介绍

流本质上是数据的图形表示，这一概念通过在检索增强生成 (RAG) 和数据表示中使用知识图谱而变得流行。

最近，基于图的方法也被广泛应用于：

• 创建 AI 管道和更复杂的 API
• 构建代理 AI 工具
• 在 Agentic 应用程序中定义循环和步骤
• 开发对话用户界面

图形表示有几个优点，包括：

• 以图形和互连的方式可视化复杂数据拓扑（A）
• 通过代码开发流程，同时以图形方式可视化节点和边（B）
• 通过无代码 GUI创建并执行节点和边( C )

三种不同的方法

考虑下面的图片，有三种不同的方法可以利用图形方法来组织数据以实现视觉表示或流程。

（A）以图形和互连的方式可视化复杂的数据拓扑，可以直观地理解数据中的复杂关系和模式。

通过将数据表示为节点和边，用户可以轻松识别通过传统数据表示难以辨别的连接、依赖关系和集群。

这种方法可以提供更全面的视图，从而更容易地分析、探索和根据数据的底层结构做出明智的决策，同时也显示数据的语义关系和相似性。

（B）通过代码开发流程，同时以图形方式可视化节点和边，为设计和管理复杂系统提供了强大的方法。

这种方法允许开发人员编写代码，同时以可视格式查看逻辑流，其中每个节点代表特定的功能、任务或数据点，而边缘则说明它们之间的连接。

对于情况A和B，在大多数情况下，无法通过更改或操作图形视图来更改底层数据。有些情况下，图形表示仅仅是一个视图，或者可以通过图形进行不同级别的数据操作或更改。

下图是来自 LangChain LangGraph Studio 环境的一个示例，其中 Python 代码以图形表示形式可视化。

这种视觉布局可以在排列和执行方面进行调整和操作。但是，对图形表示的更改不会直接改变底层 Python 代码。

当代码是手工制作的，然后通过图形用户界面自动更新或重构时，通常会导致结构不良的代码，变得难以维护，甚至无法维护。

虽然图形表示之间的转换在两个方向上都可以无缝地进行，但从代码到图形界面的转换通常是单向过程，图形视图的变化无法有效地转换回干净、可维护的代码。

（C）通过无代码 GUI 创建和执行节点和边，使用户（包括没有编程技能的用户）能够以可视化的方式设计和实施复杂的工作流程。

这是聊天机器人开发框架的标准方法，大多数情况下都遵循设计画布方法。

这种方法使开发民主化，允许用户直接通过直观的界面拖放组件、定义关系和配置逻辑。

通过简化构建和执行工作流的过程，它减少了将想法付诸实践所需的时间和精力，使迭代和改进解决方案变得更加容易。它促进了不同团队之间的协作，因为通过这种方法，设计和开发得以融合。

什么使得图形变得直观？

在计算机科学中，抽象数据类型 (ADT)作为数据类型的数学模型，由用户角度的行为（语义）定义。

这意味着 ADT 关注用户在与数据交互时可能的值、操作和行为，强调可用性和含义。数据的图形表示是一种 ADT……并且由于语义含义、链接和集群是图形表示的重要组成部分，因此我们人类可以很容易地解释这种数据表示。

图表与其他数据结构形成鲜明对比，后者从实施者的角度提供数据的具体表示，详细说明数据的结构、组织和操作方式。所有这些都由存储、内存、软件设计等元素决定。

并且，虽然实施者专注于这些结构的技术构建和效率，但其他方必须自己掌握和解释底层结构，并将其转化为有意义的交互。

图表 = 用户视角

其他数据类型=实施者视角

为什么我说流量回归了

大多数（如果不是几乎所有的话）AI 代理和 Agentic 应用程序实现都是通过对话式 UI 开发的。生成式 AI，尤其是语言模型，通常通过提示来访问 – 这是一种自然语言界面，其中输入和输出数据本质上是非结构化的。

大型语言模型 (LLM) 的前景可以从两个不同的角度来看待。一方面，聊天机器人和语音机器人的资深人士正在将他们的专业知识与不断发展的生成式 AI 和语言模型世界相结合。

另一方面，对流程和对话式 UI 领域还不熟悉的 AI 和 ML 专家正在适应这些界面。流程旨在编排一系列事件，其中可能涉及链接提示或创建操作管道。这些序列可以在有或没有人工干预的情况下执行，具体取决于应用程序的要求。

最近，Kore.ai 推出了一款 AI 生产力套件，它提供一系列功能，包括选择和托管开源模型、与商业模型集成、实施护栏、执行无代码微调等功能。

该套件的一个关键组件是 Agent Flow Builder，它遵循无代码方法，使用户无需大量编码知识即可轻松创建和部署流程。

该工具简化了构建复杂的 AI 驱动工作流程的过程，使更广泛的受众可以使用高级功能。

Deepset 最近还发布了一个用于构建管道的无代码 Studio 环境。他们的开源产品 Haystack 一直是创建生成式 AI/LLM 管道以执行一系列任务的领导者之一。

添加到此列表 Flowise、LangFlow 等等……

综上所述

如下所示，考虑到当前大型语言模型的市场架构，流程工程工具供过于求，这些工具允许用户设计和管理单个工作流程。

然而，真正的需求在于开发一个强大的编排工具，可以无缝集成和协调所有这些不同的元素。这样的编排工具将提供一个统一的框架来管理多个流程、模型和过程，确保它们高效、有效地协同工作，而不是孤立地运行。

这将解决市场上的一个关键空白，促进更具凝聚力和可扩展的人工智能驱动解决方案。