30 Flowise進階 - 利用Flowise在你的網站上與GitHub開源項目聊天

学习与实践
173粉絲
4 次觀看·2023年11月5日
我們進一步瞭解零代碼AI應用與LLM工作流構建神器,Flowise。本期視頻將完成兩個任務:
1. 通過Flowise構建一個AI應用,實現GitHub代碼倉庫為知識庫的聊天機器人。
2. 集成機器人到第三方網頁,實現在線問答。
這對於GitHub代碼倉庫的管理者來說,可以極大地提高知識庫的使用效率,也可以極大地提高用戶的體驗。
相關視頻
*零代碼AI應用構建神器 - Flowise*:
• 零代碼AI應用構建神器 - Flowise
*Python LangChain入門 - 文本分塊詳解*:
• Python LangChain入門 - 文本分塊詳解
相關鏈接
https://flowiseai.com/
https://github.com/FlowiseAI/Flowise
大家好
在上週的一期視頻中
我向大家介紹了一款零代碼AI應用構建工具
叫做Flowwise
也就是現在我所分享這期視頻
在Flowwise這個零代碼構建平臺上
我們不需要編寫任何一行代碼
通過拖拽的方式就能快速的構建
基於AI的工作流
那在當時視頻中呢
我分享瞭如何通過這種方式快速的
構建一個PDF聊天機器人
有興趣的同學呢
可以點擊視頻上方鏈接
回到當時視頻分享
來了解究竟什麼是Flowwise
在視頻分享後
同學們也紛紛發來一些反饋
表達了對這個項目的興趣
那今天呢
我們再來分享一些更多
更有趣的應用場景
更重要的是
通過本期視頻就要分享
如何將Flowwise平臺上構建工作流
集成到其他平臺
畢竟如果我們只能在它自身平臺上
使用這個聊天機器人呢
應用場景還是比較受限的
那幸運的是
這個開源項目已經支持了
多種集成方式
包括了以JavaScript代碼的方式
嵌入到網頁
以及通過Python、JavaScript
等編程語言
以API調用的形式來訪問
今天呢
我們就做嵌入網頁的這種集成方式
我會將今天構建的一個聊天機器人
集成到我自己的一個網頁上
好了那今天我們要分享的內容呢
就從Flowwise官方網站開始吧
這就是他們的網頁
包含了什麼是Flowwise的介紹
以及例子和相關的文檔
有興趣的同學呢
可以瀏覽一下
他們的代碼倉庫在這裏Github上面
我今天所做的事情呢
就是以他們的代碼倉庫
爲基礎知識庫
構建一個聊天機器人
並將這個機器人
集成到我的網頁上
那我們現在進入我自己
在本地運行的一個Flowwise
對於不熟悉怎麼安裝運行的呢
同學們可以看他們的代碼倉庫
這裏的文檔
簡明教程非常的簡單
通過兩三步操作
安裝運行就能夠啓動
我在這裏呢
已經創建了一個叫Flowwise Chatbot
這個聊天機器人
那在這裏我打開它
可以看到這裏呢
我已經拖拽了兩個組件進來
一個是OpenAI Embedding
一個是OpenAI
並設置好了API Key
同學們可以按照這個
類似的方式
把這些組件構建起來
我在這裏要注意大家
注意Temperature這個參數
我在OpenAI這個組件當中
將其設爲0
我期望的是模型
不要去做任何的自己的發散
最保守的
以所提供的知識庫爲基礎
提供的數據爲基礎
來進行問答上的操作
那這就是這兩個組件
接下來呢
因爲我們要首先
構建的是一個聊天機器人
問答式的
那我們在這裏添加一個鏈
這個鏈呢
我們用Conversational Retrieval QA Chain
這就是一個問答鏈
我們通常構建的時候
都可以按照這種方式
這種邏輯來
我們先從目標開始
最終我們是希望有這麼一個鏈
這個鏈它必要的兩個參數
一個是語言模型
一個是向量存儲的
獲取器Retriever
在這裏呢
我們就將OpenAI這個組件
和這個語言模型關聯
我們正式使用的OpenAI
有興趣的同學呢
也可以嘗試不同的語言模型
在這裏有
語言模型當中
還是有挺多可選擇的
在這裏可以看到有
Azure OpenAI
Cover
Hogging Face
Infear
Inference
這四種
那在這裏
我們完成了語言模型的關聯
接下來我們需要的是一個
Retriever
VectorStore Retriever
在這裏呢
我們來看看這裏面
大家可以到最下方
看到有這個VectorStore
當然在上面呢
有個Retrievers
Retrievers裏面
有個VectorStore Retriever
會看到這個呢
是被這個叫Multi
我們來看看它這個地方介紹
因爲這裏我們並不用它
它是被這個Multi Retriever
QA Chain使用
在這裏呢
Conversational Retriever QA Chain
它的Retriever
我們直接給它一個
VectorStore就可以
這個地方可能會有一些些的
看起來有些不匹配
但操作上
它確實是這樣的
因此這裏大家可以注意一下
我們會看到這個
我這裏使用的是
內存的向量存儲
就是In-Memory VectorStore
我沒有用Chroma
或QuantCom
大家有興趣呢
可以用它們另外兩種
只要大家能夠有正確的
API Key
或者是正確的配置
那就可以使用
這裏呢
我們操作簡便
我們就使用了
內存的VectorStore
這裏的輸出呢
雖然是個VectorStore
但它是可以提供給這個QA Chain
作爲這個VectorStore Retriever
那我們就完成了
這個向量存儲的管理
這裏呢
我們可以選擇
是否返回原文檔
就是在問答的時候
我們這裏呢
就不返回了
接下來在這個
向量存儲這兒
需要兩個東西
一個是Document
一個是Embedding
Embedding已經有了
在這兒
那我們就將這個
Embedding先關聯起來
我們將OpenAI Embedding
對接到這個
向量存儲上
另外就需要一個文檔
我們用的是Github
代碼倉庫
在這裏有一個
非常便利的文檔加載器
我們在這裏
會看到有個Github
通過這個組件
就能輕鬆的將一個代碼倉庫
作爲數據源
或者作爲知識庫
集成進來
我們就拷貝這個鏈接
然後在這裏呢
將Github這個組件
配置一下
把RepoLink提供
分支
我們就用Main
我們來看看
它這個地方的組
分支就是Main
對
在這裏是公開的
因此不需要Access Token
這裏可以指定
是否要地歸式的
去挖掘去探索
去獲取代碼倉庫的數據
我們這裏呢
就只面向Readme
這裏第一層
我們就不去迭代了
不去地歸
這個組件輸出就是個文檔
我們可以將這個文檔呢
把它集成過來
接下來還有個東西是需要的
也就是我們看到Github
這個組件當中
有個TextBuilder
這也是幾乎每一個Document
Loader都需要的
就是文檔加載器都需要
那我們在這裏呢
選擇一下這個TextBuilder
當然就選擇一個
Recursive Character TextBuilder
就可以了
有興趣的同學
也可以嘗試不同的
那Overlap
我們選擇叫
選擇100吧
關於這個參數呢
我們有一期專門的視頻
對這個文檔拆分器
做了詳細的介紹
那有興趣的同學
對
點上方的鏈接
可以回到當時的視頻分享
那我們將這個拆分器
和Github組件連接
這樣就完成了
一個應用流的構建
應該還是非常的簡單
那我們在這裏保存
接下來我們可以嘗試一下
大家可以看到在這裏呢
其實我已經
問了一些問題
那我就清除掉
好我們現在來提一個問題
至少我得問他一下
什麼是Floats
第一個問題呢
可能會花一些時間
因爲他需要去
Github代碼倉庫裏
去收集文檔
然後做拆分
切片
然後再做限量化
再做存儲
在這裏他給我們回答了一下
Floats是一個
Ui to build your account
嗯
看起來是正確的
當然在這裏呢
有興趣的同學
可以到ChatGPT上
再去問一問
看看ChatGPT
他究竟知不知道
什麼是Floats
這樣呢
通過比對
我們可以瞭解
聊天機器人
是不是從Github代碼倉庫
這個文檔數據源
來學習
並回答我們的問題的
嗯
接下來我可以問
如何安裝
How to install Floats
他這裏也爲我們提供了
非常明確的指令
一步一步的完成安裝
那麼是不是一樣的呢
我們可以到這裏來看看
在這裏呢
他其實提供給我們的是
是通過全局安裝一個
Floats的包來完成
接下來我們來問一問
是不是支持Docker
可以用Docker Compose
他有Docker
他有那個Docker Folder嗎
有的
因此他是能夠理解到
整個Github代碼倉庫的內容
那在這裏呢
我們就分享到這裏
關於如何構建
這個聊天機器人
如何與他進行對話
接下來呢
我會將其集成到
我的一個頁面上
我在這裏呢
本地跑了個非常簡單的頁面
在這裏
啥都沒有
在這個頁面上呢
我希望的是能在頁面上吧
有這個Floats的
聊天機器人出現
那要集成他呢
非常簡單
在這裏有一個按鈕
點擊以後呢
就有幾種集成方式
一種是嵌入Embed
這就可以在網頁中
輕鬆嵌入這個聊天機器人
另外兩種呢
Python和JavaScript
都可以通過API調用的形式
當然這個API調用呢
並不僅限於Python和JavaScript
Curl也行
因此呢
顯然只要支持
能夠實現API調用的編程
基本主流編程
也全部都能夠用
畢竟Curl都能夠操作
只是在這裏呢
通過編程語言操作交互的時候呢
需要這裏生成一個Key
API Key
可以使用默認的
也可以創建個新的
如果創建新的呢
就會來到這個API Key的這個界面
我們只需要創建個新的Key
就可以了
那我們回到剛纔的那個
工作流的應用場景
在這裏呢
我們點擊這個按鈕
我們現在就可以將
這段JavaScript代碼
粘貼到
你所想要粘貼的
網頁的代碼中
只需要放在body tag裏就行了
我們在這裏呢
在這兒
我們就將它放在這個
body tag裏面
這就是我剛纔那個頁面的代碼
接下來呢
回到頁面上
來看看現在的效果
這裏在這右下方就出現了
這個聊天按鈕
我們點擊它就可以打開
這個聊天機器
當這個聊天機器人呢
我來可以嘗試問他一些問題
依然是問他什麼是ROS
他會告訴我同樣的答案
那麼在這裏呢
我們基本上已經看到
如何將聊天機器人
集成到網頁上
那我想問問他編程語言
編程語言是什麼
從代碼倉庫可以看到
他主要編程語言是JavaScript
90%以上的都是JavaScript
TypeScript
因此呢
這兩他非常簡明的告訴
就是JavaScript
那不知道同學們
還有沒有什麼好奇的
想問的
我們可以嘗試來問一下
他的license
在這個代碼倉庫最下方
看到他的license
是使用MIT的
我們來問一下
不知道他能不能瞭解到
這是MIT的license
還是不錯的
他是基於MIT的license
好吧
那這就是我們如何來構建
在ROS平臺上的AI工作流
並將其集成到第三方的網頁上
那有興趣的同學
可以自己來創建一些
自己覺得可以嵌入到
自己網頁上的一些
有用的AI工作流
那在這裏呢
有很多組件
我還並沒有將其他組件
分享給大家
有興趣的同學
可以根據文檔
也可以自己跑一跑
將它們用起來
我想越來越多應用
都會基於AI來構建
那麼現有的一些產品
像比如我們的這個
假如我們現在這個網頁
是跟ROS有相關性的
那我很樂於將ROS的
聊天機身嵌入到
我的產品當中
我的網站上
這樣既能幫助大家瞭解ROS
也能更好的使用
或者開發我們這款產品
那今天這個分享呢
就到這裏
同學們如果有什麼
更有趣的點子和應用場景呢
也歡迎分享給我們
那有什麼問題
我們就評論區再見了
祝同學們
新的一週學習工作愉快
咱們下次再見
拜拜
