Dify construye una inteligencia privada de visualización y análisis de datos

La tecnología de inteligencia artificial sigue evolucionando, y las aplicaciones de chat son cada día más ricas en funciones. Recientemente, la plataforma Dify lanzó una notable actualización, su recién estrenada aplicación de chat puede implementar directamente el análisis visual de datos en el diálogo, aportando a los usuarios una experiencia de comunicación más intuitiva y eficiente. Aunque el título del artículo menciona que la función es "tan eficaz como ChatGPT", todavía hay una laguna en la aplicación real, que se centra más en la demostración de la tecnología y la exploración de la función. El artículo carece de explicación del principio, lectura recomendada Los flujos de trabajo de Dify y los asistentes inteligentes de IA reinventan el modelo de adopción de datos empresariales .

Solución de visualización de datos de ChatGPT

En cuanto a la visualización de datos, se han explorado activamente algunos productos líderes en IA, como ChatGPT. Se ha informado de que la solución de visualización de datos de ChatGPT también convierte los comandos del usuario en código Python, que se ejecuta en segundo plano y luego se muestra en primer plano. Sin embargo, el gráfico circular generado por ChatGPT tiene problemas de compatibilidad en la visualización en chino.

Solución de visualización de datos de Dify para plataformas de código bajo

Dify La plataforma adopta un enfoque diferente al aprovechar su naturaleza de bajo código, que permite a los usuarios crear rápidamente aplicaciones de chat con funciones de visualización de datos sin escribir código complejo.

sobre la base de ChatGPT La plataforma Dify proporciona una solución simple: ajustar el comando de código Pandas utilizado anteriormente para generar directamente el código Pyecharts, ejecutar en el entorno sandbox de fondo, obtener las imágenes generadas o archivos HTML. Esta es una forma relativamente sencilla de lograr.

Sin embargo, este artículo se centrará en Dify, una plataforma de diseño de carrocerías inteligentes de bajo código, para mostrar lo fácil que es visualizar datos, por lo que seguiremos optimizando nuestros diseños de flujo de trabajo anteriores para aprovechar al máximo las herramientas integradas de Dify.

La plataforma Dify cuenta con herramientas integradas de generación de gráficos que admiten gráficos circulares, gráficos de barras, gráficos de líneas y otros tipos de gráficos. Los usuarios pueden entender intuitivamente los requisitos de los parámetros de estas tres herramientas de gráficos, todos ellos en formato de cadena y en el mismo formato.

Optimización del flujo de trabajo: conversión de formatos de datos

Para que la salida del flujo de trabajo coincida con los requisitos de los parámetros de la herramienta de gráficos de Dify, es necesario optimizar el flujo de trabajo.

Los siguientes datos JSON son un ejemplo de la salida del flujo de trabajo en el tutorial anterior, y está en un formato que no se puede utilizar directamente en la herramienta de gráficos de Dify.

{"status": "success", "data_result": {"学校": 2, "互联网": 1, "物流": 1, "硬件": 1, "教育机构": 1, "传统零售": 1, "传统媒体": 1, "制造业": 1}}

Aquí ha elegido utilizar código Python para la conversión del formato de datos, y para ello necesita añadir un nodo de ejecución de código al flujo de trabajo y rellenarlo con el código Python apropiado.

Este código Python se puede generar con la ayuda del Big Language Model, el generador de código incorporado en la plataforma Dify, que sólo requiere una descripción clara de los requisitos. He aquí un ejemplo de las indicaciones utilizadas para generar el código.

{"status": "success", "data_result": {"学校": 2, "互联网": 1, "物流": 1, "硬件": 1, "教育机构": 1, "传统零售": 1, "传统媒体": 1, "制造业": 1}} 边写一段Pytho函数代码，，接受json输入，将data_result的所有key值拼接为一个字符串，每个key之间用 ";" 分隔，赋值到变量exl_ key,将data_result的所有value值拼接为一个字符串，每个value之间用 ";" 分隔，赋值到变量exl_value,将exl_key exl_value返回

Hay algunos problemas menores con el código generado directamente por el generador de código de Dify, por ejemplo, el resultado de retorno contiene sólo una variable, mientras que la herramienta de gráfico circular de Dify requiere dos variables. Por lo tanto, el código generado necesita ser modificado para asegurar que la variable return devuelve un resultado de tipo diccionario (dict).

import json
def main(data: dict) -> dict:
data = json.loads(data)
exl_key = ";".join(data["data_result"].keys())
exl_value = ";".join(map(str, data["data_result"].values()))
return {'exl_key': exl_key, 'exl_value': exl_value}

Existe un problema potencial con el código anterior, si el formato de los datos generados por el modelo grande no coincide con el esperado {key: value, key: value} la ejecución del código informará de un error. Este tema será explorado en un artículo posterior, este artículo se centra primero en la implementación de la funcionalidad.

Además, el formato de las variables de entrada que recibe el nodo de ejecución de código también es propenso a errores. La entrada por defecto es una cadena, que requiere el uso de la función json para realizar una conversión de tipo forzada. De lo contrario, se producirá el siguiente error.

Funcionamiento del flujo de trabajo y presentación de resultados

Ahora se puede ejecutar el flujo de trabajo en su totalidad para ver los resultados finales.

En este punto, el flujo de trabajo se ha configurado correctamente para generar resultados de gráficos circulares basados en las necesidades de análisis de datos del usuario.

Extensiones del flujo de trabajo: compatibilidad con varios tipos de gráficos

Sin embargo, si el usuario necesita generar diagramas de barras o gráficos lineales, es necesario ampliar el flujo de trabajo actual.

La optimización se basa en las siguientes ideas: en primer lugar, hay que añadir un nodo "Extracción de parámetros", para que el big model pueda identificar la necesidad de visualizar gráficos, como gráficos circulares o de barras, a partir de los comandos del usuario. En segundo lugar, debe añadirse un nodo de "bifurcación condicional" entre los nodos de procesamiento de datos y visualización de gráficos circulares, de modo que puedan seleccionarse distintas rutas de bifurcación en función de los resultados de la extracción de parámetros. El diseño final del flujo de trabajo se muestra en la siguiente figura.

A continuación describimos en detalle cómo configurar el extractor de parámetros. Como se puede ver en la interfaz de configuración, contiene los siguientes tres aspectos principales:

1. variable de entrada: Especifica que el modelo grande extrae los parámetros del texto del comando del usuario.
2. parámetro de extracciónDefine los parámetros que deben extraerse, es decir, si la instrucción de usuario contiene información de tipo gráfico. Si se extrae información relevante, se asigna a una nueva variable exl_type.
3. directivas:: Palabras clave enviadas por el extractor de parámetros al modelo grande. La tarea de extracción de parámetros es relativamente sencilla para los modelos grandes.

De este modo, los nodos de "bifurcación condicional" subsiguientes serán modelados por el modelo mayor basándose en los parámetros extraídos. exl_type El nodo "Bifurcación condicional" parece complejo, pero el principio es sencillo. El nodo "Bifurcación condicional" parece complejo, pero el principio es sencillo: según el tipo de salida de gráfico del modelo grande, seleccione la bifurcación correspondiente para generar el gráfico correspondiente.

A continuación, demostramos cómo funciona el flujo de trabajo global. Los resultados muestran buenos resultados, lo que indica que el flujo de trabajo se puede aplicar a la aplicación Big Model Chat.

Publicación de flujos de trabajo como herramientas de Dify e integración en aplicaciones de agentes

Para integrar este flujo de trabajo en Dify, primero necesita publicarlo como una herramienta incorporada de Dify. En la interfaz del flujo de trabajo, haga clic en el botón Publicar en la esquina superior derecha y seleccione Publicar como herramienta.

Nota: Este paso es fundamental. Como regla general, los flujos de trabajo publicados como herramientas deben tener su formato de parámetros establecido en text-input tipo. Sólo entonces, en una aplicación de Agente Dify, el modelo grande llamará a la herramienta correctamente a través de una llamada de función. De lo contrario, el modelo grande ignorará la herramienta. Por lo tanto, es importante ajustar las variables de entrada del flujo de trabajo como se muestra en la siguiente figura text-input tipo antes de publicarlo como herramienta.

Una vez que haya completado los pasos anteriores, puede integrar el flujo de trabajo de análisis de datos en Dify como una Llamada a Función. A continuación, cree una aplicación Agente en Dify. Si usted no está familiarizado con la aplicación Agente, puede seguir los pasos primero, y luego entenderemos su principio y aplicación paso a paso. Después de eso, voy a escribir un artículo para comparar la diferencia entre los diferentes tipos de aplicaciones en Dify.

A continuación, basta con añadir la herramienta publicada a la aplicación Agente. En este punto, la configuración está completa. Previsualice y depure directamente para ver el resultado final.

A través de los pasos anteriores, la plataforma Dify integra con éxito aplicaciones de chat con funciones de visualización de datos, proporcionando a los usuarios una experiencia interactiva totalmente nueva. Con las funciones de bajo código de Dify, los usuarios pueden crear rápidamente aplicaciones potentes e inteligentes y disfrutar de la comodidad de la tecnología de IA sin necesidad de codificación en profundidad.