ControlFlow

Kontrollflow

ControlFlow ist ein Python -Framework für den Bau von Agenten -KI -Workflows.

ControlFlow bietet ein strukturiertes, Entwickler-fokussierter Rahmen für die Definition von Workflows und die Delegierung von Arbeiten an LLMs, ohne die Kontrolle oder Transparenz zu beeinträchtigen:

• Erstellen Sie diskrete, beobachtbare Aufgaben, an denen eine KI arbeiten kann.
• Weisen Sie jeder Aufgabe eine oder mehrere spezielle KI -Agenten zu.
• Kombinieren Sie Aufgaben zu einem Fluss, um komplexere Verhaltensweisen zu orchestrieren.

Beispiel

Der einfachste ControlFlow -Workflow verfügt über eine Aufgabe, einen Standardagenten und eine automatische Thread -Verwaltung:

 import controlflow as cf

result = cf . run ( "Write a short poem about artificial intelligence" )

print ( result )

Ergebnis:

 In circuits and code, a mind does bloom,
With algorithms weaving through the gloom.
A spark of thought in silicon's embrace,
Artificial intelligence finds its place.

Warum kontrollieren?

ControlFlow befasst sich mit den Herausforderungen des Aufbaus von Anwendungen, die sowohl leistungsstark als auch vorhersehbar sind:

• ? Aufgabenorientierte Architektur : Komplexe KI-Workflows in überschaubare, beobachtbare Schritte unterteilen.
• Strukturierte Ergebnisse : Brücken Sie die Lücke zwischen KI und herkömmlicher Software mit typen sicheren, validierten Ausgängen.
• ? Spezialagenten : Task-spezifische KI-Agenten für eine effiziente Problemlösung einsetzen.
• Flexible Kontrolle : Stimmen Sie kontinuierlich das Gleichgewicht der Kontrolle und Autonomie in Ihren Workflows ein.
• ?
• ? Native Beobachtbarkeit : Überwachen und debuggen Ihre KI -Workflows mit vollem Präfekten 3.0 -Unterstützung.
• ? Integration von Ökosystemen : Arbeitlos mit Ihrem vorhandenen Code, Tools und dem breiteren AI -Ökosystem arbeiten.

Installation

Installieren Sie ControlFlow mit pip :

pip install controlflow

Konfigurieren Sie als Nächstes Ihren LLM -Anbieter. Der Standardanbieter von ControlFlow ist OpenAI, für die die Umgebungsvariable OPENAI_API_KEY erforderlich ist:

 export OPENAI_API_KEY=your-api-key

Um einen anderen LLM -Anbieter zu verwenden, finden Sie in den LLM -Konfigurationsdokumenten.

Beispiel für Workflow

Hier ist ein umfassenderes Beispiel, das die Benutzerinteraktion, einen mehrstufigen Workflow und strukturierte Ausgänge präsentiert:

 import controlflow as cf
from pydantic import BaseModel


class ResearchProposal ( BaseModel ):
    title : str
    abstract : str
    key_points : list [ str ]


@ cf . flow
def research_proposal_flow ():

    # Task 1: Get the research topic from the user
    user_input = cf . Task (
        "Work with the user to choose a research topic" ,
        interactive = True ,
    )
    
    # Task 2: Generate a structured research proposal
    proposal = cf . run (
        "Generate a structured research proposal" ,
        result_type = ResearchProposal ,
        depends_on = [ user_input ]
    )
    
    return proposal


result = research_proposal_flow ()

print ( result . model_dump_json ( indent = 2 ))

Klicken Sie hier, um die Ergebnisse anzuzeigen

Gespräch:

 Agent: Hello! I'm here to help you choose a research topic. Do you have 
any particular area of interest or field you would like to explore? 
If you have any specific ideas or requirements, please share them as well.

User: Yes, I'm interested in LLM agentic workflows

Vorschlag:

{
    "title" : " AI Agentic Workflows: Enhancing Efficiency and Automation " ,
    "abstract" : " This research proposal aims to explore the development and implementation of AI agentic workflows to enhance efficiency and automation in various domains. AI agents, equipped with advanced capabilities, can perform complex tasks, make decisions, and interact with other agents or humans to achieve specific goals. This research will investigate the underlying technologies, methodologies, and applications of AI agentic workflows, evaluate their effectiveness, and propose improvements to optimize their performance. " ,
    "key_points" : [
        " Introduction: Definition and significance of AI agentic workflows, Historical context and evolution of AI in workflows " ,
        " Technological Foundations: AI technologies enabling agentic workflows (e.g., machine learning, natural language processing), Software and hardware requirements for implementing AI workflows " ,
        " Methodologies: Design principles for creating effective AI agents, Workflow orchestration and management techniques, Interaction protocols between AI agents and human operators " ,
        " Applications: Case studies of AI agentic workflows in various industries (e.g., healthcare, finance, manufacturing), Benefits and challenges observed in real-world implementations " ,
        " Evaluation and Metrics: Criteria for assessing the performance of AI agentic workflows, Metrics for measuring efficiency, accuracy, and user satisfaction " ,
        " Proposed Improvements: Innovations to enhance the capabilities of AI agents, Strategies for addressing limitations and overcoming challenges " ,
        " Conclusion: Summary of key findings, Future research directions and potential impact on industry and society "
    ]
}

In diesem Beispiel verwaltet ControlFlow automatisch einen flow oder einen gemeinsam genutzten Kontext für eine Reihe von Aufgaben. Sie können jederzeit zwischen Standard -Python -Funktionen und Agentenaufgaben wechseln, um komplexe Workflows inkrementell zu erstellen.

Erfahren Sie mehr

Tiefer in den Kontrollfluss eintauchen:

• Lesen Sie die vollständige Dokumentation
• Beispielprojekte untersuchen
• Schließen Sie sich unserer Community auf Slack bei