一、Flowise 简介

Flowise 是一个为 LangChain 设计的用户界面(UI)，使得使用 LangChain 变得更加容易（低代码模式）。

通过拖拽可视化的组件，组建工作流，就可以轻松实现一个大语言模型的应用配置，包括不限于 ChatGPT。

Github 地址：https://github.com/FlowiseAI/Flowise

LangChain是一个工具箱，它帮助人们更容易地使用"大型语言模型"（LLM）。你可以把它想象成一个翻译器，它可以帮助你和大型语言模型进行交流，而不需要你了解所有的复杂细节。

以下是 Flowise 的应用页面：

1、首页

image

2、Flow 创建/编辑页面

image

3、应用市场

image

二、安装 Flowise

地址：https://www.docker.com/products/docker-desktop/

大家选择对应的版本进行下载，并完成安装

image

安装完后，打开 Docker

image

打开地址：https://github.com/FlowiseAI/Flowise，并下载代码（解压后为文件夹为：Flowise-main）

image

docker build --no-cache -t flowise .

等待安装完成后，再在该目录下执行运行命令：

docker run -d --name flowise -p 3000:3000 flowise

浏览器打开http://127.0.0.1:3000，即可使用

三、Flowise Embeddings 示例

Flowise 可以用于构建 ChatGPT
Embeddings 语料训练的应用， 上传文件就可以实现对话。

你可以直接上传 word、pdf、txt、excel 等格式的文档。

这里举一个基于 csv 文件训练私有化语料的例子（假设你已经学习过《语料训练篇》之前的内容），csv 文件如下：

https://zis0qwtriqo.feishu.cn/docx/OFJUdLUKBowlcBx2yWAcLUtSnHd#QdMrdoH3roLssJxsMxvcQEJPnef

image

（1）添加 Cvs File 组件

添加 Document Loaders 下的“Cvs File“组件

Cvs File 组件会用于 Cvs 文件上传，如果你想上传 PDF 文件可以选择“Pdf file”组件

image

（2）添加文件分割组件

添加 Text Splitters 下的 Recursive Character Text Splitter 组件

该组件用于当 Cvs File 文件过大时进行分割

image

（3）添加数据向量化组件

添加：Embeddings 下的“OpenAI Embeddings”组件、****VectorStores 下的“In-Memory Vector Store”组件

“OpenAI Embeddings”用于调用 OpenAI 接口完成数据向量化，“In-Memory Vector Store”用于将向量化的数据放入内存中

image

（4）添加语料数据加载组件

添加：Chains 下的“RetrievalQA Chain”、LLMs 下的“OpenAI”组件

“Retrieval QA Chain”用于将“In-Memory
Vector Store”中的数据添加到“OpenAI”的上下文中，并完成与用户对话的过程

image

image

输入：“冬瓜、黄瓜、西瓜、南瓜都能吃，什么瓜不能吃”，并耐心等待，即可得到回复。

image

出自：https://mp.weixin.qq.com/s/zQi-zMKiR6av_p2nm7PqoQ