ControlFlow

ControlFlow 项目介绍

ControlFlow 是一个使用 Python 构建的框架，专门用于创建具有代理特性的人工智能（AI）工作流。这个框架旨在为开发者提供一个结构化的平台，用于定义工作流并将具体工作委派给大模型代理（LLMs），同时不失去控制权或透明性。

产品功能

任务定义与分配

ControlFlow 允许创建离散且可观测的任务，让人工智能完成这些任务。
每个任务可以被分配给一个或多个专门化的人工智能代理，这些代理能够有效地解决特定问题。

流的组合

任务可以被组合成一个流，从而协调更复杂的行为。

简单演示

ControlFlow 的一个简单工作流包括一个任务、一个默认代理和自动线程管理。下面是一个示例代码：

import controlflow as cf

result = cf.run("Write a short poem about artificial intelligence")

print(result)

运行结果为一首有关人工智能的简短诗。

为什么选择 ControlFlow？

ControlFlow 解决了在构建强大且可预测的AI应用时面临的挑战：

任务中心架构：将复杂的AI工作流拆分为易于管理和可观测的步骤。
结构化结果：通过类型安全和经过验证的输出，在AI与传统软件之间架起桥梁。
专门化代理：通过任务定制的AI代理，实现高效的问题解决。
灵活控制：不断调整工作流中控制与自主性的平衡。
多代理编排：在单一工作流或任务中协调多个AI代理。
原生可观察性：借助Prefect 3.0完整支持，监控和调试AI工作流。
生态系统集成：与现有的代码、工具和更广泛的AI生态系统无缝协作。

安装指南

使用 pip 安装 ControlFlow：

pip install controlflow

配置你的 LLM 提供商。ControlFlow 的默认提供商是 OpenAI，需要设置 OPENAI_API_KEY 环境变量：

export OPENAI_API_KEY=your-api-key

若需使用其他 LLM 提供商，请参阅 LLM 配置文档。

工作流示例

以下是一个更复杂的示例，展示了用户交互、多步骤工作流和结构化输出：

import controlflow as cf
from pydantic import BaseModel

class ResearchProposal(BaseModel):
    title: str
    abstract: str
    key_points: list[str]

@cf.flow
def research_proposal_flow():
    user_input = cf.Task(
        "Work with the user to choose a research topic",
        interactive=True,
    )
    
    proposal = cf.run(
        "Generate a structured research proposal",
        result_type=ResearchProposal,
        depends_on=[user_input]
    )
    
    return proposal

result = research_proposal_flow()

print(result.model_dump_json(indent=2))