Kompletní průvodce inteligentními agenty ve Flowise

Pokud jste prozkoumali svět Flowise, pravděpodobně jste si uvědomili, že to není jen nástroj pro vytváření botů, kteří odpovídají na otázky. Je to vizuální platforma pro tvorbu aplikací a agentů s umělou inteligencí, propojovat modely s informačními zdroji a automatizovat úlohy, aniž by bylo nutné programovat celou architekturu od nuly.

Konvenční chatbot se obvykle omezuje na generování odpovědí pomocí instrukcí a v některých případech i vlastních dokumentů. Agent přidává další schopnost: může Vyberte si nástroje, poraďte se s externími službami a rozhodněte se, který krok podniknout. pokusit se dosáhnout cíle.

To neznamená, že je neomylný nebo že uvažuje jako člověk. Jeho chování závisí na vybraném modelu, instrukcích, dostupných nástrojích a limitech definovaných v pracovním postupu. V této příručce se podíváme na… Jak vytvořit inteligentního agenta s FlowisePřidejte paměť a nástroje a otestujte je před uvedením do produkčního prostředí.

Jaký je rozdíl mezi chatbotem a lidským agentem?

Základní chatbot přijme zprávu a vygeneruje odpověď. Může vést konverzaci, prohlížet dokumenty pomocí RAG nebo se řídit pokyny, ale obvykle si nevybírá mezi několika externími akcemi.

Agent v sobě spojuje několik prvků:

• Jazykový model, zodpovědný za interpretaci požadavku a vygenerování odpovědi.
• Systémová zpráva, kde je definována jeho funkce, jeho limity a způsob jeho jednání.
• Nástroje, používá se k dotazování API, vyhledávání informací nebo spouštění funkcí.
• Paměť nebo stavcož umožňuje uchovat informace mezi různými kroky nebo zprávami.
• Řídicí logika, používá se k výběru tras, opakování operací nebo zastavení provádění.

Rozdíl je patrný v podpůrném úkolu. Chatbot by mohl uživateli sdělit, kde najde fakturu. Agent, pokud má zabezpečený nástroj pro přístup k fakturačnímu systému, by mohl vyhledat příslušný dokument a vrátit autorizované informace.

Agent nezíská přístup k aplikaci pouhým přidáním do výzvy. Potřebuje skutečnou integraci, platné přihlašovací údaje a oprávnění omezená na nezbytné operace.

Požadavky na instalaci Flowise

Flowise lze nainstalovat lokálně pomocí NPM, spustit s Dockerem nebo použít jako hostovanou službu. Pro instalaci NPM potřebujete kompatibilní verzi Node.js. Oficiální dokumentace to podporuje. Node.js 18.15.0, větev 20 a novější podporované verze.

Flowise můžete nainstalovat pomocí:

npm install -g flowise

Dále spusťte službu takto:

npx flowise start

Rozhraní bude obvykle k dispozici na adrese:

http://localhost:3000

Můžete také použít Docker Compose. V takovém případě je potřeba naklonovat repozitář a přejít do jeho adresáře. docker, zkopírujte soubor s ukázkovými proměnnými a spusťte kontejnery:

docker compose up -d

Používání OpenAI není povinné. Flowise podporuje různé komerční dodavatele a lokální modely, za předpokladu, že je s nimi nástroj pro tvorbu a vybrané komponenty kompatibilní.

Chraňte Flowise a své přihlašovací údaje před zahájením

Instalace otevřená na portu 3000 by neměla být přímo vystavena internetu. Pro použití Flowise v produkčním prostředí je třeba nakonfigurovat ověřování, HTTPS, vhodnou databázi a doporučená nastavení zabezpečení.

Klíče dodavatelů musí být uloženy pomocí systému pověření Flowise. Dále je vhodné definovat proprietární a trvalý šifrovací klíčPokud se klíč změní nebo ztratí, uložené přihlašovací údaje již nemusí být správně dešifrovány.

Je také vhodné oddělit vývoj od produkce. Před povolením interakce pracovních postupů s firemními daty můžete k ověření pracovních postupů použít testovací instanci nebo projekt.

Vždy používejte princip nejmenších privilegií:

• Každému nástroji udělte pouze oprávnění, která potřebuje.
• Nezavádějte tajné kódy do výzev ani textových uzlů.
• Nezobrazovat přihlašovací údaje v protokolech ani na snímcích obrazovky.
• Omezuje adresy, na které lze zasílat požadavky.
• Před provedením citlivých akcí si vyžádejte potvrzení od člověka.

Novější verze Flowise zahrnují bezpečnostní kontroly HTTP požadavků a ve výchozím nastavení blokují určité interní adresy. Nedoporučuje se globálně deaktivovat tuto ochranu za účelem vyřešení problému s připojením, aniž byste nejprve pochopili riziko SSRF.

Vyberte si mezi Asistentem a Agentflow

Flowise nabízí tři nástroje pro tvorbu s různou úrovní složitosti.

Asistent Je to nejjednodušší způsob. Je navržen tak, aby vám pomohl rychle vytvořit konverzačního asistenta pomocí instrukcí, souborů a kompatibilních nástrojů. Je to dobrá volba pro začátečníky a jednoduché případy použití.

Chatflow Poskytuje flexibilnější vizuální plátno. Umožňuje kombinovat modely, výzvy, paměť, vyhledávání dokumentů, nástroje a vlastní komponenty. Je vhodný pro pokročilé chatboty a systémy s jedním agentem.

Agentflow V2 Je to nejkompletnější konstruktor. Je nadmnožinou předchozích a umožňuje vytvářet toky s podmínkami, smyčkami, paralelním prováděním, agenty, nástroji, lidským zásahem a explicitním řízením stavu.

Flowise si stále uchovává dokumentaci Agentflow V1Tato verze obsahuje architektury jako sekvenční agenti a multiagenty s dozorčími a pracovníky. Tato verze se však postupně vyřazuje. Pro nový projekt je vhodné používat Agentflow V2, pokud nepotřebujete zachovat stávající pracovní postup.

Jak krok za krokem vytvořit agenta s Flowise

Před přidáním uzlů definujte konkrétní úkol. „Pomoci společnosti“ je příliš vágní. Užitečnějším cílem by bylo „odpovídat na interní otázky s využitím schválené dokumentace a vytvářet tiket, když nemůžete najít řešení“.

V Agentflow V2 můžete začít s jednoduchou strukturou:

1. Vytvořte nový Agentflow.
2. Přidat počáteční uzel aby se zúčastnili konzultace.
3. Obsahuje uzel agenta.
4. Vyberte jazykový model a své přihlašovací údaje.
5. Napište systémovou zprávu s její funkcí a omezeními.
6. Přidejte potřebné nástroje.
7. Připojte výstup agenta s koncem toku.
8. Před publikováním otestujte provedení.

Systémová zpráva by měla vysvětlovat, co může agent dělat, kdy použít jednotlivé nástroje a jaké akce jsou zakázány. Může také uvádět, jak postupovat, když chybí informace.

Jednoduchý příklad by byl:

Eres un agente de soporte interno. Consulta primero la base
de conocimiento. Si no encuentras una respuesta respaldada,
explica que no dispones de información suficiente y ofrece
crear un ticket. No inventes políticas ni datos de clientes.

Čím jasnější je odpovědnost každé komponenty, tím snadněji bude zjistit, proč se provedení nezdařilo.

Přidání externích nástrojů a připojení

Tyto nástroje transformují agenta do více než jen generátoru textu. Flowise dokáže pracovat s vyhledáváním, databázovými dotazy, HTTP požadavky, řízeným kódem, MCP servery a dalšími toky používanými jako nástroje.

Propojení s CRM nebo systémem pro prodej ticketů Můžete definovat nástroj, který volá své APITo by mělo zahrnovat:

• Popisný název.
• Přesné vysvětlení, kdy to použít.
• Očekávané vstupní parametry.
• Požadované ověření.
• Strukturovaná odpověď, kterou model dokáže interpretovat.

Vyhněte se nabízení více nástrojů s téměř identickými názvy a funkcemi. Model by mohl vybrat ten nesprávný nebo vytvořit argumenty, které neodpovídají schématu.

Pro operace, které upravují data – odesílání zpráv, mazání záznamů, provádění nákupů nebo uzavírání tiketů – je vhodné zavést krok Člověk ve smyčceOsoba tedy může akci schválit nebo odmítnout ještě před jejím provedením.

Vytvořte agenta, který dotazuje dokumenty pomocí RAG

Agent Nástroje můžete kombinovat s obnovou generací vylepšenou generací nebo RAGTento systém rozděluje dokumenty na fragmenty, generuje vektorové reprezentace a vyhledává části, které nejvíce souvisejí s dotazem.

Typický pracovní postup zahrnuje:

1. Nahrát a rozdělit dokumenty.
2. Generovat vkládání.
3. Uložte vektory na kompatibilním základu.
4. Vytvořte retrívra vyhledejte relevantní fragmenty.
5. Odhalte zotavení jako součást toku nebo jako nástroj agenta.

Pouhé propojení PDF přímo s agentem nestačí k zaručení správných odpovědí. Musíte zkontrolovat kvalitu úryvků, metadata, model vkládání a počet načtených výsledků.

Je také vhodné požadovat, aby agent rozlišoval mezi informacemi nalezenými v dokumentech a jeho vlastními závěry. Pokud zdroj neobsahuje odpověď, měl by to uznat, a ne si ji vymýšlet.

Konfigurace paměti a stavu konverzace

Paměť umožňuje ukládání předchozích zpráv, ale ne všechny systémy si musí pamatovat každého uživatele na dobu neurčitou.

Flowise dokáže oddělit konverzace pomocí identifikátoru chatu. Pro úspěšné načtení konverzace z externí aplikace je nutné znovu použít identifikátor sessionId nebo ekvivalentní identifikátor konzistentním způsobem.

Existuje také Agentflow V2 Stav tokuToto se používá ke sdílení strukturovaných informací mezi uzly během provádění. Nemělo by se to zaměňovat s historií konverzace: historie ukládá zprávy, zatímco stav může ukládat proměnné potřebné k řízení toku.

Ukládání celých konverzací na dobu neurčitou zvyšuje spotřebu tokenů a může způsobit vnesení irelevantních informací. Mezi alternativy patří:

• Uchovávejte pouze nejnovější zprávy.
• Shrňte předchozí rozhovory.
• Ukládání strukturovaných dat do databáze.
• Smažte citlivé informace, které již nepotřebujete.
• Implementujte zásady uchovávání dat v souladu s ochranou osobních údajů.

Perzistentní paměť by neměla být používána jako náhrada za podnikovou databázi. Důležitá data by měla být ukládána a ověřována pomocí systémů určených k tomuto účelu.

Jak testovat a pozorovat chování agenta

Před publikováním toku si připravte normální, nejednoznačné a škodlivé dotazy. Nekontrolujte pouze to, zda odpovídá správně, když požadavek přesně odpovídá příkladu použitý k jeho stavbě.

Mezi doporučené testy patří:

• Dotazy, jejichž odpověď se jasně objevuje ve zdroji.
• Otázky, ke kterým nejsou k dispozici žádné informace.
• Pokusy o získání dat od jiných uživatelů.
• Instrukce, které se pokoušejí změnit chování agenta.
• Chyby a čekací doby externích API.
• Nástroje, které vracejí neúplná data.
• Aplikace, které vyžadují lidské schválení.

Trasování a analýzy vám umožňují vidět, které uzly byly provedeny, který nástroj agent zvolil, jak dlouho trval každý krok a kde došlo k chybě. Flowise má také vyhodnocovací funkce pro porovnání výsledků pomocí definovaných metrik nebo kritérií.

Kromě kvality odezvy monitoruje latenci, spotřebu tokenů, počet externích volání a procento spuštění, která vyžadují lidský zásah.

Vytváření systémů s více agenty v Agentflow V2

Pokud úkol zahrnuje jasně odlišné oblasti odbornosti, můžete jej rozdělit mezi několik agentů. Například jeden agent může prozkoumat společnost, zatímco jiný napíše e-mail pouze s použitím schválených informací.

Vzor Supervisor a Workers zůstává koncepčně užitečný:

• El supervizor interpretuje požadavek a rozhodne, jakou práci je třeba provést.
• Ten/Ta/To dělníci Plní specializované úkoly.
• Vedoucí shromažďuje výsledky a rozhodne, zda je proces dokončen.

V Agentflow V2 lze tuto architekturu vytvořit kombinací agentů, podmínek, smyček, sdíleného stavu a dalších toků používaných jako nástroje. Není povinné dodržovat pevnou hierarchii: můžete také vytvářet sekvenční, paralelní nebo deterministické procesy.

Parametry Limit rekurze y Maximální iterace Zdá se, že jsou spojeny s multiagentními systémy Agentflow V1. V Agentflow V2 musíte řídit každé opakování prostřednictvím struktury toku, podmínek ukončení a limitů dostupných v použitých uzlech.

Přidání agentů automaticky nezlepší výsledek. Také zvyšuje náklady, latenci a počet bodů selhání. Pokud úlohu řeší deterministická sekvence uzlů, bude obvykle snazší ji udržovat než otevřenou komunikaci mezi více modely.

Publikujte agenta pomocí rozhraní Flowise API

Po ověření toku Můžete jej integrovat do webových stránek, aplikací nebo služeb pomocí Prediction API.Požadavek je odeslán na identifikátor toku a může obsahovat zprávu, identifikátor relace a další podporované možnosti.

Před povolením externího přístupu:

• Chraňte tok pomocí klíče API.
• Nastavte limity použití.
• Ověřte přijatá data.
• Nespoléhejte se pouze na rychlé pokyny.
• Zaznamenává chyby bez ukládání tajných kódů.
• Definujte čekací doby pro externí nástroje.

Flowise zjednodušuje vizuální konstrukci, ale neodstraňuje potřebu navrhovat oprávnění, validace a bezpečnostní opatření. S agentem připojeným ke skutečným službám je nutné zacházet jako s jakoukoli jinou aplikací schopnou dotazovat se na informace nebo je upravovat.

Vytvoření inteligentního agenta pomocí Flowise zahrnuje kombinaci modelu, instrukcí, nástrojů, paměti a dobře definované logiky provádění. Nejrozumnějším přístupem je začít s malým případem užití, pozorovat jeho chování a přidávat autonomii pouze tehdy, když testování prokáže její nezbytnost.

Assistant zjednodušuje počáteční kroky, Chatflow nabízí větší kontrolu nad chatboty a jednotlivými agenty a Agentflow V2 umožňuje vytvářet složitější automatizace. Výběr správného nástroje pro tvorbu a přesné omezení akcí modelu je mnohem důležitější než přidání co největšího počtu uzlů.