหรับการตั้งค่าแบบส่วนตัวหรือ Air-gapped การโฮสต์ด้วยตัวเองจะเก็บทุกอย่างไว้ภายในเครือข่ายของคุณ
Flowise ใช้ LangChain หรือไม่
Flowise เชื่อมต่อส่วนประกอบจากทั้ง LangChain และ LlamaIndex โหนดบนผืนผ้าใบจะเชื่อมโยงกับแนวคิดที่คุ้นเคยจากเฟรมเวิร์กเหล่านั้น: เชน, เอเจนต์, ที่เก็บเวกเตอร์, ตัวเรียกข้อมูล และกลไกการสืบค้น คุณจะได้รับส่วนประกอบพื้นฐานเดียวกันโดยไม่ต้องเขียนโค้ดเชื่อมต่อด้วยตัวเอง
ความแตกต่างระหว่าง chatflow และ agentflow คืออะไร
chatflow ถูกสร้างขึ้นสำหรับระบบเอเจนต์เดี่ยว, แชทบอท และไปป์ไลน์ LLM ที่เรียบง่ายกว่า agentflow เป็นส่วนเสริม: จัดการระบบหลายเอเจนต์และการจัดลำดับที่ซับซ้อนด้วยการแตกสาขา, การวนซ้ำ และการกำหนดเส้นทาง เริ่มต้นด้วย chatflow สำหรับผู้ช่วยที่ตรงไปตรงมา และย้ายไปใช้ agentflow เมื่อเอเจนต์หลายตัวต้องการการประสานงาน
ฉันจะทดสอบ API ของโฟลว์ Flowise ได้อย่างไร
เรียกใช้ปลายทางพยากรณ์ POST /api/v1/prediction/{id} พร้อมเนื้อหา JSON ที่มี question คุณสามารถทำได้ด้วย curl, SDK อย่างเป็นทางการ หรือเครื่องมือเฉพาะ ใน Apidog คุณส่งคำขอ, ยืนยันการตอบสนอง, จำลอง LLM และ API เครื่องมือที่โฟลว์เรียกใช้ และรันทั้งหมดใน CI สำหรับรายละเอียดการยืนยันตัวตนและการสตรีมที่เฉพาะเจาะจงกับปลายทาง LLM โปรดดูคู่มือของเราเกี่ยวกับการ ทดสอบ ChatGPT API ด้วย Apidog
สรุป
Flowise เป็นเส้นทางแบบโลว์โค้ดสู่แอป LLM และ AI agent คุณสร้างบนผืนผ้าใบโหนด เลือกได้ระหว่าง chatflow, agentflow และ assistant และส่งมอบปลายทางพยากรณ์ REST โดยไม่ต้องเขียนการจัดการด้วยตัวเอง เหมาะอย่างยิ่งสำหรับต้นแบบและโฟลว์ที่ทีมอ่านเข้าใจได้ง่าย และเฟรมเวิร์กที่เน้นโค้ดเป็นหลักก็ยังคงเป็นผู้ชนะเมื่อคุณต้องการการควบคุมเชิงลึก ไม่ว่าคุณจะเลือกเส้นทางใด โฟลว์จะอยู่รอดหรือไม่ก็ขึ้นอยู่กับ API ที่เรียกใช้ ทดสอบปลายทางพยากรณ์นั้นและจำลอง LLM และ API เครื่องมือที่อยู่เบื้องหลังใน Apidog แล้วเอเจนต์ของคุณจะทำงานเหมือนกันในการผลิตเหมือนกับที่ทำบนผืนผ้าใบ