- 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。 3. 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 2.3 核心价值将复杂的大模型能力封装成易用工具提供直观的可视化反馈支持多种文本处理场景具备良好的错误处理机制3.
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blackheart的专栏
3.HTTPS工作流程
本篇并不关注SSL/TLS具体是如何工作的，只是抽象的解释下HTTPS的一个工作流程。 2. HTTPS 工作流程 ? 以上只是一个抽象的HTTPS的一个工作流程，实际上SSL/TLS所做的工作远不止这这些，更详细的解释请参考这篇文章：http://www.infoq.com/cn/articles/HTTPS-Connection-Jeff-Moser 3.
1.6K50发布于 2018-01-19 - 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
AI 编码总返工？OpenSpec 最佳实战：3 步工作流 × 3 种场景，新老项目通用
图 1：OpenSpec 3 步工作流 × 3 种场景概览 你用 AI 编码助手写功能，有没有遇到过这种情况：需求描述了一通，AI 理解成了另一个意思，写出来的代码完全不是你要的。 ，形成闭环： /opsx:propose → /opsx:apply → /opsx:archive 图 3：propose → apply → archive 核心三步工作流 下面用三个场景分别演示 3. 场景一：新项目从零开始 图 4：新项目从零开始的完整工作流 新项目的特点是：没有历史包袱，规范从零搭建，每次功能迭代都会让系统规范更加完整。 假设你要启动一个新的待办事项应用。 OpenSpec 专门为这种情况设计了 Brownfield 工作流。 总结 OpenSpec 的三步工作流，本质上做了一件事：让你和 AI 在写代码前花几分钟对齐需求，省去后面几小时的返工。
1.7K10编辑于 2026-04-01 - 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。 : | 密码重置 SHALL 通过邮件发送一次性链接， 链接有效期 15 分钟 DAG 工件依赖图：自动排执行顺序 OpenSpec 内部用了一个 DAG（有向无环图）来管理工作流的依赖关系 ，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 A：大型企业项目的需求变更管理 背景：一个运行了 3 年的 Java 微服务项目，50+ 模块，团队 8 个人。产品经理每周提 3-5 个需求变更，每个变更影响 3-8 个模块。 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 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。 连线建立逻辑 用鼠标连接节点出入口，定义执行顺序 支持单链路、多分支、并行子流程结构 3. 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
JBPM，是一款开源的工作流产品，功能强大、小巧灵活。 JBPM采用XML结构的流程描述语言JPDL来描述工作流程 JBPM使用Hibernate作为持久层工具，可以在各大主流数据库中使用 官网：http://www.jboss.org/jbpm/ JBPM3 工作流（Workflow），就是“业务过程的部分或整体在计算机应用环境下的自动化”，它主要解决的是“使在多个参与者之间按照某种预定义的规则传递文档、信息或任务的过程自动进行，从而实现某个预期的业务目标 ，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MixLab科技+设计实验室
3个增长主管的AI工作流案例分享@ElevenLabs 增长主管 Luke Harries
案例一： 利用 AI 生成案例研究和营销素材 应用场景： ElevenLabs 利用 AI 工作流来自动化和加速客户案例研究和相关营销素材（如推文、领英帖子）的生成。 价值： 该流程非常快速，能够将短暂的访谈（例如 3 分钟的对话）迅速转化为完善的案例研究和推文。它简化了营销素材的制作，并且由于自动化了部分后续步骤，确保了内容生产引擎持续运转。 案例三： 通过 MCP 连接 AI 与 WhatsApp 应用场景： 利用MCP的框架，将 AI 助手（如 Claude）连接到个人的 WhatsApp 消息和群组，以便 AI 能够查询信息、总结对话， 这使得用户可以在 AI 聊天界面中直接使用自然语言与 WhatsApp 数据和功能进行交互。 价值： 使得 AI 能够访问和处理个人的 WhatsApp 数据。能够快速总结大量群组消息。 能够将不同的 AI 工具（如处理消息的 AI 和生成语音的 AI）串联起来使用。这个案例的价值更多体现在增强了 AI 处理个人通信数据的能力和效率，而非具体的金钱节省，但可以间接带来时间节省。
12210编辑于 2026-03-24 - 来自专栏GoCoding
AI 编程工作流与协同范式
AI，尤指大模型，从 ChatGPT 横空出世到如今才过 3 年，但它对生活与工作却已产生了方方面面的影响。今天，要聊的就是 AI 编程。 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。 3. 错误处理必须使用Result类型3. API响应必须符合OpenAPI规范## 安全要求：1. 所有用户输入必须验证2. 密码必须bcrypt哈希3. 性能问题瓶颈位置优化方案预期改进3.
27610编辑于 2026-03-14 - 来自专栏时悦的学习笔记
3.Oracle Data Guard 工作流程
Data Guard作为Oracle提供的一个高可用及灾备解决方案,理解并可以实施它对于DBA来说是非常重要套的技能 上节讲了一些Data Guard的一些概念和参数，这节讲述Data Guard整个的工作流程 redo data实时传输到所有路径,Network Server ASYNC (NSAn)进程读取ORL数据并传输给备库的RFS进程 注意：NSSn在12c才出现，之前版本使用LNS 进程 备库端: 3. LGWR进程将log buffer的数据写入Online redo log 3. 当OLR填满或者切换时，归档进程(ARC0)会复制ORL到归档日志 4. standby_archive_dest会生效 如都未设置Oracle会自动将standby_archive_dest设置为$ORACLE_HOME/dbs/arch 路径 ---- 好了，关于Oracle Data Guard的工作流程就这么多了
63020发布于 2020-08-19 - 来自专栏全栈程序员必看
Git工作流实战-超级干货（3）
Git 工作流实战 工作流实战 1、常见案例 基本功能 张三、李四克隆代码 张三克隆远程仓库代码 李四克隆远程仓库代码 张三、李四修改代码 张三拉取分支 feature/001 李四拉取分支 feature 代码实战 张三、李四修改 master 分支的同一行代码 李四推送代码失败处理 解决冲突 重新推送 画图实战 新建项目 面向版本稳定迭代项目的中小型团队的 GitFlow 工作流实战 工作流实战 ) before pushing again. hint: See the 'Note about fast-forwards' in 'git push --help' for details. （3） git init git remote add origin http://192.168.125.6/OA/demo1.git touch test1.txt touch test2.txt （3） release/v1.0.0 git add --all git commit -m 'fix bug by zhangsan' git push origin release/v1.0.0 （3）
61820编辑于 2022-06-29 - 来自专栏Elastic Stack专栏
使用 Elasticsearch 构建 AI Agent 工作流
/ec757c6c-c3ed-4a83-8e2c-756238f008bb自定义 Agent开发者也可通过简单 API 创建自定义 Agent，封装特定指令、工具、数据访问，打造专属推理引擎。 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
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 主管、经理审批后如果请假天数超过大于或者等于3天则需要副总审批后再人事最后审批，请假天数小于3天，则人事最后审批。流程结束。 三、流程设计权限设置。
2.1K00发布于 2020-03-03 - 来自专栏玉树芝兰
如何用 Llama 3 免费本地 AI 分析数据和可视化？
模型 今天我们来探讨一个有趣的话题 —— 如何使用 Llama 3 免费地进行数据分析和可视化。 关于 700 亿参数的模型，我之前已经为你撰写了一篇文章《如何免费用 Llama 3 70B 帮你做数据分析与可视化？》，如果你感兴趣，欢迎点击链接阅读。 融合 进而我考虑将这种编程能力融入到我的当前工作流中。毕竟，我希望 Llama 3 8B 能帮我完成更多工作。 你已经了解到 Open Interpreter 可以结合 GPT-4, Haiku，以及 Groq 下面的 Llama 3 70B 帮助我们进行数据分析与可视化了。 祝 AI 辅助数据分析愉快！
1.9K10编辑于 2024-04-26 - 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。 AI 赋能 ASW 将会引入腾讯云人工智能领域成熟领先的 AI 原子能力，支持包括人脸识别、视频分析、文字识别、文本理解等众多 AI 服务，提供数量众多、算法领先的 AI 能力。 应用场景 1. 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。 3. 计划算法（Planning） 定义：计划算法使AI代理能够设计一系列有序的步骤来解决复杂问题，这通常涉及到前瞻性思维和策略规划。 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。 】AI智能体工作流 | Agentic Reasoning | 吴恩达Andrew Ng | 红杉AI Ascent 2024分享 | Agent 4大设计模式》
1.9K01编辑于 2024-05-24
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