一，AI應(yīng)用工具的演進(jìn)與現(xiàn)況
在AI應(yīng)用領(lǐng)域中，雖然大眾最熟悉的仍是ChatGPT、Gemini等對(duì)話型應(yīng)用，但AI技術(shù)的發(fā)展實(shí)際上遠(yuǎn)不止於此。這些表層應(yīng)用背後，包含了複雜的數(shù)據(jù)訓(xùn)練、模型微調(diào)，以及思維鏈（Chain of Thought）等多層次的技術(shù)構(gòu)成。
在這樣的技術(shù)背景下，F(xiàn)lowise與Langflow應(yīng)運(yùn)而生。這兩個(gè)工具最初是為了實(shí)現(xiàn)檢索增強(qiáng)生成（RAG, Retrieval-Augmented Generation）而開(kāi)發(fā)的。然而，隨著語(yǔ)言模型的快速進(jìn)步，RAG技術(shù)的重要性已逐漸被一些更先進(jìn)的方法所取代，比如模型微調(diào)（Fine-tuning）和模型壓縮（Model Compression）等技術(shù)。
特別值得一提的是技術(shù)進(jìn)步的驚人速度：短短一年半的時(shí)間內(nèi)，可在CPU上運(yùn)行的Llama 3.1 8b模型在多項(xiàng)基準(zhǔn)測(cè)試中已經(jīng)超越了早期的ChatGPT 3.5 turbo。這種進(jìn)步推動(dòng)了Flowise和Langflow這類工具向AI代理人平臺(tái)的方向發(fā)展。
二，主要工具比較
1. Flowise AI
Flowise作為較早期的開(kāi)發(fā)工具，具有以下特點(diǎn)：
優(yōu)勢(shì)：
- 提供豐富的組合功能，使開(kāi)發(fā)者能夠構(gòu)建複雜的AI應(yīng)用流程
- 較高的系統(tǒng)自由度，允許開(kāi)發(fā)者進(jìn)行深度定制
- 完善的系統(tǒng)成熟度，包括安全性配置等企業(yè)級(jí)特性
限制：
- 部分功能的自動(dòng)化程度不足，需要較多手動(dòng)配置
- 介面組織較為複雜，可能需要較長(zhǎng)的學(xué)習(xí)曲線
2. LangFlow
LangFlow採(cǎi)用了更現(xiàn)代化的設(shè)計(jì)理念：
優(yōu)勢(shì)：
- 直觀的用戶界面設(shè)計(jì)，降低了入門(mén)門(mén)檻
- 精簡(jiǎn)而智能的功能設(shè)計(jì)，平衡了實(shí)用性和易用性
限制：
- 系統(tǒng)架構(gòu)的擴(kuò)展性較受限
- 客製化空間相對(duì)較小
三，程式剖析
1. Flowise AI的技術(shù)實(shí)現(xiàn)
- 採(cǎi)用monorepo架構(gòu)管理代碼
- 基於JavaScript實(shí)現(xiàn)全棧開(kāi)發(fā)
- 後端使用Express.js框架
- 為前端開(kāi)發(fā)者提供了完整的workflow工具開(kāi)發(fā)範(fàn)例
2. LangFlow的技術(shù)實(shí)現(xiàn)
- 採(cǎi)用典型的前後端分離架構(gòu)
- 前端使用TypeScript開(kāi)發(fā)
- 後端採(cǎi)用Python和FastAPI
- 使用Docker實(shí)現(xiàn)容器化部署
- 整體設(shè)計(jì)簡(jiǎn)潔，便於維護(hù)和功能迭代
三，建置
建議有基本的docker概念，
另外請(qǐng)先安裝好Ollama，目前實(shí)驗(yàn)用的model是llama 3.1，
你ollama安裝好之後，開(kāi)啟終端機(jī)，輸入 ollama run llama3.1:latest，等待跑完下載就可以了。
1. Flowise AI
下載後，請(qǐng)注意.env，記得更改你的帳號(hào)密碼
2. LangFlow
LangFLow目前沒(méi)有複雜的設(shè)計(jì)部分
四，使用
目前提供 LLM 互動(dòng)的，主要是 Ollama ，
請(qǐng)注意，我們的範(fàn)例都是在Docker下，所以你網(wǎng)址要改為
1. Flowise AI
在我提供下載的git下面有放一個(gè)example，你直接匯入就能體驗(yàn)最基本的對(duì)話機(jī)器人
請(qǐng)注意，前面請(qǐng)先安裝ollama
這個(gè)工具有許多模式，基本上圍繞著AI應(yīng)用的一些原則，
其中 Marketplaces 有許多範(fàn)例，但缺點(diǎn)是他們都是綁著收費(fèi) API 為主，不可否認(rèn)的事情是，目前收費(fèi) API 穩(wěn)定性還是偏高。
2. LangFlow
雖然從軟體架構(gòu)層面來(lái)看，LangFlow 相對(duì) Flowise AI 弱不少，
但是你可以發(fā)現(xiàn)他們把時(shí)間花在介面上面，
這讓軟體應(yīng)用上變得很易用，即便你知道他會(huì)相對(duì)於monorapo設(shè)計(jì)下，不容易有擴(kuò)張性，
兩著使用量從快速拉近到超過(guò)，是沒(méi)有花很長(zhǎng)的時(shí)間。
在他提供的範(fàn)例下，你能很輕鬆的把 OpenAI 換成 Ollama
你可以快速測(cè)試每個(gè)node
製作一個(gè)簡(jiǎn)單的 chat 就變得很簡(jiǎn)單而有頭緒
五，分析與建議
工具選擇建議
從實(shí)用性角度來(lái)看，LangFlow確實(shí)更適合大多數(shù)使用者。它的設(shè)計(jì)理念體現(xiàn)了"簡(jiǎn)約但不簡(jiǎn)單"的特點(diǎn)，讓使用者能夠快速上手並實(shí)現(xiàn)所需功能。特別是對(duì)於那些希望快速構(gòu)建AI應(yīng)用流程的團(tuán)隊(duì)來(lái)說(shuō)，LangFlow提供了一個(gè)理想的平臺(tái)。
相對(duì)地，F(xiàn)lowise AI更適合追求深度客製化的技術(shù)專家。它提供了更多的彈性和可能性，讓開(kāi)發(fā)者能夠根據(jù)特定需求打造獨(dú)特的解決方案。這種靈活性特別適合那些需要處理複雜場(chǎng)景或有特殊需求的專案。
技術(shù)發(fā)展洞察
從AI應(yīng)用發(fā)展的角度來(lái)看，我們可以觀察到三個(gè)主要的發(fā)展方向：
首先是基礎(chǔ)的生成式對(duì)話（Chat Generation），這是目前最普及的應(yīng)用形式。其次是檢索增強(qiáng)生成（RAG），這項(xiàng)技術(shù)通過(guò)整合外部知識(shí)來(lái)增強(qiáng)模型的回答能力。最後，也是最具發(fā)展?jié)摿Φ氖茿I代理（Agent）技術(shù)，這代表了AI應(yīng)用向著更智能、更自主的方向發(fā)展。
架構(gòu)設(shè)計(jì)啟示
從程式開(kāi)發(fā)的角度比較這兩個(gè)專案，我們可以得到一些有趣的觀察：
Flowise AI的架構(gòu)展現(xiàn)了豐富的工程實(shí)踐經(jīng)驗(yàn)，其monorepo設(shè)計(jì)和模組化架構(gòu)都值得學(xué)習(xí)。它提供了一個(gè)完整的範(fàn)例，展示了如何構(gòu)建一個(gè)複雜的AI應(yīng)用開(kāi)發(fā)平臺(tái)。
而LangFlow則展現(xiàn)了不同的智慧。儘管從純技術(shù)角度來(lái)看可能相對(duì)簡(jiǎn)單，但它的設(shè)計(jì)理念更值得玩味。通過(guò)精簡(jiǎn)的節(jié)點(diǎn)設(shè)計(jì)和清晰的功能劃分，LangFlow準(zhǔn)確把握住了AI應(yīng)用開(kāi)發(fā)的核心需求。這種"少即是多"的設(shè)計(jì)哲學(xué)，反映了開(kāi)發(fā)團(tuán)隊(duì)對(duì)AI應(yīng)用本質(zhì)的深刻理解。
這種差異提醒我們，在技術(shù)選型時(shí)不應(yīng)僅關(guān)注技術(shù)的先進(jìn)性，更要考慮解決方案是否真正切中問(wèn)題的核心。LangFlow的成功告訴我們，有時(shí)候簡(jiǎn)單而精準(zhǔn)的解決方案可能比複雜的技術(shù)堆疊更有價(jià)值。
達(dá)人
