Importar um chatflow do Flowise — uma cadeia de conversa com um modelo de chat
Um chatflow do Flowise — um nó ChatOpenAI, uma Buffer Memory e uma Conversation Chain — importado por aggrega import em um Aggregate, uma Release e um Manifest que fazem build para Docker Compose do jeito que foram escritos.
Importar um chatflow do Flowise percorre o processo passo a passo: o comando, os arquivos que ele escreve, o build e uma execução do que ele gera. Esta pasta contém cada etapa desse passo a passo:
| pasta | o que contém |
|---|---|
source/ | o chatflow, support-chat.json; o .aggrega-config.yaml que torna a pasta um espaço de trabalho; e import-answers.yaml, as respostas para o que nenhum chatflow consegue conter: o e-mail da conta proprietária e os nomes dos Secrets do Kubernetes que uma importação para Kubernetes solicita |
draft/ | os arquivos que aggrega import support-chat.json --target compose escreveu, sem alterações, e o que ele imprimiu: stdout.txt na saída padrão, import.txt na saída de erro padrão |
source/support-chat.json foi escrito para este exemplo, no formato em que o editor do Flowise exporta um chatflow.
Em um checkout do repositório da documentação, check.sh executa a importação novamente, compara o que ela escreve e imprime com draft/, compara os blocos que o passo a passo cita com estes arquivos, e valida e compila o que a importação escreveu. Ele precisa do catálogo da biblioteca padrão (onde obter um) em um checkout ao lado deste repositório, ou do diretório dele indicado em AGGREGA_CATALOG_DIRS.
Gerar o exemplo
Você pode executar a importação deste exemplo com os comandos abaixo, ou pedir ao seu assistente de IA que a execute para você.
Escreva o exemplo em uma nova pasta com o nome dele:
aggrega scaffold --example import-flowiseEm seguida ele imprime os próximos comandos a executar. O primeiro entra na pasta nova:
cd import-flowiseBuild
A importação cria os rascunhos dos arquivos Aggrega ao lado do projeto, em source/, obtém o e-mail da conta proprietária de import-answers.yaml e baixa o que o build precisa. Ela avalia o projeto em relação ao catálogo da biblioteca padrão, que o registry padrão do espaço de trabalho publica como um snapshot assinado: a primeira importação o busca, o verifica, o mantém no cache de conteúdo do espaço de trabalho e o identifica pelo seu digest no registro que escreve ao lado dos rascunhos. Um espaço de trabalho que nomeia suas próprias pastas de catálogo — em AGGREGA_CATALOG_DIRS, ou em workspace.catalog_dirs — importa em relação a elas:
cd sourceaggrega import support-chat.json --target composeaggrega validate --release release.yamlaggrega build --release release.yamlComo executar o que o build escreve está no passo a passo indicado acima.
Com um assistente de IA
Um assistente de IA configurado com as ferramentas do Aggrega pode fazer o mesmo: cole este prompt nele.
Use apenas as ferramentas do Aggrega e não crie nenhuma pasta por conta própria. Se a pasta do espaço de trabalho ainda não contém uma pasta `import-flowise`, chame uma vez a ferramenta `scaffold` com `example` definido como `import-flowise` e sem `dir`: ela grava o exemplo em uma nova pasta `import-flowise`, cuja pasta `source` contém o que este exemplo importa. Depois chame a ferramenta `import` com `workspace_root` definido como `import-flowise/source`, `source` definido como `support-chat.json` e `target` definido como `compose`: ela lê as respostas de que precisa de `import-answers.yaml` ao lado de `support-chat.json`, grava seus rascunhos em `import-flowise/source` e baixa o que eles precisam. Depois chame a ferramenta `validate` com `workspace_root` definido como `import-flowise/source` e `release` definido como `release.yaml`, e a ferramenta `build` com `workspace_root` definido como `import-flowise/source`, `release` definido como `release.yaml` e `write` definido como true. Diga-me quais arquivos o build gravou; eles estão em `import-flowise/source/dist/`.Teste
Com o Flowise em execução e o chatflow carregado do jeito que o passo a passo os executa, abra http://127.0.0.1:3000, faça login como proprietário e faça uma pergunta ao chatflow pelo seu endpoint de predição:
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":{}}A chave da OpenAI da execução era um placeholder, então a resposta é a recusa da OpenAI: o chatflow executou até a sua chamada ao modelo. A execução publicou o Flowise na porta 3002, já que a 3000 estava ocupada na sua máquina, como diz o passo a passo.
Importado com --target helm e aplicado ao Kubernetes, o chatflow responde à mesma requisição no mesmo endereço assim que uma porta local é encaminhada para o Service do Flowise; a execução obteve ali a mesma recusa:
kubectl port-forward -n <namespace> svc/flowise-default 3000:3000