Python'da her bileşeni ayrı ayrı bir araya getirmek yerine bir LLM uygulaması veya bir AI ajanı oluşturmak isterseniz, Flowise size görsel bir tuval sunar. Bu, düğümleri sürükleyip bırakarak, onları birbirine bağlayarak ve sonunda bir API bitiş noktasıyla çalışan bir yapay zeka iş akışı elde ettiğiniz açık kaynaklı, düşük kodlu bir araçtır. Bu rehber Flowise'ın ne olduğunu, sohbet akışları ve ajan akışlarının nasıl farklılaştığını, nasıl dağıttığınızı ve tahmin bitiş noktasını ve akışınızın çağırdığı API'leri nasıl test ettiğinizi açıklar. LangGraph hakkındaki açıklayıcı yazımızı okuduysanız, Flowise spektrumun diğer ucunda yer alır: kod-odaklı yerine görsel-odaklıdır. Kaynak kodu için projenin GitHub'daki README'sini okuyabilirsiniz.
Flowise Nedir
Flowise, AI ajanları ve LLM iş akışları oluşturmak için açık kaynaklı, üretken bir yapay zeka geliştirme platformudur. Apache 2.0 lisansı altında yayınlanmıştır, bu sayede yerel olarak çalıştırabilir, kendi sunucunuzda barındırabilir veya çatallayabilirsiniz.
Temel fikir, düğüm tabanlı bir tuvaldir. Her düğüm bir yapı taşıdır: bir sohbet modeli, bir vektör deposu, bir belge yükleyici, bir bellek modülü, bir alıcı, bir araç. Bunları tuvale sürükleyip bırakır, aralarında bağlantılar çizersiniz ve bağlantılar verinin nasıl aktığını tanımlar. Akış tamamlandığında, Flowise onu herhangi bir uygulamadan çağırabileceğiniz bir REST API olarak sunar.
Arka planda Flowise, LangChain ve LlamaIndex gibi çerçevelerden bileşenleri bağlar. Bu nedenle, ikisinden birini kullandıysanız soyutlamalar tanıdık gelecektir: zincirler, ajanlar, vektör depoları, sorgu motorları. Fark, sınıfları içe aktarmak ve yapıcıları çağırmak yerine onları tıklayarak ve bağlayarak bir araya getirmenizdir. Flowise'ın yaptığı değişim budur. Biraz ayrıntılı kontrolden vazgeçersiniz ve hız ile tüm ekibinizin okuyabileceği ortak bir görsel model kazanırsınız.
Sohbet Akışları, Ajan Akışları ve Asistanlar
Flowise size üç oluşturucu türü sunar ve doğru olanı seçmek önemlidir.
| Oluşturucu Türü | En İyisi İçin | Kapsam |
|---|---|---|
| Asistan | Yeni başlayanlar; talimatları izleyen, araçları kullanan ve yüklenen dosyalar üzerinde RAG yapan sohbet asistanları | En dar, en yönlendirici |
| Sohbet Akışı | Tek ajanlı sistemler, sohbet robotları, daha basit LLM akışları; Graph RAG ve yeniden sıralayıcıları destekler | Tek Ajanlı |
| Ajan Akışı | Dallanma, döngü ve yönlendirme ile çok ajanlı sistemler ve karmaşık orkestrasyon | En geniş; Sohbet Akışı ve Asistan'ın üst kümesi |
Bir sohbet akışı, klasik Flowise akışıdır. Tek bir mantıksal boru hattı oluşturursunuz: bir soru alır, bağlamı getirir, bir modeli çağırır, bir yanıt döndürür. Tek ajanlı sohbet robotlarını ve RAG'ı iyi yönetir.
Bir ajan akışı daha büyük bir tuvaldir. Flowise bunu sohbet akışı ve asistanın bir üst kümesi olarak konumlandırır. Burası, çok ajanlı sistemler oluşturduğunuz, dallar arasında yönlendirme yaptığınız, döngüler kurduğunuz ve daha karmaşık iş akışı orkestrasyonu çalıştırdığınız yerdir. Tasarımınızda birbirine iş devreden birkaç ajan varsa, ajan akışı istediğiniz katmandır.
Asistan, en yönlendirici seçenektir. Ona talimatlar verir, araçlar eklersiniz ve alınacak dosyaları işaret edersiniz. Grafik yapısını düşünmeden faydalı bir şey elde etmenin en hızlı yoludur.
Bir Akış Tuvalde Nasıl Bir Araya Gelir
Flowise'da oluşturmak şöyle görünür. Bir sohbet akışı başlatır, ardından sol panelden düğümler eklersiniz.
- Bir sohbet modeli düğümünü bırakın ve bir sağlayıcı seçin (OpenAI, Anthropic, yerel bir model vb.).
- Alma (retrieval) gerekiyorsa bir belge yükleyici ve bir vektör deposu ekleyin.
- Akışın konuşmayı hatırlaması için bir bellek düğümü ekleyin.
- Bağlamın modele akması için çıktıları girdilere bağlayın.
- Kaydedin, ardından canlı test etmek için sohbet panelini açın.
Görsel düzenleyici ifadeleri, özel kod düğümlerini, dallanmayı, döngüleri ve yönlendirme mantığını destekler. Yani kısıtlanmış değilsiniz. Durumunuz için bir düğüm mevcut olmadığında, küçük bir özel fonksiyon düğümü yazarsınız ve geri kalanını görsel tutarsınız.
Flowise'ı ve REST Tahmin Bitiş Noktasını Dağıtma
Flowise varsayılan olarak 3000 numaralı bağlantı noktasında bir Node uygulaması olarak çalışır. En hızlı başlangıç npm'dir:
npm install -g flowise
npx flowise start
# open http://localhost:3000
Tekrarlanabilir bir dağıtım için Docker kullanın:
docker run -d --name flowise -p 3000:3000 flowiseai/flowise
Flowise ayrıca kendi sunucunuzda barındırılan ve hava boşluklu (air-gapped) dağıtımları da destekler; bu, verilerinizin ağınızdan ayrılamaması durumunda önemlidir.
Bir akış kaydedildikten sonra Flowise onu bir REST API'ye dönüştürür. Resmi tahmin belgeleri, tam istek formatını kapsar. Her sohbet akışı ve ajan akışı kendi tahmin bitiş noktasına sahiptir:
POST /api/v1/prediction/{id}
`{id}` akışın kimliğidir. En az bir `question` alanına sahip bir JSON gövdesi gönderirsiniz ve akışın yanıtını geri alırsınız. Minimal bir çağrı şöyle görünür:
curl -X POST http://localhost:3000/api/v1/prediction/<akış-kimliği> \
-H "Content-Type: application/json" \
-d '{"question": "Mağaza saatleriniz nedir?"}'
İstek gövdesi, sorudan daha fazlasını destekler. Token'ları geri akışla almak için `streaming`'i, istek başına akış ayarlarını değiştirmek için `overrideConfig`'i, önceki dönüşleri beslemek için `history`'yi ve görseller veya ses için `uploads`'ı iletebilirsiniz. Akış açık olduğunda, Flowise `start`, `token` ve `metadata` gibi olayları, ardından son bir `end` olayını yayar. Flowise ayrıca bu bitiş noktasını saran resmi Python ve TypeScript SDK'ları da sunar.
Bu tek bitiş noktası Flowise ile yığınınızın geri kalanı arasındaki sözleşmedir. Ön ucunuz, arka ucunuz, diğer hizmetlerinizin hepsi bu aracılığıyla akışla iletişim kurar. Bu yüzden dikkatlice test etmeye değerdir.
Düşük Kod Ne Zaman Uygun, Kod-Odaklı Ne Zaman Kazanır
Flowise; hız, ortak bir görsel model ve hızlı yineleme istediğinizde iyi bir seçenektir. Prototiplemeler, dahili sohbet robotları, bir belge kümesi üzerinde RAG asistanları ve demoların hepsi hızlıca bir araya gelir. Ekipteki mühendis olmayanlar tuvali okuyabilir ve ajanın ne yaptığını anlayabilir, bu da bir Python dosyasından anlamak zordur.
Sıkı kontrole ihtiyaç duyduğunuzda kod-odaklı çerçeveler öne çıkar. Ajan mantığını Git'te tam farklarla sürümlendiriyorsanız, her adım etrafında yoğun birim testleri yazıyorsanız veya sıra dışı durum makineleri inşa ediyorsanız, LangGraph veya Google Ajan Geliştirme Kiti gibi bir kütüphane size daha fazla alan tanır. Ajanlarınız özel araç çağrılarına dayandığında OpenAI Agents SDK için de aynısı geçerlidir. Birçok ekip ikisini de kullanır: Flowise'da prototip oluşturur, ardından gereksinimler netleştiğinde kanıtlanmış tasarımı koda taşır.
Dürüstçe söylemek gerekirse bu ikili bir durum değil. Flowise, API, CLI ve SDK erişimi, ayrıca izleme, değerlendirme ve insan döngüde özellikleri sunar, bu nedenle bir oyuncaktan daha fazla ölçeklenir. Ancak mantığınız gerçek yazılıma ne kadar çok benzerse, kod-odaklı bir yığın sizi o kadar çok ödüllendirir.
Tahmin Bitiş Noktasını ve Akışınızın Çağırdığı API'leri Test Etme
Flowise'da oluşturulan bir ajan, ancak arkasındaki API'ler kadar güvenilirdir. Akış bir LLM API'si çağırır ve genellikle harici araç veya REST API'lerini de çağırır. Bunlar üretimde başarısız olan parçalardır ve Apidog'da test edebileceğiniz şeyler tam olarak bunlardır.
Tahmin bitiş noktasının kendisiyle başlayın. `POST /api/v1/prediction/{id}`'i diğer herhangi bir REST bitiş noktası gibi ele alın. Apidog'da URL'yi ayarlarsınız, bir `question` yükü gönderirsiniz ve yanıtın şeklini ve ana alanlarını kontrol eden API onayları yazarsınız. Bunu otomatik bir test olarak çalıştırın, böylece sözleşmeyi bozan bir akış değişikliği uygulamanız bozulmadan önce yakalanır.
Ardından, akışınızın bağlı olduğu temel API'leri test edin. LLM sağlayıcısı ve her araç bitiş noktası doğrudan vurulabilir. Token yakmadan veya hız limitlerine takılmadan LLM'ye karşı geliştirme yapmak isterseniz, akışı, önceden hazırlanmış, gerçekçi yanıtlar döndüren bir sahte API'ye yönlendirin. Aynı numara istikrarsız bir üçüncü taraf araç API'si için de işe yarar: onu taklit edin, akışınızın şekli işlediğini onaylayın ve test takımınızı belirleyici tutun. AI ajan test donanımı rehberimizde daha kapsamlı bir açıklama bulunmaktadır.
Apidog ayrıca sıkıcı ama kritik kısımları da halleder. Sağlayıcı anahtarlarını ortama göre depolarsınız, böylece geliştirme akışı bir test anahtarı kullanır ve üretim, kod değişiklikleri olmadan gerçek anahtarı kullanır. Apidog'u indirip bunu kurmak birkaç dakika sürer.
Sıkça Sorulan Sorular
Flowise ücretsiz ve açık kaynaklı mı?
Evet. Flowise, Apache 2.0 lisansı altında açık kaynaklıdır ve npm veya Docker ile kendi sunucunuzda barındırarak ücretsiz olarak çalıştırabilirsiniz. Altyapıyı yönetmek istemiyorsanız, barındırılan bir bulut seçeneği de mevcuttur. Özel veya hava boşluklu kurulumlar için, kendi sunucunuzda barındırma yolu her şeyi ağınızın içinde tutar.
Flowise LangChain kullanıyor mu?
Flowise hem LangChain hem de LlamaIndex'ten bileşenleri bağlar. Tuvaldeki düğümler, bu çerçevelerden tanıdık kavramlara eşleşir: zincirler, ajanlar, vektör depoları, alıcılar ve sorgu motorları. Yapıştırıcı kodu elle yazmadan aynı yapı taşlarına sahip olursunuz.
Sohbet akışı ile ajan akışı arasındaki fark nedir?
Bir sohbet akışı tek ajanlı sistemler, sohbet robotları ve daha basit LLM boru hatları için oluşturulmuştur. Bir ajan akışı ise üst kümedir: dallanma, döngü ve yönlendirme ile çok ajanlı sistemleri ve karmaşık orkestrasyonu yönetir. Basit bir asistan için bir sohbet akışıyla başlayın ve birden fazla ajanın koordine olması gerektiğinde bir ajan akışına geçin.
Bir Flowise akışının API'sini nasıl test ederim?
`POST /api/v1/prediction/{id}` tahmin bitiş noktasını, bir `question` içeren JSON gövdesiyle çağırın. Bunu curl, resmi SDK'lar veya özel bir araçla yapabilirsiniz. Apidog'da isteği gönderir, yanıtı onaylar, akışın çağırdığı LLM ve araç API'lerini taklit eder ve hepsini CI'da çalıştırırsınız. LLM bitiş noktalarına özgü kimlik doğrulama ve akış ayrıntıları için, ChatGPT API'sini Apidog ile test etme rehberimize bakın.
Özet
Flowise, LLM uygulamalarına ve AI ajanlarına giden düşük kodlu yoldur. Bir düğüm tuvali üzerinde oluşturur, sohbet akışları, ajan akışları ve asistanlar arasında seçim yapar ve orkestrasyonu elle yazmadan bir REST tahmin bitiş noktası gönderirsiniz. Prototiplemeler ve ekip tarafından okunabilir akışlar için güçlü bir uyum sağlar ve derin kontrole ihtiyaç duyduğunuzda kod-odaklı çerçeveler hala kazanır. Hangi yolu seçerseniz seçin, akış çağırdığı API'ler ile yaşar veya ölür. Apidog'da bu tahmin bitiş noktasını test edin ve arkasındaki LLM ve araç API'lerini taklit edin, böylece ajanınız üretimde de tuvalde davrandığı gibi davranacaktır.