Skip to content

README_cn.md

Latest commit

 

History

History
293 lines (209 loc) · 11.2 KB

README_cn.md

File metadata and controls

293 lines (209 loc) · 11.2 KB

📃 Flock (Flexible Low-code Orchestrating Collaborative-agent Kits)

简体中文 | English | 快速开始

Tip

🎉 最新更新 2025/8/2

  • New MCP Tolls: 增加对Streamble HTTP 协议的MCP工具的支持
mcp

🎉 最新更新 2025/5/9

  • Agent节点支持: 新增专用Agent节点，实现工作流中的无缝代理集成！主要特性：
    • 🧠 创建可以推理、规划和执行任务的自主代理
    • 🔄 支持多种代理类型和架构
    • 🛠️ 轻松配置代理的工具和行为
    • 🔗 与其他工作流节点无缝集成

🎉 最新更新 2025/3/10

  • MCP工具支持: 新增MCP Node，增加了对MCP（Model Context Protocol）工具的支持，实现与MCP服务器的无缝集成！主要特性：
    • 🛠️ 将MCP工具转换为LangChain工具，可用于LangGraph Agent
    • 📦 支持连接多个MCP服务器并动态加载其工具
    • 🔄 支持stdio和SSE两种传输模式实现灵活通信
    • 🔗 与现有LangGraph工作流无缝集成
    mcp

🎉 最新更新 2025/2/25

  • 参数提取节点: 新增参数提取节点，可以自动从文本中提取结构化信息,以json的形式输出！

🎉 最新更新 2025/1/21

  • Subgraph Node 支持: 新增子图节点 Subgraph Node 支持，允许您在工作流中封装和重用完整的子工作流！

    • 📦 模块化：将复杂工作流封装为独立的子图节点
    • 🔄 可重用：在不同工作流中复用相同的子图节点
    • 🎯 易维护：独立更新和维护子工作流逻辑

🎉 最新更新 2025/1/8

  • Human Node（人机协作节点）: 新增人机协作节点，支持以下关键场景：
    • 🛠️ 工具调用审核：人工审核、编辑或批准 LLM 请求的工具调用
    • ✅ LLM 输出验证：人工审核、编辑或批准 LLM 生成的内容
    • 💡 提供上下文：允许 LLM 主动请求人工输入以获取澄清或补充信息，支持多轮对话

🎉 最新更新 2024/12/23

  • 多模态对话支持: 新增多模态对话的支持（目前仅支持图片模态，后续会陆续增加对其他模态的支持）！ multimodal

🎉 最新更新 2024/12/18

  • If-Else 节点: 新增 If-Else 节点以支持工作流中的条件逻辑！该节点支持多种条件类型，包括：包含、不包含、开始是、结束是、是、不是、为空、不为空。可以使用 AND/OR 运算符组合多个条件进行复杂的条件判断，让您能够基于数据创建复杂的分支工作流。

🎉 最新更新 2024/12/7

  • 代码执行节点: 新增 Python 代码执行功能！该节点允许您在工作流中直接编写和执行 Python 代码，支持变量引用和动态数据转换。它非常适合算术运算、数据处理、文本操作等场景，让您能够实现超越预设节点功能的自定义逻辑。

🎉 最新更新 2024/11/12

  • 意图识别节点: 新增意图识别节点,可以根据预设的类别自动识别用户输入的意图,支持多分类路由! intent recognition

  • CrewAI 节点支持: 现在您可以在工作流中使用 CrewAI 的强大多代理功能！轻松创建复杂的代理团队并编排复杂的协作任务。 crewai

Flock 是一个基于工作流 workflow 的低代码平台，用于快速构建聊天机器人、RAG 应用和协调多代理团队。它基于 LangChain 和 LangGraph 构建，提供灵活的低代码编排协作代理解决方案，支持聊天机器人、RAG 应用、代理和多代理系统，并具备离线运行能力。

flock.mp4

🤖️ 概览

overview

工作流

overview

节点类型和功能

Flock 的工作流系统由各种类型的节点组成，每种节点都有特定的用途：

  1. 输入节点：处理初始输入并将其转换为工作流可处理的格式。
  2. LLM 节点：利用大型语言模型进行文本生成和处理。
  3. 检索节点：从知识库中获取相关信息。
  4. 工具节点：执行特定的任务或操作，扩展工作流功能。
  5. 检索工具节点：结合检索能力和工具功能。
  6. 意图识别节点：根据预设类别自动识别用户输入意图并路由到不同的处理流程。
  7. 回答节点：生成最终答案或输出，整合前序节点的结果。
  8. 子图节点：封装完整的子工作流，允许模块化设计。
  9. 开始和结束节点：标记工作流的开始和结束。

未来计划添加的节点包括：

  • 文件上传节点
  • 参数提取节点

这些节点可以组合创建强大而灵活的工作流，适用于各种复杂的业务需求和应用场景。

图像工具调用

image

知识检索

image

Human-in-the-Loop（人工审批或让 LLM 重新思考或寻求人工帮助）

image image

本项目受到 StreetLamb 项目及其 tribe 项目的启发，采用了许多相似的方法和代码。在此基础上 我们引入了一些新的特性和方向。

项目的部分布局参考了 Lobe-chat、Dify 和 fastgpt。 它们都是优秀的开源项目，在此表示感谢 🙇‍。

👨‍💻 开发技术

项目技术栈：LangChain + LangGraph + React + Next.js + Chakra UI + PostgreSQL

🏘️ 亮点特性

  • 持久化对话：保存并维护聊天历史，使您能够继续之前的对话。
  • 可观察性：使用 LangSmith 实时监控和跟踪代理的性能和输出，确保它们高效运行。
  • 工具调用：使您的代理能够使用外部工具和 API。
  • 检索增强生成：使您的代理能够利用内部知识库进行推理。
  • 人机协作：在工具调用前启用人工审批。
  • 开源模型：使用开源 LLM 模型，如 llama、Qwen 和 Glm。
  • 多租户：管理和支持多个用户和团队。

如何开始

1. 使用 Docker Compose 部署

1.1 方法一：从 Docker Hub 拉取前端和后端镜像
# 克隆仓库
git clone https://github.com/Onelevenvy/flock.git

# 导航到 docker 目录
cd flock/docker

# 复制环境配置文件
cp ../.env.example .env

# 启动 docker compose
docker compose  up -d

# 访问前端界面
# 本地部署
http://localhost:4433

# 服务器部署
http://your_server_ip:4433

1.2 方法二：本地 build 前端和后端镜像

# 克隆仓库
git clone https://github.com/Onelevenvy/flock.git

# 导航到 docker 目录
cd flock/docker

# 复制环境配置文件
cp ../.env.example .env

# 首先需要构建前端和后端镜像
docker compose -f docker-compose.localbuild.yml build
# 然后可以启动 docker compose
docker compose -f docker-compose.localbuild.yml up -d

2. 使用本地源码部署

2.1 准备工作
2.1.1 克隆代码

git clone https://github.com/Onelevenvy/flock.git

2.1.2 复制环境配置文件
cp .env.example .env
# 并按需修改 .env 文件中的环境变量
2.1.3 生成密钥

.env 文件中的一些环境变量默认值为 "changethis"。 您必须将它们更改为密钥，要生成密钥，可以运行以下命令：

python -c "import secrets; print(secrets.token_urlsafe(32))"

复制内容并将其用作密码/密钥。再次运行该命令以生成另一个安全密钥。

2.1.4 安装 postgres、qdrant、redis
cd docker
docker compose  --env-file ../.env up -d

2.2 运行后端

2.2.1 安装基本环境

服务器启动需要 Python 3.12.x。建议使用 pyenv 快速安装 Python 环境。

要安装其他 Python 版本，请使用 pyenv install。

pyenv install 3.12

要切换到 "3.12" Python 环境，请使用以下命令：

pyenv global 3.12

按照以下步骤操作： 导航到 "backend" 目录：

cd backend

激活环境。

uv sync --python 3.12
2.2.2 初始化数据
# 迁移数据库
alembic upgrade head
2.2.3 运行 unicorn
 uvicorn app.main:app --reload --log-level debug
2.2.4 运行 celery（非必需，除非您想使用 rag 功能）
poetry run celery -A app.core.celery_app.celery_app worker --loglevel=debug

2.3 运行前端

2.3.1 进入 web 目录并安装依赖
cd web
pnpm install
2.3.2 启动 web 服务
cd web
pnpm dev

# 或者 pnpm build 然后 pnpm start

Star History

Star History Chart