Flowise AI：含演示项目的指南

在本文中，我将一步步讲解如何使用Flowise来构建一个能够基于 CSV 数据集回答问题的 AI 代理。

Flowise 对于想要构建 AI 代理但又不想陷入复杂编码的人来说是一个顺手的工具。它采用低代码思路，让我们更多地专注于要完成的任务，而不是技术细节。

最近，我看到用于构建 AI 代理的工具激增。这些工具越来越易用、友好，使每个人都无需大量技术背景就能创建智能系统。如果您有兴趣进一步了解这些工具，也可以看看以下教程：

• n8n：含实用示例的指南
• Langflow：含演示项目的指南
• Dify AI：含演示项目的指南

什么是 Flowise？

Flowise 是一款通过简单的拖放界面帮助我们创建 AI 代理的工具。它的工作方式是允许我们连接代表不同功能的各类模块，构建自定义工作流。每个模块都可以配置为执行特定操作。

例如，有些模块被称为 LLM 模块，用于向大型语言模型发送消息。也有函数模块，赋予我们执行自定义 JavaScript 函数的能力，从而实现更贴合需求的操作。

通过将这些模块连接起来，信息会从一个模块流向下一个模块，逐步处理并转换数据。这种模块化方法让我们无需深厚的编程知识也能轻松构建 AI 代理，因为我们可以专注于设计工作流并配置必要的动作。

使用 Flowise 构建数据分析师 AI 代理

下面我们来分解使用 Flowise 构建数据分析师 AI 代理的流程。本指南将涵盖注册 Flowise、构建自定义工作流，以及使用各种模块创建可分析数据集的交互式代理。

步骤 1：在 Flowise 上创建账户

首先访问这个Flowise 注册页面并创建一个账户。填写所需信息，并按照发送至您邮箱的说明进行验证与激活。

步骤 2：数据库设置

现在我们已经准备好了 Flowise 账户，接下来要设置要使用的数据库。我们需要一个数据库来存储要分析的数据。

我们将使用 SingleStore，这是一家广受欢迎且用户友好的 SQL 数据库提供商，来管理数据。请按照以下步骤操作：

1. 首先前往SingleStore 官网。
2. 在 SingleStore 注册一个新账户。
3. 激活 SingleStore 账户后，下一步是上传我们将使用的数据集。本例中，我们使用的是一个聚焦学生社交媒体习惯的数据集，来源于Kaggle。请确保先从 Kaggle 下载数据集文件，再将其上传至 SingleStore。

4. 上传数据集后，SingleStore 会自动据此生成一张数据库表。该表将成为我们数据分析的基础，使 Flowise AI 代理可以与之交互。

步骤 3：进入 chatflows 区域

登录后，进入仪表盘并找到 "Chatflows" 区域。点击 "Add New" 开始创建新的工作流。

步骤 4：创建自定义函数以加载表信息

此步骤需要编写一个自定义函数以检索表的信息，例如其描述及列名。这些数据对我们的 AI 代理理解所要查询的数据集结构至关重要。

1. 创建一个自定义函数模块。

2. 将以下代码粘贴到函数模块编辑器中：

const mysql = require('mysql2/promise');

const tableName = $tableName;
const tableDescription = $tableDescription;
const connectionUrl = "<PASTE_YOUR_CONNECTION_STRING_HERE>" 

async function main() {
  try {
    const pool = mysql.createPool(connectionUrl);
    const q = 
    DESCRIBE ${tableName};
    ;
    const [rows] = await pool.query(q);
    const fields = rows.map((row) => ${row.Field} of type ${row.Type}).join("\n");
    const tableInformation = Table name: ${tableName}\nTable description:\n${tableDescription.trim()}\nColumns:\n${fields.trim()};
    return tableInformation;
  } catch(error) {
    return String(error);
  }  
}

return main();技术支持

在函数开头，我们需要设置 connectionUrl 的值。可在 SingleStore 的 Deployments 选项卡中找到。

连接字符串类似如下所示：

françois-19ecc:<françois-19ecc Password>@svc-3482219c-a389-4079-b18b-d50662524e8a-shared-dml.aws-virginia-6.svc.SingleStore.com:3333/db_franois_88ec0技术支持

第一部分，在我的示例中是 françois-19ecc，表示用户名。紧接着是密码占位符 <françois-19ecc Password>，需要我们替换为实际密码。

该函数会连接到 SingleStore 数据库并获取表的列信息。它有两个输入：

• tableName：表名
• tableDescription：表的描述。

这些输入需通过点击自定义代码节点上的 “Input Variables” 按钮进行配置。在代码中可通过在变量名前加上 $ 来访问。

在我的例子中，该表在 SingleStore 上创建时命名为 dataset。您应当使用上传 CSV 文件时所设置的名称。

步骤 5：创建提示模板节点

此节点用于编写引导 AI 代理的问题。将该节点连接到您的自定义函数。

1. 创建一个提示模板节点。

2. 插入以下提示：

Based on the SQL table information and the user's questions, return a SQL query that answers that question.
TABLE INFORMATION: {tableInformation}
QUESTION: {question}技术支持

该提示包含两个占位符：{tableInformation} 和 {question}。其中 question 是用户提交的提示，而 tableInformation 是我们在上一步定义函数的输出。

需要在提示模板节点上点击 “Format Prompt Values” 按钮来配置这些占位符的取值。

步骤 6：连接到 LLM chain 模块

现在将提示模板节点连接到一个 LLM chain 模块，由其解释提示并据此生成 SQL 查询。我们需要执行以下步骤：

1. 添加一个 LLM chain 模块。
2. 添加一个配置为使用 OpenAI 的模型模块，并将其连接到 LLM chain 模块的 “Language Model” 输入上。
3. 要配置 OpenAI 模型，您需要设置 OpenAI API 密钥。如果还没有，可以在此创建。
4. 将提示模板模块连接到 “Prompt” 输入。

步骤 7：使用 set variable 模块

为便于后续使用，创建一个 set variable 模块来存储生成的 SQL 查询，并将其连接到 LLM chain 模块的输出。

步骤 8：执行 SQL 查询

将 SQL 查询发送到一个新的自定义代码模块，在数据库上执行它。

1. 再创建一个自定义代码模块。
2. 输入以下代码：

const mysql = require('mysql2/promise');

const connectionUrl = "<PASTE_THE_SAME_URL_USED_BEFORE>";

function formatQuery() {
  // This function is used to clean the query provided by ChatGPT 
  // by removing markdown quotes
  const q = $query;
  let lines = q.trim().split(/\r\n|\r|\n/);
  if(lines[0].startsWith("")) {
    lines = lines.slice(1, lines.length - 1);
  }
  return lines.join("\n").trim()
}

const q = formatQuery();
try {
  const pool = mysql.createPool(connectionUrl);
  const [rows] = await pool.query(q);
  return rows;
} catch(error) {
  return Query: ${q}\nError:${String(error)}`
}技术支持

请记得设置 connectionUrl 的值，与之前使用的一致。

该函数只有一个输入，即我们要执行的查询，在代码中通过 $query 访问。

步骤 9：创建另一条提示模板

此模板用于根据查询结果，格式化 AI 代理将呈现给用户的答案。

1. 创建一个新的提示模板。
2. 使用以下提示：

Based on the question and the query result, provide an answer to the user's question. Always show the query to the user.
QUERY: {query}
QUERY RESULT: {queryResult}
QUESTION: {question}技术支持

该提示包含三个占位符：

• query：由 LLM 生成的 SQL 查询，通过连接变量节点获得。
• queryResult：查询结果，由前一个自定义函数节点计算得出。
• question：用户最初的提问。

步骤 10：最终的 LLM chain 模块

最后，将此提示模板连接到一个新的 LLM chain 模块，由其根据提示生成回复。您可以复用先前使用的同一个 OpenAI 模型模块。

以下是最终的代理流程：

完成以上步骤后，我们的 AI 代理就已就绪。它可以接收问题、生成 SQL 查询以检索相关数据，并给出清晰、简明的答案。

与数据分析师代理聊天

代理现在可以使用了。要与它对话，请点击右上角的紫色聊天按钮：

我们来测试一下，先问问这份问卷收到了多少份回应：

请注意，由于最后一条提示的设计方式，代理会在回复中附上查询。我们再来询问一些关于数据的统计信息：

再来看一个示例：

我对 Flowise 的看法

在尝试了多款用于构建 AI 代理的工具后，我对 Flowise 的体验有些令人沮丧。我反复遇到的问题之一是，不小心删除了某些变量配置，导致代理表现异常，却很难明确原因。这常使得排错过程变得繁琐。

此外，Flowise 的代理流程缺乏清晰的起点，使得跟踪与理解代理的工作方式颇为困难。对于刚接触构建 AI 系统的人来说尤为如此。再者，Flowise 在便捷查看中间结果或对单个节点进行独立测试方面也有所不足，这使得定位问题或有效优化工作流变得不易。

我还发现很难一目了然地查看节点配置。比如，我们使用的自定义代码节点定义了输入变量，但这一点并不直观可见。必须点击节点的相应区域才能看到。这使得仅通过观察流程来理解其运作变得困难。

结论

虽然 Flowise 为创建 AI 代理提供了一个很有前景的低代码界面，但在易用性方面存在一些问题，使其相较于类似工具更难上手，尤其是对于追求更流畅、更直观体验的用户而言。尽管存在这些挑战，Flowise 的理念依然具有潜力，随着后续改进，它有望成为构建 AI 解决方案的优秀工具。