- 综合排序
- 最热优先
- 最新优先
- 来自专栏灵墨AI探索室
借助AI助手分析LlamaIndex的工作流可视化
引言 接续上次的讨论，我们上次主要分析了LlamaIndex工作流的核心流程，当前还剩下一行代码需要关注，那就是关于工作流的可视化。 今天我们的目标是深入理解这一可视化部分的主要流程，并且对其大体的实现方式进行简要的了解和探讨。 为了更好地理解这一点，我们可以借助AI助手来帮助我们深入了解相关的细节和原理。 可视化 底层逻辑 我们直接向AI助手询问这段代码的整体逻辑。 Java图可视化 我们对现有的方案并不十分了解，因此不妨直接向AI助手咨询，寻求其帮助来生成一些可能的解决方案。 经过实际测试后，我发现问题的根源在于，Maven的依赖库中根本就没有这个依赖。 总结 在本文的最后，我们总结了LlamaIndex工作流的可视化部分的实现和细节，重点分析了如何利用Python中的pyvis库和Java中的图形库，分别在两种语言中构建和展示网络图。
46420编辑于 2024-12-02 - 来自专栏AI智能体从入门到实践
构建AI智能体：LangGraph + Gradio：构建可视化AI工作流的趣味指南
今天，我想分享我们如何用LangGraph和Gradio构建一个可视化、可配置的AI工作流系统，让非技术用户也能轻松组合各种AI能力。 的智能工作流示例，旨在展示如何通过AI技术实现用户反馈处理的自动化、智能化和标准化。 未来，AI将继续推动社会进步。 流程节点：【文本预处理】-> 【关键词提取】-> 【摘要生成四、示例详细说明核心主题：基于 LangGraph 和 Qwen 大模型的可视化智能工作流系统主要功能：通过模块化的工作流节点处理文本，提供情感分析 ") gr.Markdown("使用通义千问大模型和可视化工作流处理文本") # ==================== 工作流执行标签页 ========
58721编辑于 2025-12-18 - 来自专栏DeepHub IMBA
Daggr：介于 Gradio 和 ComfyUI 之间的 AI 工作流可视化方案
Daggr 是一个代码优先的 Python 库，可将 AI 工作流转换为可视化图，支持对 Gradio 管道进行检查、重跑和调试。 单模型、单 prompt 的简单 demo 通常不会有什么问题。 这种场景在 AI 应用开发中极为常见。 Daggr 正是为解决这类问题而设计的。 它不是要取代 Python，也不是强推拖拽式编辑器，而是填补一个长期存在的空白：用代码定义工作流，用可视化图审视系统状态。 Daggr 概述 Daggr 是一个用于构建 AI 工作流的开源 Python 库。工作流通过代码定义，使用标准 Python 语法，无需 DSL 或 YAML 配置。 而Daggr 的定位是中间地带：工作流复杂度足以需要可视化检查和调试，但尚未达到需要正式编排系统的程度；开发者仍处于探索、调整和迭代的阶段。 这是 Daggr 最能发挥价值的场景。
16410编辑于 2026-02-27 - 来自专栏AI技术应用
AI工作流程开发框架
AI工作流程开发框架是用于构建、部署和管理人工智能（AI）应用程序的软件工具和技术的集合。它们提供了一组预先构建的组件、API和工具，简化了AI工作流程的开发过程。 在Kubernetes上运行和管理AI工作流程2.MLflow特点： 用于管理机器学习生命周期的平台 提供实验跟踪、模型打包、部署等功能 支持多种机器学习框架 适用于：跟踪和管理机器学习实验3.Metaflow AI工作流程开发框架？ 选择AI工作流程开发框架时，需要考虑以下因素：项目需求：确定AI工作流程的复杂程度、运行环境、依赖关系等。技术栈：选择与现有技术栈兼容的框架，降低开发成本。 总结AI工作流程开发框架是构建AI应用的重要工具，选择合适的框架可以提高开发效率、降低开发成本。希望以上信息能帮助您更好地了解AI工作流程开发框架。
34910编辑于 2025-02-19 - 来自专栏运维有术
OpenSpec vs Superpowers：2 套 AI 编码工作流，3 个场景怎么选？
问题不在 AI 本身，在于缺少一套规范的工作流来约束它。 OpenSpec 架构图 - DAG 工件依赖关系与增量规格系统 2. ，不是硬约束 子 Agent 功能依赖平台支持 - 不是所有 AI 工具都支持派遣子 Agent 图 3：Superpowers 14 个技能的工作流管道 3. 场景 C：团队协作的规范化开发流程 背景：一个 5 人团队开发一个中型 Web 应用，2 个后端、2 个前端、1 个全栈。用 Claude Code 和 Cursor 混合。 如果你也在用 AI 编码工具做项目开发，你目前的工作流是什么样的？评论区说说你的经验，看看大家是不是踩了同样的坑。 好啦，谢谢你观看我的文章，如果喜欢可以点赞转发给需要的朋友，我们下一期再见！
3.1K10编辑于 2026-04-01 - 来自专栏终码一生
推荐2个Springboot的工作流项目，轻松搞定工作流！
今天主要推荐两个工作流的springboot项目，开源项目中有具体的部署操作文档，核心表结构说明，都可以帮助理解工作流原理，其实大厂华为阿里里面的工作流虽然号称自研（很多都是参考开源），跟开源工作流的原理差不多的 工作流出问题比较高频的是配置出现低级问题，比如少一个符号或大小写不规范，别问我怎么知道的（玩工作流好几年了），工作流玩熟悉了，开发效率是极快的。 自带的用户、角色功能，因为过于简单，转而自行实现一个用户、角色、权限的三级结构，用户到角色，角色到权限均为多对多映射，持久层框架使用mybatis的collection和association标签嵌套实现； 2. 12.效果图： 2 RuoYi-vue 4.x + flowable 基RuoYi-vue 4.x + flowable 6.5 的工作流管理 ~ 一直想学习和入门flowable, 期间大量面向百度编程解决了很多问题 http://doc.ruoyi.vip 演示图 项目地址 https://gitee.com/shenzhanwang/Spring-activiti https://gitee.com/tony2y
3K40编辑于 2022-04-15 浅谈AI工作流 VS AI Agent VS MCP
人们可能会说“AI做到了这一点”，但其实，这种表述往往是笼统的，因为AI并非只有单一的形式。 事实上，AI有三个非常不同的层级：AI工作流、AI代理和MCP（模型上下文协议）。 让我们理清楚： AI工作流 像是一个食谱，始终按照相同的步骤进行。 •你设计流程。•AI在过程中填补空白。 •AI工作流 = 任务执行者•AI代理 = 目标解决者•MCP = 基础设施支柱 当你将正确的层次匹配到正确的问题时，AI不再是一个花招 — 而是一个竞争优势。 结尾 像一些智能体平台像扣子空间和百炼中做的那样，可以将工作流发布成mcp，然后添加到任务中由AI 大模型决定什么时候该调用哪一个mcp来提供支持，有点类似于套娃，可以催生出无限多种可能。 AI工作流适合那些重复性的任务，AI代理则能够在复杂环境中做出自主决策，而MCP则为AI代理提供了强大的基础设施支持。
21910编辑于 2026-03-13可视化拖拽玩转 Claude Code 工作流
基于 VS Code 的 cc-wf-studio 插件彻底改变这一现状，用可视化画布+节点拖拽，轻松搭建分支判断、Skill 调用、MCP 工具联动、多 Agent 协同的完整工作流，导出后一条命令即可全自动执行 ，让 AI 开发流程更清晰、更稳定、更易复用。 从左侧拖拽所需节点到画布： Prompt：输入任务描述 Skill：直接调用已安装技能 MCP Tool：联动外部工具能力 Condition：实现分支判断 Ask User：插入人工确认步骤 2. 把 Claude Code 的强大能力装进可视化画布，让复杂 AI 工作流变得直观、可控、可沉淀。 #ClaudeCode #Workflow #AI编程 #可视化开发 #效率神器 #MCP工具
4600编辑于 2026-04-17- 来自专栏一个会写诗的程序员的博客
jBPM 工作流引擎可视化编辑器
logic into reusable assets such as cases, processes, decision tables and more. business processes (BPMN2) case management (BPMN2 and CMMN) decision management (DMN) business rules (DRL) business optimisation JBPM，是一款开源的工作流产品，功能强大、小巧灵活。 ，或者促使此目标的实现” 简单的说，就是将工作的流程通过程序管理起来，以表单审核和任务办理为主体，实现办公自动化 工作流框架，将业务流程管理起来， 所有业务流程操作，围绕工作流框架进行， 基于表单提交和任务办理 工作流框架有：Jbpm、OSWorkflow、ActiveBPEL、YAWL等 https://blog.csdn.net/qq_36414013/article/details/72903762
2.1K10发布于 2021-06-17 - 来自专栏GoCoding
AI 编程工作流与协同范式
本想就实际需求来说一下我是怎么用 AI 编程的，怎么与 AI 对话的，分享一下我的经验。但与它聊了几句工作流，发现它说得可真不错。那就看看我问了 AI 什么，它又回复了什么。来，一起学习吧。 二问：AI 编程工作流AI 编程，我有一套步骤，如下：需求-> 需求分析-> 技术选型 架构设计 实施目标-> AI 编程需求来了后，之后都可 AI 辅助。 二问：AI 编程工作流AI 编程，我有一套步骤，如下：需求-> 需求分析-> 技术选型 架构设计 实施目标-> AI 编程需求来了后，之后都可 AI 辅助。 2. ) (DeepSeek)2.
27610编辑于 2026-03-14 - 来自专栏Elastic Stack专栏
使用 Elasticsearch 构建 AI Agent 工作流
Agent-to-Agent (A2A)我们也在研发 Agent-to-Agent (A2A) 支持。如果说 MCP 负责连接 Tool，A2A 则连接 Agent。 很快，你就能将这些链路数据直接存入 Elasticsearch，并可视化查看。更好的是，链路格式基于 OpenTelemetry 标准，方便与任意可观测平台集成。 专注 Agentic 数据流undefinedAgent 将产生海量数据：生成的文档、报告、可视化，以及执行链路。Elastic 天生适合存储与分析这类数据，我们正研究基于此的分析、评估与自动改进。 平台内嵌undefinedAgent 能力深度集成于 Elasticsearch：链路追踪、评估、可视化统统可用。想以执行数据做仪表盘？自带。想用情感分析评估 Agent 质量？平台同样支持。 由此构建完整的 AI 生命周期。Elastic 将持续提供接口，让你轻松构建基于自身数据的对话式 AI 与自动化工作流。更多技术细节和进展，敬请关注。
50621编辑于 2025-09-29 扣子AI智能体工作流（完结）
智能体新范式：扣子 AI 工作流核心技术与实战在人工智能演进的宏大叙事中，我们正站在一个关键的转折点上：从“对话式交互”迈向“代理式执行”。 扣子（Coze）的出现，标志着AI 智能体（AI Agent）开发进入了“工作流编排”的新范式。这不仅是工具的创新，更是人机协作逻辑的重构——从让 AI“回答问题”，转变为让 AI“完成任务”。 扣子工作流通过可视化的变量传递机制，自动管理节点间的数据流动。上游节点的输出可以直接映射为下游节点的输入，系统智能地裁剪和重组 Prompt 上下文，确保大模型在每一步只接收最相关的信息。 通过可视化的拖拽编排，非技术背景的业务专家（如产品经理、运营人员）也能将自身的业务逻辑转化为可执行的 AI 工作流。这意味着，企业中最懂业务的人，可以直接构建最懂业务的智能体。 AI 将不再仅仅是执行预设脚本的工具，而是能够不断反思、学习和成长的有机体。结语扣子 AI 工作流的核心技术，不仅仅是提供了一种新的开发工具，更是定义了一种全新的智能体构建哲学。
62011编辑于 2026-03-19- 来自专栏用户7004369的专栏
如何利用快速开发平台可视化开发工作流
我们先来看看什么是工作流？ 所谓工作流引擎是指workflow作为应用系统的一部分，并为之提供对各应用系统有决定作用的根据角色、分工和条件的不同决定信息传递路由、内容等级等核心解决方案。 XJR开发平台的工作流是整合activity工作流引擎的图形化流程设计器，通过可视化配置界面。基于B/S结构，纯浏览器应用，只需要拖拽组件，拼接流程，就能实现各层的审批。 在OA办公系统中，每个人都会用的请假流程，我们拿请假申请流程来举例，看看如何利用XJR快速开发平台进行可视化设计流程？ 建立工作流程前我们需要先通过XJR快速开发平台的可视化表单设计先设计设计出请假表单。前面有文章详细介绍过了，在这里不详细讲解了。 一、点击后台工作流程→流程设计 二、用流程设计器画出请假流程图，XJR快速开发平台的流程设计器是整合activtity开发，采用可视化编辑工作流引擎，辅助研发人员设计专业的流程功能，像我这种只会办公软件的人都可轻易上手
2.1K00发布于 2020-03-03 - 来自专栏云深之无迹
Python可视化.2
import matplotlib.pyplot as plt x = np.linspace(0.5, 10, 1000) y = np.cos(x) plt.plot(x, y, ls='-', lw=2, 绘图函数先看最下面的解释： 格式：plt.plot(x, y, ls='-', lw=2, label='xxx', color='g' ) x：x轴上的值 y：y轴上的值 ls：线条风格 (linestyle linewidth) label：标签文本 可以直接进行更改 可以设置划线的样式 小短线 点划线 圆点 变色 我没有改对应的文字 这样的图，我们在下篇文章一行一行代码来解释 f(x)=|sin(4x)^2
37450发布于 2021-04-28 - 来自专栏Tencent Serverless 官方专栏
可视化编排云服务，工作流 ASW 开始公测！
ASW 简介 应用与服务编排工作流（Application Services Workflow，ASW）是对腾讯云服务进行可视化编排，组合成工作流模板的应用程序集成类产品。 同时，您将无需编写代码，只需用可视化编排的方式快速构建自动化工作流模板，并实例化为任务去执行，或发布为服务接口提供对外访问。 可视化编排 ASW 将各类云服务的 API 以视图组件的形式展现，支持通过拖拽组件，可视化地编排工作流模板。可根据需求实现云服务的自由组合，提供满足复杂业务场景的工作流服务。 2. 音视频商品理解 基于短视频、直播带货趋势，对视频中出现的商品进行标签提取，助力智能导购和 KOL（Key Opinion Leader）商业价值评估。 ? 3. 将各类云服务组件以可视化编排组合的方式组成工作流模板，并集成为服务，为云端用户提供便捷、低成本的云上开发服务。 ? 6.
4K30发布于 2021-01-22 - 来自专栏CSDN搜“看，未来”
Nginx（2）：架构设计与工作流程
2、nginx采用了异步非阻塞的方式来处理请求。 3、线程只有一个，所以同时能处理的请求只有一个，只是在请求间进行不断地切换而已，切换也是因为异步事件未准备好，而主动让出的。 ③ HTTP模块（http） 该模块提供 HTTP 处理的核心功能和部分功能模块，HTTP 核心功能维护了 HTTP 多个阶段的工作流，并实现了对各种 HTTP 功能模块的管理和调用。 ---- 工作流程 晓得个框架设计明显是不够的，框架设计可以说是骨架，皮肉就是里面那些模块了，那这些骨架和皮肉又是怎么盘活的呢？ Master 初始化 worker初始化 upstream工作流程 大概也就门清儿了，先学习进程模型、再进入几个核心模块看框架，最后再收了设计比较好的数据结构、内存池、缓冲区以及一些问题解决方案。
68540发布于 2021-10-09 - 来自专栏明明如月的技术专栏
吴恩达：AI 智能体工作流
1.1 Agent 工作流 分享中指出不用 Agent 工作流时通过一次对话得到答案，效果往往不是很好。通过智能体工作流进行步骤拆分不断迭代，效果会更好。 AI 首先生成代码，然后再次审视这段代码，检查是否有逻辑错误或可以优化的地方，并据此进行修改。这种自我修正的过程可能循环进行多次，直到代码达到预期的标准。 2. 每种设计模式都体现了AI代理工作流在提高任务处理效率、增强问题解决能力方面的潜力，预示着AI技术在复杂任务处理和自动化方面的未来发展方向。 同时，他提到了对于即时反馈期望的调整，指出在使用AI智能体工作流时，我们需要学会耐心等待。 实战技巧参见：《用扣子/Coze 揭秘吴恩达的4种 AI Agent 设计模式》 各种各样的 Agent 产品合集：https://github.com/e2b-dev/awesome-ai-agents
1.9K01编辑于 2024-05-24 - 来自专栏XINDOO的专栏
为什么AI智能体需要工作流
在深入探讨工作流的具体设计和实现方法之前，我们需要先理解工作流的必要性及其为AI应用带来的关键价值。只有明确了工作流的目的和价值，我们才能设计出真正满足实际需求的解决方案。 这是因为复杂任务通常涉及多个相互关联的子任务和决策点，超出了单个AI模型的处理范围。通过工作流，我们可以将复杂问题分解为一系列较小且可管理的子任务，每个子任务都由专门的AI组件或规则负责处理。 每个步骤都可以由专门的AI模型或工具来完成，确保最终输出的内容质量。 数据分析和报告生成： 数据分析任务也可以进行垂直拆分，包括数据清洗和预处理、初步分析、深度挖掘、可视化图表生成、报告撰写等步骤。 数据分析平台： 可以按照不同的数据源或时间段进行水平拆分，每个分片数据再经过垂直的分析流程（数据清洗、特征提取、模型分析、可视化等）。这种方式既能处理海量数据，又能保证分析的深度和质量。 最后总结下本文的核心观点，在AI应用中，合理的工作流设计是提升系统效能的关键，通过任务的水平拆分和垂直拆分，我们可以构建出既能处理大规模数据又能保证质量的混合工作流体系。
33210编辑于 2025-10-27 别做 AI Agent，先用简单工作流
大家好，我是人月聊IT，今天接着AI和大模型方面的话题。 最近 Decoding ML 推出一篇文章《Stop Building AI Agents》，在海外平台引发了很多讨论。 文章痛批很多团队一上来就给大模型加记忆、角色和工具，让模型自己调度工作流，结果越做越像多米诺骨牌，一推就倒。 即在AI通用智能体或者说完善的大模型+MCP生态没有发展起来的时候，AI Agent智能体开发还会存在相当长的一段时间。 所以大家可以反过来想，不是AI Agent，而是应用程序增加了AI辅助的能力。AI Agent的本质就是一个应用程序，只是这个应用程序可以调用大模型的能力来对内容进行处理。 如果从这个角度来思考的话，AI Agent在通用智能体没有出来前仍然会存在相当长的一段时间。 所以现在的AI Agent已经没有你想的那么存粹，而更像是RPA+大模型能力的一个融合体。
36510编辑于 2025-07-14- 来自专栏福大大架构师每日一题
dify 1.7.2重磅升级：工作流可视化与节点搜索引领AI开发新体验
本次更新的核心价值主要体现在三个方面：可视化工作流分析、高效节点管理和企业级稳定性增强。 通过引入工作流依赖关系可视化面板和全局节点搜索功能，Dify大幅降低了复杂AI应用的管理难度；同时，通过修复多个关键错误和增强安全防护机制，为生产环境部署提供了更可靠的保障。 工作流可视化依赖关系面板 Dify 1.7.2版本引入了革命性的工作流关系可视化功能，彻底改变了开发者理解和调试复杂工作流的方式。 这种深度集成的能力正是Dify区别于其他AI平台的核心竞争力之一。 2. 工作流API版本控制 针对企业级应用的需求，Dify 1.7.2版本引入了工作流API版本规范功能。 特别是在金融、医疗等对数据安全要求严格的行业，这些加固措施能够帮助用户满足合规要求，安全地发挥AI技术的价值。 2.
1.5K10编辑于 2025-08-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号