一、与知识对话
二、采集网页问答
三、部署安装flowise
flowise工程地址：https://github.com/FlowiseAI/Flowise
flowise 官方文档：https://docs.flowiseai.com/
这里采用docker安装：
step1：克隆工程代码 （如果网络不好，下载压缩文件也是一样）
git clone https://github.com/FlowiseAI/Flowise.git step2：进入工程目录docker文件下复制 .env.example 内容创建 .env
关于这个文件参数说明：https://github.com/FlowiseAI/Flowise/blob/main/CONTRIBUTING-ZH.md
数据库支持 sqlite, mysql, postgres，这里我注释了数据库代码，默认则用sqlite；
如果想用mysql，postgres自己起服务也可以；注意mysql要8.0版本以上；
step3： 创建docker-compose-chroma.yml文件，这里是为了后续在组件当中使用向量数据库chroma
version: '3.1' services: flowise: image: flowiseai/flowise restart: always environment: - PORT=${PORT} - FLOWISE_USERNAME=${FLOWISE_USERNAME} - FLOWISE_PASSWORD=${FLOWISE_PASSWORD} - DEBUG=${DEBUG} - DATABASE_PATH=${DATABASE_PATH} - APIKEY_PATH=${APIKEY_PATH} - SECRETKEY_PATH=${SECRETKEY_PATH} - FLOWISE_SECRETKEY_OVERWRITE=${FLOWISE_SECRETKEY_OVERWRITE} - LOG_PATH=${LOG_PATH} - LOG_LEVEL=${LOG_LEVEL} - EXECUTION_MODE=${EXECUTION_MODE} ports: - '0.0.0.0:${PORT}:${PORT}' volumes: - ~/.flowise:/root/.flowise networks: - flowise_net command: /bin/sh -c "sleep 3; flowise start" networks: flowise_net: name: chroma_net external: true step4： 构建容器并且启动，在下图所在所示路径下构建指定yml文件
docker-compose -f docker-compose-chroma.yml up -d 此时容器已经起来了
四、部署安装chroma
chroma工程地址：https://github.com/chroma-core/chroma
chroma官方文档：https://docs.trychroma.com/
step1： 获取chroma工程
git clone https://github.com/chroma-core/chroma.git step2： 进入工程路径，构建容器镜像
cd chroma docker-compose up -d --build step3： 确认2个服务已经成功启动
step4： 确认chroma在docker容器中的IP地址，比如我的是 172.19.0.2
五、flowise使用教程
当你按照我上面的步骤，部署启动好了服务，访问http://localhost:3008/
注意！
启动服务，如果用openai的官方key，需要本地科学上网，否则对话会擦红石 如下内容，有很多场景可以实现，比如pdf文件识别，多组件构成，必要条件你得掌握langchain才能实现复杂功能开发
（1）关于flowise编排说明
flowise不同于传统的编排，比如从左往右进行，开始结束很明显
所有的链接及其开发需要有一定的langchain认知能力，可以参考我langchain专栏的文章，举例
对于创建一个chain，其实可以遵循函数开发原理
关于langchain官方文档：https://python.langchain.com/docs/get_started/introduction
（2）flowise 面板介绍
（3）简单的LLM问答
（4）文件问答
（5）向量数据库问答
在实现这个flow时候，需要提前将数据向量化到数据库，准备任意QA文档，我这里50个历史问答
step1 将文档构建到向量数据库
from langchain.embeddings import OpenAIEmbeddings, SentenceTransformerEmbeddings from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain.vectorstores import Chroma from langchain.document_loaders import Docx2txtLoader import chromadb import os import uuid os.environ["OPENAI_API_KEY"] = '你的OpenAikey' # 加载器 loader = Docx2txtLoader(r'C:\Users\wenwenc9\Desktop\历史问题50问答.docx') documents_source = loader.load() # 切割文件 text_splitter = RecursiveCharacterTextSplitter(chunk_size=50, chunk_overlap=20) documents = text_splitter.split_documents(documents_source) 将文件向量到数据库 client = chromadb.HttpClient(host='localhost', port=8000) # embedding_function = SentenceTransformerEmbeddings(model_name="all-MiniLM-L6-v2") embedding_function = OpenAIEmbeddings(model="text-embedding-ada-002") # 通过langchain使用向量库 Chroma = Chroma( client=client, embedding_function=embedding_function, ) try: collection = client.create_collection(name='history-qa', embedding_function=embedding_function) print("不存在集合，创建数据库") # 为每个文档创建一个文档id,并且将文档id，元数据，文档内容添加到数据库 # 为文档增加id doc_ids = [str(uuid.uuid4()) for _ in documents] for i, _doc in enumerate(documents): _id = doc_ids[i] _doc.metadata['doc_id'] = _id # 构建文档序号属性 Chroma._collection = collection # 存储文档 Chroma.add_documents(documents) except Exception as e: collection = client.get_collection(name='history-qa', embedding_function=embedding_function) Chroma._collection = collection print('已经存在集合，进行查询') res = Chroma.as_retriever().invoke("历史最早的纸币是那个国家发行的?") print(res) step2：验证是否成功构建生成向量
import os os.environ["OPENAI_API_KEY"] = '你的key' import chromadb from langchain.embeddings import OpenAIEmbeddings embedding_function = OpenAIEmbeddings() client = chromadb.HttpClient(host='localhost', port=8000) # 按名称从现有集合中获取集合对象。 如果未找到，将引发异常。 collection = client.get_collection(name="history-qa") res = collection.peek(2) # 返回集合中前 2 项的列表 print(res) step4 在flowise服务构建 flow编排
（6）网页采集问答
目标地址
https://baike.baidu.com/item/%E8%83%8C%E5%BD%B1/2663983?fr=ge_ala
