Langflow kullanarak nasıl bot oluşturulur ve bu bot Telegram, Discord veya Slack'e nasıl bağlanır?

Yapay zekâ dünyasına girmek istiyor ancak binlerce satır kod sizi korkutuyorsa, Langflow bu süreci önemli ölçüde kolaylaştırabilir. Bu açık kaynaklı platform, şunları sağlar: Görsel bir arayüz kullanarak uygulamalar, ajanlar ve yapay zeka iş akışları oluşturun. Farklı bileşenlerin birbirine bağlandığı yapı.

Bir uygulamanın tüm mantığını sıfırdan programlamak yerine, mesaj almak, talimatlar hazırlamak, belgelere danışmak, bir modeli çağırmak ve yanıt döndürmek için bloklar ekleyebilirsiniz. Her blok belirli bir işlevi temsil eder ve belirli veri türleriyle uyumlu giriş ve çıkışlara sahiptir.

Bu, Langflow'un teknik yönleri tamamen ortadan kaldırdığı anlamına gelmez. Gelişmiş uygulamalar oluşturmak için, aşağıdaki gibi kavramları anlamanız hala gereklidir: istemler, modeller, araçlar, bellek, gömme işlemleri, API'ler ve vektör veritabanlarıAradaki fark, bu parçaları görsel olarak düzenleyebilmeniz, ayrı ayrı test edebilmeniz ve tüm programı yeniden yazmak zorunda kalmadan akışı değiştirebilmenizdir.

Langflow ayrıca API aracılığıyla akışları yayınlamanıza da olanak tanır. Bu özellik sayesinde, editörde oluşturulan prototip, harici bir uygulamanın, web sitesinin veya mesajlaşma botunun beyni haline gelebilir. Bunu yapmanın bir yolu da, akışları birleştirmektir. Langflow ve LangBotYapay zekâ sistemlerini Telegram, Discord, Slack, LINE, WeChat ve diğer hizmetlerle birleştiren bir platform.

Langflow nedir ve ne için kullanılır?

Langflow, uygulama geliştirme ve çalıştırma için görsel bir platformdur. dil modeli tabanlı iş akışlarıEditörü, tuval üzerine sürüklenebilen ve portlar aracılığıyla birbirine bağlanarak bir işlem dizisi oluşturan bileşenler kullanır.

Mevcut bileşenler şunlardır:

• Sohbet giriş ve çıkışları Mesaj almak ve mesaj göndermek.
• Dil modelleri farklı tedarikçilerden.
• İstemler Dinamik talimatlar ve değişkenlerle.
• Ajanlar Hangi araçları kullanacağına karar verebilmek.
• Dosya yükleyiciler Belgeleri ve diğer verileri işlemek.
• Gömme modelleri Bilgileri vektörler kullanarak temsil etmek.
• Vektör veritabanları İlgili içeriği depolamak ve almak için.
• Araçlar ve API'ler Harici hizmetlerle etkileşime olanak sağlayanlar.
• Bellek bileşenleri Konuşmaların tarihini korumak için.

Langflow, LangChain ekosistemiyle yakından bağlantılı olarak ortaya çıkmış olsa da, yalnızca bu kütüphane için grafiksel bir arayüz olarak tanımlanmamalıdır. Şu anda şunları sunmaktadır: kendi bileşen mimarisine, API'sine, sunucusuna ve dağıtım sistemine sahip.Ayrıca, çok sayıda sağlayıcıyla entegrasyonlar da mevcuttur.

Langflow özellikle prototipleme, farklı modellerle deneme yapma, RAG sistemleri geliştirme ve uygulama mantığını bir API aracılığıyla sunma konusunda kullanışlıdır. Ayrıca, dahil edilen bloklar belirli bir ihtiyacı karşılamadığında özel Python bileşenleri oluşturmanıza da olanak tanır.

Akış, zincir ve etken arasındaki farklar

Başlamadan önce, sıklıkla birbirinin yerine kullanılan birkaç kavram arasında ayrım yapmak önemlidir.

Un akış Uygulamayı oluşturan tüm bileşenler ve bağlantılar kümesidir. Girişler, istemler, modeller, araçlar, depolama ve çıktılar içerebilir.

A zincir Nispeten tahmin edilebilir bir sıra izler. Örneğin, bir sorgu alabilir, onu çevirebilir, bir modele gönderebilir ve ardından yanıtı özetleyebilir. Bir aşamanın çıktısı, önceden tanımlanmış bir yolu izleyerek bir sonrakine geçer.

Un ajanBunun yerine, bir hedef alır ve bu hedefe ulaşmak için hangi aracı kullanacağına karar verir. Yanıt vermeden önce bir veritabanını sorgulayabilir, arama yapabilir veya çeşitli işlemler gerçekleştirebilir.

İnşa etmek de mümkündür. çoklu ajan sistemleriBurada birden fazla ajan farklı işlevleri yerine getirir. Biri bilgi toplar, diğeri analiz eder ve üçüncüsü nihai yanıtı hazırlar. Bununla birlikte, birkaç modeli ardışık olarak bağlamak, bir akışı otomatik olarak çoklu ajan sistemine dönüştürmez.

Bu fark önemlidir çünkü aracılar daha fazla esneklik sunar, ancak aynı zamanda daha fazla jeton tüketebilir, daha uzun sürebilir ve beklenmedik kararlar alabilirler. Basit ve tahmin edilebilir bir görev için, Geleneksel bir iş akışı genellikle daha hızlıdır ve hata ayıklaması daha kolaydır..

LangBot bu entegrasyonda hangi rolü oynuyor?

Langflow, yapay zeka uygulamasının mantığının yürütülmesini sağlar, ancak Telegram, Discord veya Slack gibi hizmetlerle olan tüm bağlantıları doğrudan yönetmez. Bunun için LangBot'u kullanabilirsiniz.

LangBot, açık kaynaklı bir platform olup şu amaçlarla tasarlanmıştır: Farklı mesajlaşma servislerinde botlar oluşturun ve yönetin.Mesaj alımını, her platformla bağlantıyı, izinleri ve son kullanıcıya yanıt göndermeyi yönetir.

Sorumlulukların dağılımı aşağıdaki gibidir:

• Langflow bir yapay zeka motoru görevi görür: Mesajı alır, komutları yürütür, verileri sorgular, modeli çağırır ve bir yanıt oluşturur.
• LangBot bir aracı görevi görür: Telegram, Discord veya Slack'ten gelen mesajı alır, akışa gönderir ve sonucu ilgili platforma geri gönderir.

Bu nedenle, LangBot herhangi bir diyagramı otomatik olarak bitmiş bir bota dönüştürmez. Öncelikle şunları yapmalısınız: Langflow'da akışı oluşturun ve test edin.Uç noktanızı yayınlayın ve LangBot'a çalıştırmak için gereken bilgileri sağlayın.

Langflow ve LangBot ile bot oluşturmak için gerekenler

Başlamadan önce, aşağıdaki araçların kurulu veya erişilebilir olması gerekmektedir:

• Docker ve Docker ComposeEğer uygulamaları konteyner kullanarak çalıştıracaksanız.
• LangflowYerel olarak veya erişilebilir bir sunucuya kurulmuş.
• LangBotuv, Docker veya desteklenen yöntemlerden biri kullanılarak yüklenmiştir.
• Model sağlayıcısından alınan bir API anahtarıYerel bir model kullanmadığınız sürece.
• Telegram, Discord, Slack veya başka bir platform için bir token. Botu istediğiniz yerde yayınlayabilirsiniz.
• Bir Langflow API Anahtarı Akışa yapılan çağrıları yetkilendirmek için.

Ayrıca LangBot'un Langflow adresine erişebildiğinden emin olmalısınız. Her iki uygulamanın da tarayıcıda doğru şekilde çalıştığından emin olun. Bu, onların birbirleriyle iletişim kurabileceklerini garanti etmez.özellikle de farklı kapların içinde olduklarında.

İlk test için her iki aracı da aynı bilgisayarda çalıştırabilirsiniz. İş akışı çalışmaya başladıktan sonra, onu bir sunucuya taşıyabilir, kalıcı bir veritabanı ekleyebilir ve daha sıkı güvenlik önlemleri uygulayabilirsiniz.

Docker kullanarak Langflow nasıl kurulur?

Langflow'u denemenin en hızlı yolu, resmi Docker imajını kullanmaktır. Temel bir komut şu şekildedir:

docker run -d \
  --name langflow \
  -p 7860:7860 \
  -v langflow-data:/app/langflow \
  -e LANGFLOW_AUTO_LOGIN=false \
  -e LANGFLOW_SUPERUSER_PASSWORD=CAMBIA_ESTA_CONTRASENA \
  langflowai/langflow:latest

Ardından arayüze şu şekilde erişebilirsiniz:

http://localhost:7860

Hacim langflow-data Bu özellik, konteyner yeniden oluşturulduğunda projeleri ve ayarları korumanıza olanak tanır. Bu özellik olmadan, Konteyneri kaldırarak veya değiştirerek akışları kaybedebilirsiniz..

Zayıf bir parola kullanmamalı veya 7860 portunu doğrudan internete açmamalısınız. Üretim ortamında HTTPS kullanılması, erişimin kısıtlanması ve PostgreSQL gibi uygun bir veritabanının dağıtılması önerilir.

LangBot nasıl kurulur ve açılır?

LangBot farklı kurulum yöntemleri sunmaktadır. Hızlı bir test için aşağıdaki komutu kullanarak çalıştırabilirsiniz. uvxUV ekosistemine dahil olan bir araç:

uvx langbot

Başlatıldıktan sonra, yönetim paneli genellikle şu konumda bulunur:

http://localhost:5300

Bu yöntem, Python ortamını manuel olarak kurmaya gerek kalmadan uygulamayı test etmek için uygundur. Daha kalıcı bir dağıtım için LangBot, Docker Compose tabanlı bir yapılandırma da sunmaktadır.

Karıştırmamalısınız LangBot'un 5300 numaralı portu, Langflow'un 7860 numaralı portuyla birlikte kullanılıyor.Bunlar birbirinden bağımsız iki uygulamadır ve her biri kendi paneline, yapılandırmasına ve işlemine sahiptir.

LangBot'tan, seçtiğiniz mesajlaşma platformuyla bağlantı kurmanız ve yanıtları oluşturmaktan sorumlu işlem hattını veya sağlayıcıyı yapılandırmanız gerekecektir. Bazı menülerin tam adları sürümler arasında farklılık gösterebilir, ancak Langflow entegrasyonu yayınlanan akışı yürütmek için API'sini kullanır.

Langflow'da temel akış nasıl oluşturulur?

LangBot'a bağlamadan önce, Langflow arayüzünden yeni bir akış oluşturun. Şablonla başlayabilirsiniz. Temel İstem veya sıfırdan başlamak.

Basit bir konuşma akışı şunları içerebilir:

• Sohbet Girişi: Kullanıcı tarafından gönderilen mesajı alır.
• Çabuk: Botun davranışını tanımlayan talimatları ekleyin.
• Dil Modeli: Seçilen modeli çalıştırın.
• Sohbet Çıktısı: Modelin ürettiği yanıtı iletir.

Genel bağlantı şu şekilde olacaktır:

Chat Input → Prompt → Language Model → Chat Output

Model bileşeni içinde bir sağlayıcı seçmeniz ve kimlik bilgilerini yapılandırmanız gerekecektir. Langflow farklı modelleri ve entegrasyonları desteklediğinden, kullanılabilir alanlar seçtiğiniz seçeneğe bağlı olacaktır.

Komut istemine aşağıdaki gibi talimatlar yazabilirsiniz:

Eres un asistente de soporte técnico.
Responde en español con instrucciones claras y breves.
Si no conoces la respuesta, indícalo y no inventes información.

Pregunta del usuario:
{input}

Değişken adı, bileşene bağlı girişle eşleşmelidir. İstemi farklı bir değişken bekliyorsa veya kullanıcının mesajını almıyorsa, Model sorguyu görmezden gelebilir veya her zaman aynı şekilde yanıt verebilir..

Yayınlamadan önce akışı nasıl test edebilirim?

Langflow Playground'u açın ve farklı mesajlar gönderin. Sadece yanıt döndürüp döndürmediğini kontrol etmekle kalmayın: uzun soruları, boş girdileri, belirsiz talimatları ve hakkında hiçbir bilgisi olmayan sorguları nasıl ele aldığını da inceleyin.

Araçlar veya belgeler kullanıyorsanız, modelin şu özelliklere sahip olduğundan emin olun:

• Uygun aracı çağırın. Gerektiğinde.
• Bir alet kullanmıyor. Doğrudan cevaplayabileceğiniz sorular için.
• İlgili parçaları alın dokümantasyonun.
• O, bilgi uydurmuyor. Kaynakta cevap bulunmadığında.
• Bu, konuşmaları birbirinden ayrı tutar. farklı kullanıcılardan.

Bu adım çok önemli. Eğer akış Playground'da çalışmıyorsa, onu LangBot'a bağlamak sadece başka bir karmaşıklık katmanı ekleyecek ve... Sorunun kaynağını bulmak giderek zorlaşıyor..

API anahtarını ve akış tanımlayıcısını nasıl edinebilirsiniz?

LangBot'un hangi akışı yürüteceğini bilmesi ve ona erişim yetkisine sahip olması gerekir.

Bir anahtar oluşturmak için Langflow kullanıcı menüsünü açın ve aşağıdaki adımları izleyin. Ayarlar ve ilgili bölümü arayın. Langflow API AnahtarlarıYeni bir parola oluşturun, kopyalayın ve bir parola yöneticisine kaydedin, çünkü parolanız bir daha tam olarak görüntülenmeyebilir.

Langflow anahtarları, onları oluşturan kullanıcının izinlerini devralır. Bu nedenle, Yönetici anahtarını paylaşmamalı veya ekran görüntülerine, depolara veya herkese açık dosyalara eklememelisiniz..

Akışı bulmak için, akışı açın ve şunu girin:

Share → API access

Bu bölümden, oluşturulan uç noktayı görüntüleyebilir ve çalıştırmak için kod örneklerini görebilirsiniz. Adres genellikle buna benzer bir yapıya sahiptir:

http://localhost:7860/api/v1/run/IDENTIFICADOR_DEL_FLUJO

Langflow ayrıca uç noktaya bir ad atamanıza da olanak tanır. Bu, uzun bir tanımlayıcı yerine tanınabilir bir adres kullanmayı kolaylaştırır.

http://localhost:7860/api/v1/run/bot-soporte

Akış Kimliği arayüzde veya URL'de farklı yerlerde görünebilse de, Paylaşım ve API erişimi en güvenilir referanstır. Çünkü bu, harici uygulamanın kullanması gereken uç noktayı gösterir.

Langflow API'sini manuel olarak nasıl kontrol edebilirim?

LangBot'u yapılandırmadan önce, doğrudan API'ye bir istek göndermeniz önerilir. Langflow tarafından sağlanan kodu kullanabilir veya aşağıdaki komutla bir test çalıştırabilirsiniz. curl:

curl --request POST \
  --url "http://localhost:7860/api/v1/run/IDENTIFICADOR_DEL_FLUJO" \
  --header "Content-Type: application/json" \
  --header "x-api-key: TU_API_KEY" \
  --data '{
    "input_value": "Hola, ¿puedes ayudarme?",
    "input_type": "chat",
    "output_type": "chat"
  }'

Bu istek başarısız olursa, devam etmeden önce adresi, anahtarı, tanımlayıcıyı ve Langflow günlüklerini kontrol edin.

Gövdenin tam içeriği, akışta kullanılan girdilere bağlı olarak değişebilir. API erişim paneli, yapılandırmaya göre uyarlanmış örnekler oluşturur, bu nedenle Kendi kurulumunuz tarafından üretilen örneği kopyalamak daha iyidir..

Etkileşimli API dokümantasyonuna şu adresten de ulaşabilirsiniz:

http://localhost:7860/docs

LangBot'u Langflow API'sine nasıl bağlayabilirim?

API doğrulandıktan sonra, LangBot kontrol panelini açın ve botun kullanacağı işlem hattını oluşturun veya düzenleyin. Langflow entegrasyonunu seçin ve istenen bilgileri girin.

Genellikle şunları sağlamanız gerekecektir:

• Langflow Temel Adresi: Örneğin, http://localhost:7860.
• API Anahtarı: Langflow ayarlarından oluşturulan anahtar.
• Akış kimliği veya uç nokta adı: Gerçekleştirilmesi gereken iş akışını belirleyin.
• Giriş parametreleri: Kullanıcının mesajının doğru şekilde gönderilmesini sağlayın.

Ardından, işlem hattını ilgili bot veya platformla ilişkilendirmeniz gerekir. Örneğin, Telegram için BotFather kullanarak bir bot oluşturmanız ve belirtecini LangBot'a girmeniz gerekecektir. Discord ve Slack ise kendi uygulamalarına, kimlik bilgilerine ve izinlerine ihtiyaç duyar.

İşlem akışı aşağıdaki gibi olacaktır:

1. Kullanıcı Telegram, Discord veya Slack üzerinden mesaj gönderiyor.
2. LangBot mesajı alıyor. platform entegrasyonu yoluyla.
3. LangBot sorguyu Langflow uç noktasına gönderir.
4. Langflow bileşenleri çalıştırır., yönlendirmeler, araçlar ve modeller.
5. Langflow sonucu LangBot'a iletir.
6. LangBot, cevabı kullanıcıya orijinal platform üzerinden iletiyor.

Docker kullanıyorsanız Langflow ve LangBot'u nasıl bağlayabilirsiniz?

İki uygulama da aynı makinede doğrudan çalıştığında, yerel portlarını kullanarak iletişim kurabilirler. Ancak Docker içinde, localhost Bu, kabın kendisini ifade eder.

LangBot bir konteyner içindeyse ve şu şekilde yapılandırırsanız:

http://localhost:7860

LangBot, Langflow'u kendi konteyneri içinde arayacaktır. Servis başka bir yerde bulunduğundan bağlantı başarısız olacaktır.

Her iki servis de Docker Compose kullanılarak çalışıyorsa, en temiz çözüm onları eklemektir. paylaşılan bir ağ ve hizmet adını kullanın:

services:
  langflow:
    image: langflowai/langflow:latest
    ports:
      - "7860:7860"
    networks:
      - ia_network

  langbot:
    image: langbotio/langbot:latest
    ports:
      - "5300:5300"
    networks:
      - ia_network

networks:
  ia_network:

Bu durumda, LangBot'un Langflow'a aşağıdaki gibi bir adres kullanarak erişmesi gerekir:

http://langflow:7860

İsim langflow Bu, Docker Compose'da tanımlanan hizmete karşılık gelir.

Langflow ana bilgisayarda çalışıyorsa ve LangBot Docker içinde bulunuyorsa, şunları kullanmanız gerekebilir:

http://host.docker.internal:7860

Kesin adres, işletim sistemine ve Docker yapılandırmasına bağlıdır. Bu nedenle, bağlantıyı test etmeniz önerilir. LangBot'un fiilen çalıştığı ortamdanSadece sunucunun tarayıcısından değil.

Konuşmaların hafızasını nasıl koruyabiliriz?

Eğer her mesaj Langflow'a tamamen bağımsız bir istek olarak gönderilirse, model kullanıcının daha önce ne söylediğini hatırlamayabilir.

Langflow Agent bileşeni entegre sohbet belleğine sahiptir. Ayrıca kullanılabilir. Mesaj Geçmişi Langflow'da veya uyumlu harici servislerde saklanan mesajları almak için.

Konuşmaları düzgün bir şekilde ayırmak için isteklerde şu yöntem kullanılmalıdır: Kararlı Oturum KimliğiLangBot, aynı konuşmaya ait mesajlar için aynı tanımlayıcıyı, her kullanıcı, kanal veya grup için ise farklı bir tanımlayıcıyı göndermelidir.

Tüm kullanıcılar aynı Oturum Kimliğini paylaşırsa, şu riskler ortaya çıkar:

• Farklı konuşmalar birbirine karışıyor.
• Kullanıcı, başka bir kişiye ait içeriği alır.
• Tarih gereksiz yere uzuyor.
• Bot tutarsız yanıtlar veriyor veya verileri ifşa ediyor.

Uygulanacak strateji entegrasyona bağlı olacaktır, ancak genellikle platform kimliği, kanal ve kullanıcıyı kullanarak tanımlayıcı oluşturmak uygundur.

RAG sistemi kullanarak belge nasıl eklenir?

Langflow'un en ilginç kullanım alanlarından biri, kendi dokümantasyonunu kullanarak yanıt veren bir bot oluşturmaktır. Bunu yapmak için, aşağıdaki sistemlerden birini uygulayabilirsiniz: Kurtarma Destekli Üretim veya RAG.

Süreç normalde iki bölüme ayrılır:

• İndeksleme: Belgeler parçalara ayrılır, gömülü vektörlere dönüştürülür ve bir vektör veritabanında saklanır.
• Danışma: Kullanıcının sorusu bir vektöre dönüştürülür ve model çağrılmadan önce en ilgili parçalar aranır.

Langflow, belge yükleyiciler, gömme modelleri ve çeşitli vektör veritabanlarıyla çalışmak için şablonlar ve bileşenler içerir. Bir RAG şablonunu başlangıç ​​noktası olarak kullanabilir ve dosyalarınıza uyarlayabilirsiniz.

Güvenilir sonuçlar elde etmek için aşağıdaki ayarlamaların yapılması önerilir:

• Parçaların boyutu ve üst üste gelme oranı.
• Gömülü vektörler oluşturmak için kullanılan model.
• Elde edilen sonuç sayısı.
• Kaynaklara dayanarak yanıt vermenizi zorunlu kılan soru.
• Her belgesel koleksiyonuna erişim izinleri.

RAG sistemi, tüm yanıtların doğru olacağını garanti etmez. Eğer arama işlemi alakasız parçalar bulursa veya istem net sınırlar belirlemezse, Model, bilgileri yanlış yorumlayabilir veya ayrıntılar uydurabilir..

Langflow ve LangBot Kullanım Örnekleri

Bu iki aracın birleşimi, aynı yapay zeka sistemini her platform için tüm mantığı yeniden oluşturmaya gerek kalmadan farklı kanallarda yayınlamanıza olanak tanır.

İlginç kullanım örneklerinden bazıları şunlardır:

• Müşteri hizmetleri botu Kılavuzlara, politikalara ve sıkça sorulan sorulara başvuran kişi.
• Dahili Asistan Yetkili kurumsal belgelerle bağlantılı.
• Satış botu Bu sistem, bilgi toplar ve satış ekibine fırsatları iletir.
• Topluluk Moderatörü Discord veya Telegram üzerinden.
• Teknik Asistan Bilgi tabanına danışabilme yeteneğine sahip.
• Araçlara sahip ajan API'lerden veya veritabanlarından bilgi edinmek.
• Sınıflandırma sistemi Bu sistem, mesajları analiz eder ve ilgili departmana yönlendirir.

Kayıtları değiştirme, e-posta gönderme veya sipariş işleme gibi hassas işlemler için onay istemek ve mevcut araçları dikkatlice sınırlandırmak önerilir. Bir temsilcinin onay almaması gerekir. Gereğinden fazla izin.

En sık karşılaşılan bağlantı hataları nasıl düzeltilir?

LangBot akışı yürütmede başarısız olursa, ilk adım manuel bir çağrı yaparak API'nin çalışıp çalışmadığını kontrol etmektir. Bu, hatanın Langflow'dan mı, LangBot'tan mı yoksa ağdan mı kaynaklandığını belirlemeye yardımcı olur.

En sık yapılan hatalar şunlardır:

• Yanlış Akış Kimliği: Akışın tamamı yerine yalnızca bir bileşenin tanımlayıcısı kopyalandı.
• Geçersiz API Anahtarı: Anahtar eksik, iptal edilmiş veya yeterli yetkiye sahip olmayan bir kullanıcıya ait.
• Yanlış URL: iki katına çıktı /api veya yalnızca alan adı ve bağlantı noktasının beklendiği bir alana tam uç nokta girilmiştir.
• localhost'un yanlış kullanımı: LangBot ve Langflow farklı konteynerlerde bulunuyor.
• Erişilemeyen bağlantı noktası: Servis dinlemiyor, konteyner durmuş veya araya bir güvenlik duvarı girmiş.
• Uyumsuz giriş formatı: Akış, farklı bir veri türü veya değişken adı bekliyor.
• Tedarikçi hatası: Model anahtarı hatalı, bakiyesi yok veya limitine ulaşmış.
• Bekleme süresi doldu: İş akışı, dokümanlara başvurması, araçlar çalıştırması veya yavaş bir model kullanması nedeniyle çok uzun sürüyor.

Her iki servisin kayıtlarını da incelemelisiniz:

docker logs langflow
docker logs langbot

Docker Compose kullanıyorsanız, en son logları şu komutla kontrol edebilirsiniz:

docker compose logs --tail=200 langflow
docker compose logs --tail=200 langbot

Eksiksiz kayıtları incelemeden paylaşmayın, çünkü bunlar bazı hatalar içerebilir. dahili adresler, kullanıcı adları, şifreler veya konuşma parçaları.

Güvenlik ve üretim dağıtımı

Yerel bir bilgisayarda çalışan bir kurulum, internete açılmaya her zaman hazır değildir. Botu gerçek kullanıcılarla kullanmadan önce hem Langflow'u hem de LangBot'u güvenli hale getirmeniz gerekir.

Önerilen önlemler şunlardır:

• Kimlik doğrulamasını etkinleştirin ve güçlü şifreler kullanın.
• Anahtarları gizli bilgiler veya ortam değişkenleri olarak kaydedin.Kodun içine asla doğrudan yazmayın.
• Ters proxy üzerinden HTTPS kullanın.
• Herkese açık olarak erişilebilen portları sınırlayın.
• Kullanım kısıtlamaları ve istek limitleri uygulayın.
• Oturum tanımlayıcıları kullanarak konuşmaları birbirinden ayırın.
• Araçlara ve aracılara verilen izinleri gözden geçirin.
• Kalıcı depolama kullanın ve yedeklemeler yapın.
• Görselleri ve bağımlılıkları düzenli olarak güncelleyin.

Kurumsal uygulamaların ayrıca hangi kullanıcıların hangi belgeye, veritabanına veya araca erişebileceğini kontrol etmesi gerekir. Özel bir kaynağı RAG sistemine bağlamak, tüm bot kullanıcılarının ona erişebileceği anlamına gelmez.

Langflow'u LangBot ile birlikte kullanmak ne zaman mantıklıdır?

Bu kombinasyon özellikle şu durumlarda kullanışlıdır: yapay zekâ tasarımını mesajlaşma platformlarıyla entegrasyonundan ayırmakTelegram veya Discord botunu sıfırdan yeniden oluşturmadan iş akışını değiştirebilir, modeli değiştirebilir veya belge ekleyebilirsiniz.

Langflow görsel düzenleyici, aracılar, araçlar, bellek ve API sağlar. LangBot ise mesajlaşma kanalı bağlantısı, bot yönetimi ve yanıt dağıtımı özelliklerini ekler.

Basit bir prototip için süreç kısa sürede tamamlanabilir. Ancak gerçek kullanıcılar için tasarlanmış bir uygulama, test, hata düzeltme, güvenlik, kullanım sınırları ve kalıcı depolama gerektirir.

İletişim doğru şekilde yapılandırıldıktan sonra, her mesaj aynı yolu izleyecektir: LangBot bunu alır, Langflow akış zekasını yürütür ve LangBot yanıtı orijinal kanala geri gönderir.Bu mimari, aynı sistemin birden fazla platformda kullanılmasını ve her bir botu ayrı ayrı değiştirmeye gerek kalmadan görsel düzenleyici üzerinden sürekli olarak geliştirilmesini sağlar.