《筆記》Flowise Chatflow 建構指南 (免費版，文章待修改)

資料科學 自然語言處理
1

▌核心概念：PC 組裝比喻

我們將 Flowise 的建構過程比喻為組裝一台電腦。

  • Level 1 (基本架構/Must)：電腦開機運作 (CPU + 主機板 + 硬碟)。

  • Level 2 (建議配備/Should)：作業系統與風格，讓電腦好用 (OS + 設定)。

  • Level 3 (選擇週邊/Option)：接上掃描機等週邊，讓電腦能做各式各樣不同的工作 (RAG)。

▌Level 1：骨架 (Must) —開機

目標：建立一個最基本、能對話的機器人。

狀態：硬體組裝完成，能開機進入 BIOS，但沒有個性。

1. 必要組件 (Nodes)

角色 PC 比喻 Flowise 節點 備註
總管 主機板 Chains > Conversation Chain 核心骨架。
大腦 CPU Chat Models > ChatGoogleGenerativeAI 負責運算 (選 gemini-pro)。
記憶 硬碟 Memory > Buffer Window Memory 安裝記憶體和硬碟開機。

2. 組裝步驟

  1. 安裝 CPU：將 ChatGoogleGenerativeAI 連接到 Chain 的 Chat Model。

    • 設定：填入 Google API Key，Model Name 選 gemini-pro 或 gemini-2.5-flash。

  2. 安裝硬碟：將 Buffer Window Memory 連接到 Chain 的 Memory。

    • 設定：Window Size 設為 10 (記憶最近 10 句，避免金魚腦)。

  3. 關鍵動作：點擊右上角 Save (存檔)。

    • 注意：先 Save 再執行。沒存檔的話，對話視窗會一直轉圈圈。

▌Level 2：靈魂 (Should) — 灌入作業系統 (人設)

目標：讓機器人擁有特定的個性、語氣或職責。

狀態：灌好了作業系統，有操作介面與風格。

1. 新增組件

角色 PC 比喻 Flowise 節點 備註
人設 作業系統 Prompts > Chat Prompt Template 定義它是誰 (Who am I)。

2. 組裝步驟

  1. 連接：將 Chat Prompt Template 連接到 Chain 的 Chat Prompt Template 接口。

  2. 設定人設 (System Prompt)：

    • 點開節點，刪除預設英文。

    • 輸入你的「作業系統指令」，例如：

      「你是一個說話簡短、有點傲嬌的資深工程師。不管使用者問什麼，你都要用不耐煩的語氣回答。」

  3. Save & Test：存檔後，測試它的回答語氣是否改變。

▌Level 3：外掛 (Option) — 接上掃描機等週邊 (RAG/讀檔)

目標：讓機器人能讀取你上傳的 PDF 或文件。

狀態：接上了一台掃描機，並安裝了驅動程式。

變更：更換更多支援的主機板 (Chain)。

1. 必要組件 (Nodes)

角色 PC 比喻 Flowise 節點 設定重點
總管 新主機板 Chains > Conversational Retrieval QA Chain 專門用來讀檔的鏈。
翻譯機 驅動程式 Embeddings > GoogleGenerativeAI Embeddings Model 選 embedding-001。
檔案櫃 暫存資料夾 Vector Stores > In-Memory Vector Store 練習用，重整網頁會清空。
掃描機 掃描器 Document Loaders > Pdf File 上傳你的檔案。
裁紙刀 切紙機 Text Splitters > Recursive Character Text Splitter 必裝！ 避免檔案太大噎死。

2. 組裝步驟 (資料流向)

這裡的接線邏輯是「把工具交給下一關」，請依序連接：

  1. 裁切 (Splitter → Loader)：

    • Recursive Character Text Splitter :right_arrow: 連給 Pdf File 的 Text Splitter 接口。

    • (意思：把裁紙刀交給掃描機)

  2. 存檔 (Loader → Vector Store)：

    • Pdf File :right_arrow: 連給 In-Memory Vector Store 的 Document 接口。

    • (意思：掃描完的檔案放進櫃子)

  3. 翻譯 (Embeddings → Vector Store)：

    • GoogleGenerativeAI Embeddings :right_arrow: 連給 In-Memory Vector Store 的 Embeddings 接口。

    • (意思：幫櫃子裡的資料編碼)

  4. 檢索 (Vector Store → Chain)：

    • In-Memory Vector Store :right_arrow: 連給主機板的 Vector Store Retriever 接口。

    • (意思：把櫃子鑰匙交給總管)

3. 常見問題 (Troubleshooting)

  • Error 429 (Too Many Requests)：

    • 原因：免費版 Google API 有「速度限制」。檔案太大或切成太多塊，瞬間請求過多被擋下。

    • 解法：先用極小的 .txt 檔測試架構，或將 Splitter 的 Chunk Size 調大 (例如 2000) 以減少請求次數。

▌其他參考資料

以下影片是 LangGraph 參考。

1個讚