AI新工具
banner

ControlFlow


介绍：

ControlFlow 是一个用于构建AI工作流的Python框架，结合任务、代理和流程管理。

去看看








ControlFlow

ControlFlow概述

ControlFlow是一个用于构建智能代理AI工作流的Python框架。

ControlFlow为定义工作流和委派任务给大型语言模型（LLM）提供了一个结构化、以开发者为中心的框架，而不会牺牲控制权或透明度：

这种以任务为中心的方法使你可以将AI的强大功能应用于复杂的工作流，同时保持细粒度的控制。通过为每个任务定义明确的目标和约束，可以平衡AI自主性与精准监管，让你有信心构建复杂的AI应用。

使用场景

安装

你可以使用以下命令安装ControlFlow：

pip install controlflow

同时，需要配置LLM提供商，例如使用OpenAI，需要通过OPENAI_API_KEY环境变量配置API密钥：

export OPENAI_API_KEY=your-api-key

更多配置可以参考不同的LLM提供商。

示例

下面是一个简单的示例，展示了如何创建一个AI代理来写研究报告：

import controlflow as cf
from pydantic import BaseModel

# 创建一个编写研究报告的代理
author = cf.Agent(
    name="Deep Thought",
    instructions="Use a formal tone and clear language",
)

class ResearchTopic(BaseModel):
    title: str
    keywords: list[str]

@cf.flow
def research_workflow() -> str:
    # 任务1: 默认代理将与用户一起选择一个主题
    topic = cf.Task(
        "Work with the user to come up with a research topic",
        result_type=ResearchTopic,
        user_access=True,
    )

    # 任务2: 默认代理将根据主题创建提纲
    outline = cf.Task("Create an outline", context=dict(topic=topic))
    
    # 任务3: 作者代理将编写草稿
    draft = cf.Task(
        "Write a first draft", 
        context=dict(outline=outline),
        agents=[author]
    )
    
    return draft

# 运行工作流
result = research_workflow()
print(result)
为什么选择ControlFlow？

ControlFlow旨在解决构建强大且可预测的AI应用中的各种挑战：

任务驱动架构

将复杂的AI工作流拆分为可管理和可观察的步骤，确保AI代理在明确的边界内操作，便于管理和推理。

结构化结果

通过使用Pydantic模型确保AI生成的内容符合应用需求，实现AI与传统软件的无缝衔接。

专门化代理

部署专门为特定任务设计的AI代理，以提高问题解决的效率，每个代理可以有自己的指令、工具，甚至可以基于不同的LLM模型。

生态系统集成

ControlFlow支持广泛的LangChain模型和工具，轻松融入现有代码和工具中。

灵活的控制

在工作流中随时调整任务的控制和自主性。

多代理协调

在单个工作流内协调多个AI代理，或者在一个任务中协调多个代理，充分发挥不同模型和方法的优势。

本地可观察性和调试

基于Prefect 3.0，你可以在一个地方监控所有的代理和传统工作流，便于调试和优化性能。

通过ControlFlow，你可以构建透明、可维护、符合软件工程最佳实践的AI工作流。

可关注我们的公众号：每天AI新工具

广告：私人定制视频文本提取，字幕翻译制作等，欢迎联系QQ:1752338621