- 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。 4. 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 系统执行流程图4. 工作流程图5.
58721编辑于 2025-12-18 - 来自专栏若城技术专栏
4种革新性AI Agent工作流设计模式全解析
案例： AI Agent可以根据给定的目标自动规划出实现路径，比如在开发一个新项目时，它能够规划出研究、设计、编码、测试等一系列步骤，并自动执行这一计划，甚至在遇到问题时重新规划以绕过障碍。 4. 多Agent协作 Agent协作突出了多个AI Agent之间的合作和协调。如图4所示，在这种模式下，每个AI Agent都可以扮演特定的角色，并与其他AI Agent共同协作以完成复杂的任务。 这种合作可以模拟真实世界中的团队工作流程，通过代理间的互补和协同作用，提高整体的执行效率和创新能力。 总结 AI Agent智能工作流在多个行业中展现出实际应用的巨大潜力，这些智能体在编程、研究和多模态任务处理等领域的应用，智能体工作流将在未来几年内极大扩展AI的能力边界。 随着这些模式的进一步发展和完善，AI Agent将在未来的工作流程中发挥更加关键的作用，推动各行各业向智能化转型。 本文来源：原创，图片来源：原创 责任编辑：王莹，部门领导：宁姗 发布人：白钰
1.2K10编辑于 2025-01-10 - 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Java项目实战
AI绘画专栏之 提升40% 4步搞定StableCascadeComfyui工作流 不再报错
上一期我们提到了Stability更新的Cascade模型，这个模型在图像质量上对比SDXL提升了40%的性能，现已官方版本支持了Comfyui的工作流，让我们4步搞定它吧StableCascade 链接 这个在工作流中很好的体现了这一点C -B -A的级联方式视频教学，时长03:21第一步更新Comfyui到最新版本秋叶版本操作如下本地版本点击本地的update第二步，下载对应的模型存放位置如下模型存放地址 ComfyUI\models\unetCLIP存放地址ComfyUI\models\clipstage_a放在ComfyUI\models\vae第三步下载工作流第四步填入提示词就可以啦~transparent the celestial light, dynamic contrast of elements, primeval earth forces encased, (best quality, 4k /docx/KOXHdpf6CoyYmaxwr4DcOVnMnze
70110编辑于 2024-02-19 - 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。 特点： 由Netflix开发 用于构建和部署数据科学工作流程 提供简单的API和装饰器 适用于：构建复杂的数据科学工作流程4.Argo Workflows特点： 基于Kubernetes的容器化工作流程引擎 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DotNet NB && CloudNative
AI应用实战课学习总结（4）医疗数据可视化
最近入坑黄佳老师的《AI应用实战课》，记录下我的学习之旅，也算是总结回顾。 今天是我们的第4站，通过一个经典的医疗数据集来进行数据可视化的实战。 针对该数据集，我们可以使用Matplotlib和Seaborn等可视化库快速做一些数据可视化的操作，帮助我们进行数据分析。 linestyle='--', linewidth=0.7, alpha=0.6) plt.tight_layout() plt.show() 前三个特征（平均半径、平均纹理和平均周长）的直方图效果如下： Step4 Step6 部分特征的相关性热图 相关性热图作为一种可视化工具，可直观地展现两个或多个变量之间的相关性强度。 这种可视化方式不仅有助于我们迅速捕捉数据集中的潜在关联规律，还能为后续的数据分析和建模工作提供有力的指导。
45610编辑于 2025-02-27 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。 支持中文界面、一键导出可执行命令，可把复杂开发、测试、运维流程变成标准化工作流，大幅降低编排门槛与执行成本。 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。 .x 和 JBPM4.x 使用 Hibernate 作为持久层技术 JBPM5 开始 （JBPM原开发团队，离开了JBOSS， 推出 Activity ）， JBPM5 和 JBPM4.4 没有任何关系 工作流概述 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。 我的 AI 编程工作流与协同范式，都在问题里了。而 AI 的回答则做了进一步的阐述，你也可以这样提问试试。一问：AI 怎么用好？AI 的 MCP 或 Skill 本质是不是优化描述做输入？ 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。 代码质量问题不符合规范处重构建议尝试更多模型组合GPT-4 Turbo作为架构师Claude-3作为需求分析师Gemini作为程序员DeepSeek作为审查员结论你正在实践的多AI模型协同编程是非常先进的模式
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
, "conversation_id": "ec757c6c-c3ed-4a83-8e2c-756238f008bb"}# 获取完整对话GET kbn://api/agent_builder/conversations /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。 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 - 来自专栏图形学与OpenGL
实验4 差异可视化
了解差异可视化知识，了解和学习差异可视化中热点图、星图、平行坐标图等常见图表类型； 2. 学习并掌握R中差异可视化绘制相关函数。 二. 实验内容 1.
85020发布于 2018-10-09 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 - 来自专栏科技记者
《高效R语言编程》4-高效工作流
这是《高效R语言编程》的学习笔记，前面的笔记在这里： 高效R编程 《高效R语言编程》笔记 这是《高效R语言编程》的学习笔记，前面的笔记在这里： 我们将实践、习惯、提升生产力的系统环境定义为工作流。 高效工作流的5条高级技巧 类型 1、编码前头脑清晰，保证目标，可以用纸笔 2、制定计划 3、尽早选择要用的包 4、记录每个阶段的工作 5、尽可能使流程可复制，knitr可以帮助实现 项目规划类型 数据分析 使你的工作流更敏捷 SMART标准 明确（目标） 可衡量（结束指标） 可实现 实际情况（资源） 时间限制 项目计划有多种形式，比如甘特图，问题描述等等。 ? 通过R可视化项目计划 项目进度绘图包： plan(进度图、甘特图) plotrix(甘特图) install.packages("plotrix") library(plotrix) example(gantt.chart 几个推荐的判断标准： 1、是否成熟，版本号1.0以上一般更稳定 2、是否处于持续开发周期 3、完备的文档 4、是否广泛使用 MRAN和METACRAN两个网站可以帮助包的选择，下载量也是一个衡量指标。
95050发布于 2021-05-20 - 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。 4. 长文文本解析 对合同、体检报告、司法文书等篇幅长，且版本不确定的文本文书，用 OCR 识别手写文字，对文本关键信息进行提取，用于智能审核、核保评估等。 ? 5. 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 - 来自专栏菩提树下的杨过
Agent设计模式学习(基于langchain4j实现)(4) - 并行工作流
审查简历是否适合（包括优点和不足） 团队成员：针对简历，评估候选人融入团队的程度（包括优点和不足） 可以发现，这3个角色对候选人的评估，相互之间并无严格的顺序依赖，可以并行处理，这就是今天要说的“并行工作流 9 职业履历： 当前职位4年，先前职位1.5年；无重大职业空白期。 10 软技能： 荷兰语母语，英语C1水平；沟通清晰；务实，产品导向。 关闭执行器 87 executor.shutdown(); 88 89 } 90 91 92 } 时序图(简化版) - AI生成 时序图(详细版) - AI生成 运行结果 文中示例代码： https://github.com/yjmyzz/agentic_turoial_with_langchain4j 参考： Building Effective AI Agents \ Anthropic [译] AI Workflow & AI Agent：架构、模式与工程建议（Anthropic，2024） Agents and Agentic AI | LangChain4j
23410编辑于 2026-01-18 - 来自专栏明明如月的技术专栏
吴恩达：AI 智能体工作流
代码基准测试中 GPT 3.5 准确率为 48% ，而 GPT-4 的准确率是 67%。但是加入智能体工作流的方式，GPT 3.5 甚至可以比单纯使用 GPT-4 的表现更好。 相关 AI 工具：https://agentgpt.reworkd.ai/zh 4. 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 】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 - 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
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