从LangChain使用Agent的懵懵懂懂，到AutoGen的”放肆”Agents,这周的学习和写作实在太幸福了。假如您是第一次接触AugoGen,请先要查看逐步掌握最佳Ai Agents框架-AutoGen 六 语音AI代理 – 掘金 (juejin.cn)
前言
在上两篇文章中，我们围绕Uniswap专家知识库打造AI助理。今天我们将以零代码的方式来实现，这要归功于Flowise。我们将使用Flowise构建的工作流，来实现一个同样的AI助理应用。
AI生态
随着AIGC的火爆，有很多非常优秀的框架、工具和服务，构建起来了良好的AI开发生态。Flowise 也是其中之一， 在介绍它之前，我们先来聊聊我们熟悉AI生态里的工具或服务，欢迎大家在评论区补充，好让我也快点学起来， 用起来。如何将这些优秀的AI生态成员工具接我们的项目，这会是我下一步写作的方向。
上图来自Flowise首页
- LangChain
LangChain提供python和js两个语言版本，Flowise基于LangChainJS库，零代码完成LLMs应用非常方便。
- Chroma
Chroma是LangChain生态里的向量数据库。将用户查询和资料，使用LLM进行embedding后，计算cosin向量值，就可以快速完成自然语言相似性处理。Chroma封装了这一流程。
- OpenAI
最为常用的AI大模型，我们也可以使用其它代替。
- HuggingFace
&emsp全球最大LLMs 社区, 有着丰富的开源大模型、数据集和类似github page 一样的在线大模型服务。
Flowise
Flowise是使用非常广泛的AI零代码工具。不需要任何编码，就可以通过拖拽的方式，轻松实现一个chat bot，并支持一键布署。
- 安装Floise
在FlowiseAI/Flowise: Drag & drop UI to build your customized LLM flow (github.com)中有两种使用方式。在这里我们使用基于node的第一种方案，如果大家对docker比较熟悉，也可以使用第二种。
-
Install Flowise
npm install -g flowise -
Start Flowise
npx flowise startWith username & password
npx flowise start --FLOWISE_USERNAME=user --FLOWISE_PASSWORD=1234
- AI助理要使用到的工作流组件
假定大家已经安装好flowise, 并在相关端口本地成功启动flowise。
通过左上角的加号，我们添加了OPENAI 大模型模块。
PdfFile、Recursive Character Text Spliter、OpenAI Embeddings、和 In-Momory Vector Store 四个模块的引入，分别解决了Uniswap 白皮书(pdf格式)的加载、1000字符一片的切片、切片的embedding计算和向量存储
LangChain的Conversational Retrieval QA Chain模块的加入，集合OPENAI、向量数据库、数据缓存一起，实现了chat boot。 保存并运行，我们就可以和AI聊天机器人QA对话了。
当我们了解了AI知识文档聊天机器人的各个功能模块和LangChain的工作方式后，使用Flowise可以快速搭建工作流，非常惊艳。
- 与AutoGen交流
点击右上角第二个按钮，会出现如上图的操作。我们选择python，打开之前的python note book, 交由AutoGen调用。
大家可以打开LangChain-Advanced/Integrations/AutoGen/autogen_flowise_ai_agent.ipynb at main · sugarforever/LangChain-Advanced (github.com)来看代码。前几篇文章中讲过的代码我这里就不再累述，这里只讲flowise_ai的增量部分
- 拷贝flowise 提供的代码， 放入ipynb文件。
import requests
API_URL = "http://localhost:4000/api/v1/prediction/433ed37e-9546-4e73-a688-7352b78bf852"
def query(payload):
response = requests.post(API_URL, json=payload)
return response.json()
output = query({
"question": "Hey, how are you?",
})
上面的代码使用requests请求库，向flowiseAI拖拽生成的AI代理应用发送了请求。并且调用并问了个问题，来测试是否引入成功。这个例子大家需要在本地运行python notebook哦，在远程colab里是运行不了的，注意看API_URL。
- 定义agents with function calls 函数
import requests
API_URL = "http://localhost:4000/api/v1/prediction/433ed37e-9546-4e73-a688-7352b78bf852"
def answer_flowise_uniswap_question(question):
response = requests.post(API_URL, json={ "question": question })
return response.json()
- 在llm_config和user_proxy中添加配置
llm_config={
"request_timeout": 600,
"seed": 42,
"config_list": config_list,
"temperature": 0,
"functions": [
{
"name": "answer_flowise_uniswap_question",
"description": "Answer any Uniswap related questions",
"parameters": {
"type": "object",
"properties": {
"question": {
"type": "string",
"description": "The question to ask in relation to Uniswap protocol",
}
},
"required": ["question"],
},
}
],
}
user_proxy = autogen.UserProxyAgent(
name="user_proxy",
human_input_mode="NEVER",
max_consecutive_auto_reply=10,
code_execution_config={"work_dir": "."},
llm_config=llm_config,
system_message="""Reply TERMINATE if the task has been solved at full satisfaction.
Otherwise, reply CONTINUE, or the reason why the task is not solved yet.""",
function_map={"answer_flowise_uniswap_question": answer_flowise_uniswap_question}
)
- use_proxy 开始工作
user_proxy.initiate_chat(
assistant,
message="""
I'm writing a blog to introduce the version 3 of Uniswap protocol. Find the answers to the 3 questions below and write an introduction based on them.
1. What is Uniswap?
2. What are the main changes in Uniswap version 3?
3. How to use Uniswap?
Start the work now.
"""
)
- autogen 返回
autogen工作流程和逐步掌握最佳Ai Agents框架-AutoGen 五 与LangChain手拉手 – 掘金 (juejin.cn)文章是一样的，大家可以点开查看， 这里就不粘代码了。
总结
本文继上篇之后，使用Flowise 低代码的方式，同样实现了基于Uniswap的专家知识库AI助理项目。有以下收获：
- agents with function calls 这一autogen的语法，是autogen与其它AI工具或服务连接的利器，这一想法再次加固
- Flowise AI工具，非常便捷和快速的帮助我们搭建了产品思路和实现，在AI原型阶段非常有必要
参考资料
-
python notebook LangChain-Advanced/Integrations/AutoGen/autogen_flowise_ai_agent.ipynb at main · sugarforever/LangChain-Advanced (github.com)
