ControlFlow

Flujo de control

Controlflow es un marco de Python para construir flujos de trabajo de IA agente.

Controlflow proporciona un marco estructurado y centrado en el desarrollador para definir flujos de trabajo y delegar el trabajo a LLMS, sin sacrificar el control o la transparencia:

• Cree tareas discretas y observables para que funcione una IA.
• Asigne uno o más agentes de IA especializados a cada tarea.
• Combine las tareas en un flujo para orquestar comportamientos más complejos.

Ejemplo

El flujo de trabajo Controlflow más simple tiene una tarea, un agente predeterminado y administración automática de subprocesos:

 import controlflow as cf

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

print ( result )

Resultado:

 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.

¿Por qué Controlflow?

Controlflow aborda los desafíos de construir aplicaciones con AI que son poderosas y predecibles:

• ? Arquitectura centrada en la tarea : rompa los flujos de trabajo de IA complejos en pasos manejables y observables.
• Resultados estructurados : cierre la brecha entre la IA y el software tradicional con salidas validadas y seguras.
• ? Agentes especializados : implementa agentes de IA específicos de tareas para resolver problemas eficientes.
• " Control flexible : sintonice continuamente el equilibrio de control y la autonomía en sus flujos de trabajo.
• " Orquestación de múltiples agentes : coordinar múltiples agentes de IA dentro de un solo flujo de trabajo o tarea.
• ? Observabilidad nativa : monitorear y depurar sus flujos de trabajo de IA con soporte completo de prefecto 3.0.
• ? Integración del ecosistema : funcione sin problemas con su código existente, herramientas y el ecosistema de IA más amplio.

Instalación

Instalar Controlflow con pip :

pip install controlflow

A continuación, configure su proveedor de LLM. El proveedor predeterminado de Controlflow es OpenAI, que requiere la variable de entorno OPENAI_API_KEY :

 export OPENAI_API_KEY=your-api-key

Para usar un proveedor de LLM diferente, consulte los documentos de configuración de LLM.

Ejemplo de flujo de trabajo

Aquí hay un ejemplo más involucrado que muestra la interacción del usuario, un flujo de trabajo de varios pasos y salidas estructuradas:

 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 ))

Haga clic para ver los resultados

Conversación:

 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

Propuesta:

{
    "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 "
    ]
}

En este ejemplo, Controlflow administra automáticamente un flow o un contexto compartido para una serie de tareas. Puede cambiar entre funciones estándar de Python y tareas de agente en cualquier momento, lo que facilita la construcción de flujos de trabajo complejos incrementalmente.

Obtenga más información

Para sumergirse en el flujo de control:

• Lea la documentación completa
• Explorar proyectos de ejemplo
• Únete a nuestra comunidad en Slack