- 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。 常见的AI工作流程开发框架1.Kubeflow特点： 基于Kubernetes的机器学习平台 提供各种组件，如训练、部署、管道等 支持多种机器学习框架（如TensorFlow、PyTorch） 适用于： 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 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。 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。 ", "best_practices": "..." }}阶段三：自动化工作流用户需求 →AI需求分析师（分析需求类型） →AI架构师（选择设计模式） →AI程序员（基于模式生成代码
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
它定义：要达成的目标 可调用的工具集合 可访问的数据源 Agent 不仅能进行对话，还能驱动完整工作流、任务自动化或面向用户的应用。 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PowerBI战友联盟
PowerBI 9月更新 DAX驱动可视化
这次的更新，罗叔需要强调一个重点：DAX 驱动可视化（首发理念，参考此前可视化类高级文章）。 DAX 驱动可视化指的是，表面上你在拖拽设计可视化，但由于拖拽本身的限制，导致设计者无法完全控制报告的展现，因此，微软提供了一种终极的灵活方式就是通过 DAX 来控制可视化，这是微软在设计产品时候的一个重大选择 个性化的可视化窗格 首先需要开启预览，如下： 然后可以看到： 可以选择固定到可视化效果窗格来增加某些经常使用到的视觉对象，当然还可以解除设置，如下： 除了可以取消从可视化市场添加进来的可视化对象，甚至可以取消系统默认的可视化对象 ，例如： 值得强调的是：你可以设置你需要的可视化对象，既可以选择默认的，也可以选择第三方的，这样就可以定制出自己常用的一套可视化对象。 Power Apps 可视化对象正式发布 现在可以正式使用 Power Apps 可视化对象： 请注意右下角的可视化对象，有一个提交按钮，这样就让 PowerBI 与其他系统有可能实现交互，这个 门
2.5K10发布于 2019-09-23 - 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。 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。 1.2 四种设计模式 在分享中他提出 AI 智能体的四种设计模式。 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 - 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- 来自专栏字根中文校对软件
(9)Shark工作流的实现和WMFC&OMG规范的对比
Shark工作流的实现和WMFC&OMG规范的对比 -----第九部分：分析obe自带例子的执行过程 <? xml:namespace prefix = o ns = "urn:schemas-microsoft-com:office:office" /> 关键字：Shark 工作流 WMFC OMG 规范 Obe工作流的执行过程，下面来说说自带test中的例子的执行过程： 初始化工作流引擎的时候需要一个RepositoryManager 的实例 RepositoryManager 代表工作流执行中需要的资源库 然后进行工作流引擎的初始化： WorkflowEngine engine = new WorkflowEngine(repositoryManager); 引擎初始化后用obe的xpdl解析类从用户定义的
46910发布于 2019-02-14 - 来自专栏ADAS性能优化
AI Weekly | Nov. 9, 2019
Researchers tout AI that can predict 25 video frames into the future In a preprint paper, researchers propose an AI model that can predict up to 25 video frames into the future given only two to five starting Applause targets AI bias by sourcing training data at scale Software-testing company Applause wants to reinvent AI testing with a service that detects AI bias by crowdsourcing larger training data sets. Remember that scary AI text-generator that was too dangerous to release?
27210编辑于 2022-05-13 - 来自专栏生物信息云
分子对接教程 | (9) VMD可视化对接结果
能够实现蛋白质三维结构可视化的软件非常多。比专业级的PyMOL（https://pymol.org/2/）。这个软件已经被世界上著名的生物医药软件公司“薛定谔公司（Schrödinger）”收购。 这种专业级的可视化软件不仅能够做出非常漂亮的图片，它还有强大的插件支持各种各样的蛋白质结构分析，这款软件需要购买，如果你发表的文章里提到某些内容是使用PyMOL制作的，而文章中所有作者和作者单位都没有PyMOL 下面给大家介绍一个功能同样强大的免费蛋白质三维结构可视化软件，VMD（http://www.ks.uiuc.edu/Research/vmd）。VMD由伊利诺伊大学研发。 图4.23 保存和载入显示状态 9、调换背景颜色（图4.24）：主窗口中点击 Graphics→Colors→弹出 Color Controls颜色控制窗口→Categories选Display→Names
7.6K50发布于 2021-02-26 - 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。 这项功能对于以下场景尤为有价值： • 复杂工作流调试：当工作流执行出现意外结果时，开发者可以快速定位问题节点及其关联影响范围，避免"盲人摸象"式的排查 • 团队协作开发：新加入项目的成员可以通过可视化面板快速理解现有工作流的设计思路 从技术演进角度看，1.7.2版本体现了Dify平台的几个重要发展方向： • 可视化开发：不断降低AI应用开发的技术门槛 • 工程化支持：强化企业级部署所需的各项能力 • 生态整合：深化与第三方工具和服务的集成
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