跳转到内容
AggregaAggrega
选择语言: 简体中文
本页面由机器翻译。阅读英文原文。

导入 Langflow 流 — Basic Prompting 入门项目

Langflow 的 Basic Prompting 入门项目,以 JSON 导出,由 aggrega import 导入为一个 Aggregate、一个 Release 和一个 Manifest,它们按原样即可为 Docker Compose 构建。

导入 Langflow 流 逐步讲解了这一过程:命令、它写入的文件、构建,以及运行所构建的内容。此文件夹保存了该演练的每个阶段:

文件夹内容
source/导出的流 basic-prompting.json;使该文件夹成为工作区的 .aggrega-config.yaml;以及 import-answers.yaml,即对任何流都无法包含的内容的回答,面向 Kubernetes 的导入会询问这些内容
draft/aggrega import basic-prompting.json --target compose 写入的文件(未经修改),以及它打印的内容:stdout.txt 为标准输出,import.txt 为标准错误

source/basic-prompting.json 是 Langflow 1.6.0 自带的入门项目,原样取自 Langflow 仓库(https://github.com/langflow-ai/langflow,提交 504c02fc47e76087b82b0e7cbe4186e9cdd916d4,文件 src/lfx/tests/data/starter_projects_1_6_0/Basic Prompting.json),适用其旁边 LICENSE.langflow 中转载的许可证。草稿承载的是同一个流,其边的句柄按 Langflow 编辑器的写法写出。

在文档仓库的检出副本中,check.sh 会重新运行导入,将其写入和打印的内容与 draft/ 比较,将演练引用的代码块与这些文件比较,并验证和构建导入所写入的内容。它需要将标准库目录(获取途径)检出在此仓库旁边,或在 AGGREGA_CATALOG_DIRS 中指定其目录。

生成示例

你可以使用下面的命令运行本示例的导入,或者让你的 AI 助手替你运行。

将示例写入一个以其命名的新文件夹:

Terminal window
aggrega scaffold --example import-langflow

然后它会打印接下来要运行的命令。第一条命令进入新文件夹:

Terminal window
cd import-langflow

构建

导入会在项目旁边的 source/ 中起草 Aggrega 文件,并拉取构建所需的内容。它根据标准库目录评估项目,该目录由工作区的默认注册表以已签名快照的形式发布:首次导入会获取它、验证它、将其保存在工作区的内容缓存中,并在写于草稿旁边的记录中按摘要指明它。指定了自身目录文件夹的工作区——在 AGGREGA_CATALOG_DIRS 中,或在 workspace.catalog_dirs 下——则改为以这些文件夹为依据进行导入:

Terminal window
cd source
aggrega import basic-prompting.json --target compose
aggrega validate --release release.yaml
aggrega build --release release.yaml

如何运行构建写出的内容,请参阅上方链接的演练。

借助 AI 助手

已配置 Aggrega 工具的 AI 助手也能完成同样的操作:把下面这条提示粘贴给它。

只使用 Aggrega 工具,不要自己创建任何文件夹。如果工作区文件夹中还没有 `import-langflow` 文件夹,调用一次 `scaffold` 工具,将 `example` 设为 `import-langflow`,不设 `dir`:它会把示例写入一个新的 `import-langflow` 文件夹,其中的 `source` 文件夹包含本示例要导入的内容。然后调用 `import` 工具,将 `workspace_root` 设为 `import-langflow/source`,`source` 设为 `basic-prompting.json`,`target` 设为 `compose`:它从 `basic-prompting.json` 旁边的 `import-answers.yaml` 读取所需的答案,将草稿写入 `import-langflow/source`,并拉取草稿所需的内容。然后调用 `validate` 工具,将 `workspace_root` 设为 `import-langflow/source`,`release` 设为 `release.yaml`;再调用 `build` 工具,将 `workspace_root` 设为 `import-langflow/source`,`release` 设为 `release.yaml`,`write` 设为 true。告诉我构建写入了哪些文件;它们位于 `import-langflow/source/dist/` 下。

测试

按照分步指南的方式运行 stack 后,打开 http://127.0.0.1:7860 并以 admin 身份登录:Basic Prompting 就在编辑器中。API 凭 API 密钥运行该流,该密钥由 分步指南 在登录后创建;使用它:

Terminal window
curl -sS -X POST 'http://127.0.0.1:7860/api/v1/run/0dbee653-41ae-4e51-af2e-55757fb24be3?stream=false' \
-H 'x-api-key: <api_key>' -H 'Content-Type: application/json' \
-d '{"input_value": "In one short sentence: what is Docker Compose?", "input_type": "chat", "output_type": "chat"}'
{"detail":"{\"message\":\"Error running graph: Error building Component Language Model: \\n\\nError code: 401 - {'error': {'message': 'Incorrect API key provided: sk-place*****************-key. You can find your API key at https://platform.openai.com/account/api-keys.', 'type': 'invalid_request_error', 'code': 'invalid_api_key', 'param': None}, 'status': 401}\",[… omitted: three empty fields, and a suggestion to update three of the flow's components]}"}

本次运行的 OpenAI 密钥是一个占位符,因此得到的回答是 OpenAI 对它的拒绝:该流一直运行到了对模型的调用。

使用 --target helm 导入并应用到 Kubernetes 后,只要将一个本地端口转发到其 Service,Langflow 就会在同一地址响应相同的请求:

Terminal window
kubectl port-forward -n <namespace> svc/langflow-default 7860:7860