Zum Inhalt springen
AggregaAggrega
Sprache wählen: Deutsch
Diese Seite wurde maschinell übersetzt. Das englische Original lesen.

Einen Flowise-Chatflow importieren — eine Konversationskette mit einem Chat-Modell

Ein Flowise-Chatflow — ein ChatOpenAI-Knoten, ein Buffer Memory und eine Conversation Chain — von aggrega import in ein Aggregate, ein Release und ein Manifest importiert, die sich unverändert für Docker Compose bauen lassen.

Einen Flowise-Chatflow importieren führt Schritt für Schritt hindurch: der Befehl, die Dateien, die er schreibt, der Build und ein Lauf dessen, was er baut. Dieser Ordner enthält jede Stufe dieser Anleitung:

Ordnerwas er enthält
source/der Chatflow, support-chat.json; die .aggrega-config.yaml, die den Ordner zu einem Workspace macht; und import-answers.yaml, die Antworten auf das, was kein Chatflow enthalten kann: die E-Mail-Adresse des Besitzerkontos und die Namen der Kubernetes-Secrets, nach denen ein Import für Kubernetes fragt
draft/die Dateien, die aggrega import support-chat.json --target compose geschrieben hat, unverändert, und was der Befehl ausgegeben hat: stdout.txt auf der Standardausgabe, import.txt auf der Standardfehlerausgabe

source/support-chat.json ist für dieses Beispiel geschrieben, in der Form, in der der Editor von Flowise einen Chatflow exportiert.

In einem Checkout des Dokumentations-Repositorys führt check.sh den Import erneut aus, vergleicht, was er schreibt und ausgibt, mit draft/, vergleicht die Blöcke, die die Anleitung zitiert, mit diesen Dateien und validiert und baut, was der Import geschrieben hat. Es benötigt den Katalog der Standardbibliothek (woher Sie einen bekommen), neben diesem Repository ausgecheckt, oder dessen Verzeichnis in AGGREGA_CATALOG_DIRS angegeben.

Das Beispiel generieren

Sie können den Import dieses Beispiels mit den folgenden Befehlen ausführen oder ihn von Ihrem KI-Assistenten für Sie ausführen lassen.

Schreiben Sie das Beispiel in einen neuen Ordner, der nach ihm benannt ist:

Terminal window
aggrega scaffold --example import-flowise

Danach gibt er die als Nächstes auszuführenden Befehle aus. Der erste wechselt in den neuen Ordner:

Terminal window
cd import-flowise

Build

Der Import entwirft die Aggrega-Dateien neben dem Projekt, in source/, übernimmt die E-Mail-Adresse des Besitzerkontos aus import-answers.yaml und lädt, was der Build benötigt. Er gleicht das Projekt mit dem Katalog der Standardbibliothek ab, den die Standard-Registry des Workspace als signierten Snapshot veröffentlicht: Der erste Import ruft ihn ab, verifiziert ihn, legt ihn im Inhalts-Cache des Workspace ab und benennt ihn über seinen Digest in dem Datensatz, den er neben die Entwürfe schreibt. Ein Workspace, der eigene Katalogordner nennt — in AGGREGA_CATALOG_DIRS oder unter workspace.catalog_dirs —, importiert stattdessen gegen diese:

Terminal window
cd source
aggrega import support-chat.json --target compose
aggrega validate --release release.yaml
aggrega build --release release.yaml

Wie Sie ausführen, was der Build schreibt, steht in der oben verlinkten Anleitung.

Mit einem KI-Assistenten

Ein KI-Assistent, der mit den Tools von Aggrega eingerichtet ist, kann dasselbe tun: Fügen Sie ihm diesen Prompt ein.

Verwenden Sie ausschließlich die Aggrega-Tools und legen Sie selbst keinen Ordner an. Wenn der Workspace-Ordner noch keinen Ordner `import-flowise` enthält, rufen Sie das Tool `scaffold` einmal auf, mit `example` auf `import-flowise` gesetzt und ohne `dir`: Es schreibt das Beispiel in einen neuen Ordner `import-flowise`, dessen Ordner `source` enthält, was dieses Beispiel importiert. Rufen Sie dann das Tool `import` auf, mit `workspace_root` auf `import-flowise/source`, `source` auf `support-chat.json` und `target` auf `compose` gesetzt: Es liest die benötigten Antworten aus `import-answers.yaml` neben `support-chat.json`, schreibt seine Entwürfe nach `import-flowise/source` und lädt herunter, was diese benötigen. Rufen Sie dann das Tool `validate` auf, mit `workspace_root` auf `import-flowise/source` und `release` auf `release.yaml` gesetzt, und das Tool `build`, mit `workspace_root` auf `import-flowise/source`, `release` auf `release.yaml` und `write` auf true gesetzt. Nennen Sie mir die Dateien, die der Build geschrieben hat; sie liegen unter `import-flowise/source/dist/`.

Testen

Wenn Flowise läuft und der Chatflow so eingespielt ist, wie die Anleitung beides ausführt, öffnen Sie http://127.0.0.1:3000, melden Sie sich als Eigentümer an und stellen Sie dem Chatflow über seinen Prediction-Endpunkt eine Frage:

Terminal window
curl -sS -X POST http://127.0.0.1:3000/api/v1/prediction/40d9f5c5-5187-54c1-a9f5-a8dac92f88bb \
-H 'Content-Type: application/json' -d '{"question": "In one short sentence: what is Docker Compose?"}'
{"statusCode":500,"success":false,"message":"401 Unauthorized – check your API key and ensure it has access to the requested model.","stack":{}}

Der OpenAI-Schlüssel des Laufs war ein Platzhalter, daher ist die Antwort die Ablehnung durch OpenAI: Der Chatflow lief bis zu seinem Aufruf des Modells. Der Lauf veröffentlichte Flowise auf 3002, da 3000 auf seinem Rechner belegt war, wie die Anleitung sagt.

Mit --target helm importiert und auf Kubernetes angewendet, beantwortet der Chatflow dieselbe Anfrage unter derselben Adresse, sobald ein lokaler Port an den Service von Flowise weitergeleitet ist; der Lauf erhielt dort dieselbe Ablehnung:

Terminal window
kubectl port-forward -n <namespace> svc/flowise-default 3000:3000