今すぐ無料デモ体験！
24k

LangflowとAstraDBを使用したAIアシスタントの構築：アーキテクチャ設計からNocoBase 統合まで

この記事では、NocoBase、LangFlow、AstraDBを統合してAIアシスタントを作成し、データのベクトル化とセマンティック検索を通じて洞察を生成し、RAG技術を使用して結果を最適化し、データ管理とインテリジェントな検索機能を強化する方法を紹介します。

Leandro Martins |

(本記事はAIにより翻訳されました)

この記事はLeandro Martinsによって作成され、最初にBuilding an AI Assistant with Langflow and AstraDB: From Architecture to Integration with NocoBaseに公開されました。

はじめに

この記事の目的は、NocoBase、LangFlow、VectorDB を統合したAIアシスタントの作成方法を紹介することです。基盤として、NocoBase で開発中のシステムを使用します。このシステムはアーキテクチャデータを管理するためのもので、AIアシスタントを追加して、アプリケーション、APIカタログ、ソリューションデザイン、ストーリー などのデータから洞察を生成します。

この記事では、以下の技術を使用します：

  • NocoBase、PostgreSQL、Docker（この記事ではインストール方法を紹介します）。
  • LangFlow（ローカルで実行、Docker経由でインストール可能）。
  • ベクトルデータベース（AstraDB のアカウントを作成し、この記事ではAstraDBをベクトルデータベースとして使用します）。

💬 NocoBase ブログへようこそ。NocoBase は、あらゆる種類のシステム、業務アプリケーション、社内ツールを構築できる、拡張性に優れた AI 搭載のノーコード／ローコード開発プラットフォームです。完全なセルフホストに対応し、プラグインベースの設計で、開発者にもやさしい構成になっています。→ GitHub で NocoBase を見る

アーキテクチャ概要

Architecture Overview.png

この図は、新しいデータ（または更新されたデータ）が 埋め込み（embeddings） に変換され、ベクトルデータベース に保存されるまでの流れを示しています。

  1. ユーザー → NocoBaseプラットフォーム ユーザーがNocoBaseプラットフォームとやり取りします（例：コレクションにレコードを追加または更新）。
  2. CRUD操作のトリガー NocoBase内のCRUD（作成、読み取り、更新、削除）操作がイベントまたは内部ワークフローをトリガーします。
  3. ワークフロー（NocoBase） NocoBaseには、データの変更に応答するように設定されたワークフローがあります。レコードの作成または変更を検出すると、次のステップを開始します。
  4. APIフロー：データの読み込み NocoBaseのワークフローは、LangFlowのAPIまたは外部サービスを呼び出して、埋め込みに変換されるデータを送信します。
  5. LangFlow — データから埋め込みへ LangFlowはデータを受け取り、言語モデルを使用してコンテンツをベクトル（埋め込み）に変換します。これらの埋め込みは、テキストの意味や文脈を数値的に表現し、セマンティック検索を可能にします。
  6. ベクトルデータベース（AstraDB） 埋め込みはベクトルデータベース（AstraDB）に保存され、各埋め込みは元のコンテンツ（例：ドキュメント、レコード、テキスト）に関連付けられます。

diagram.png

この図は、ユーザーがベクトルデータベースに対してセマンティッククエリを実行し、関連する結果を受け取る方法も示しています。

  1. ユーザー → NocoBaseプラットフォーム ユーザーは再びNocoBaseプラットフォームとやり取りしますが、今回は埋め込みチャットウィジェット（または他の検索インターフェース）を使用します。
  2. 埋め込みチャットウィジェット ユーザーは質問やプロンプトを入力します。例：「アプリケーションXに関する情報を表示してください。」 このウィジェットは、クエリを処理するためにLangFlowにリクエストを送信します。
  3. LangFlow — データから埋め込みへ LangFlowはユーザーのプロンプトを埋め込みに変換し、検索意図をベクトル形式で表現します。
  4. ベクトルデータベース（AstraDB）— 類似性検索 プロンプトの埋め込みを使用して、AstraDB内で最も類似したベクトル（つまり、意味的に最も近いコンテンツ）を検索します。
  5. モデルでの検索結果の精緻化 AstraDBから返された結果に基づいて、LangFlowはOpenAIモデル（または他のLLM）を使用して検索結果を精緻化します。
  6. ユーザーへの応答 最終的な結果（テキスト、ドキュメント、または生成された応答）がNocoBaseのチャットウィジェットに返され、ユーザーに表示されます。

NocoBaseを使用したアプリケーション

この記事では、以前に作成した同じアプリケーションを使用します。これはNocoBaseの機能を紹介するために開発されたアプリケーションで、AIアシスタントを実装します。以下は、アシスタントの動作を示す画像です。

アイデアは、質問を通じて機能に関する洞察を得ることです。利用可能な機能は次のとおりです：アプリケーション、APIカタログ、ソリューションデザイン、ストーリー。

Application Using NocoBase.webp

LangFlowとAstraDBとは？

LangFlow は、ブラジルの開発者によって作成されたオープンソースツールで、言語モデルを含むワークフローを構築、視覚化、デバッグするためのグラフィカルインターフェースを提供します。LangChainエコシステムに基づいており、自然言語処理（NLP）パイプラインや生成AIアプリケーションをインタラクティブに作成することを容易にします。これにより、開発者はAPI呼び出し、テキスト変換、ビジネスロジックなどのさまざまなコンポーネントを接続できます。

LangFlow and AstraDB.png

AstraDB は、もともとApache Cassandraに基づいた分散データベースサービスでしたが、非構造化データの保存とベクトル検索の機能を拡張しました。このベクトルデータベース機能は、機械学習アプリケーション、セマンティック検索、レコメンデーションシステム、および高次元データタスクに特に有用です。

AstraDB.png

LangFlowのインストール

Dockerを使用して LangFlow をインストールするには、以下のコマンドを実行し、localhost

でシステムにアクセスします。

docker run -it --rm -p 7860:7860 langflowai/langflow:latest

Installing LangFlow.png

AstraDBの設定

AstraDBにアカウントを作成した後、以下のようにデータベースとコレクションを設定できます。

手順は非常に簡単です：

  1. プロバイダー を選択します。
  2. リージョン を選択します。
  3. データベース を作成します。

Configuring AstraDB.png

コレクションはベクトル化されたデータを保存するため、Embedding 機能を設定することが重要です。これは、データをベクトル化するLLMモデルに対応します。

OpenAI、Nvidia、Googleなど、さまざまなモデルが利用可能です。この記事では、データ変換に text-embedding-ada-002 モデルを使用します。

Configuring AstraDB.png

ベクトルデータベースへのデータ読み込み

このステップでは、検索対象のデータをベクトルデータベースに取り込みます。

  1. LangFlowのワークフローがURL経由でデータを受け取ります。
  2. テキストを処理します。
  3. text-embedding-ada-002 を使用してベクトル形式に変換します。
  4. 設定されたコレクションにAstraDBに保存します。

Loading Data into the Vector Database.png

重要なポイント

  • データベース接続コンポーネントで AstraDB Token を定義する必要があります。トークンを生成するには、AstraDBのコレクションページで Generate Token をクリックします。

Important Points.png

  • ソースファイルはこの リポジトリ で見つけることができます。
  • OpenAIモデルを使用するには、APIにクレジットを追加し、トークンを生成して埋め込み生成コンポーネントに設定する必要があります。詳細は このドキュメント を参照してください。

Postmanを使用して、LangFlowの API > cURL から取得したURLを呼び出すことでテストできます。以下はPostmanを使用したリクエストの例です。

Important Points.png

モデルを使用した検索の実行

このステップでは、ベクトルデータベースからデータを取得し、RAG（Retrieval-Augmented Generation） を使用して結果を精緻化します。

Conducting Research Using a Model.png

この段階でも、OpenAIとAstraDBのトークンをそれぞれのコンポーネントに定義する必要があります。ソースファイルはこの リポジトリ で見つけることができます。

テストするには、LangFlow内の Playground タブで利用可能なチャットを使用します。

NocoBaseでのワークフローの設定

このステップでは、ベクトル化が必要なデータを送信するためのトリガーをアプリケーションに作成します。つまり、新しいデータが挿入されるたびに、LangFlow APIに送信して処理します。

これを実現するために、NocoBaseの ワークフロー 機能を使用します。ワークフローの詳細については、このリンク を参照してください。

Configuring Workflow in NocoBase.png

アプリケーションのコレクションからベクトル化されたコレクションにデータを送信するワークフローを作成します。

手順：

  1. 新しいワークフローを作成し、コレクションイベント を選択します。 Configuring Workflow in NocoBase.png
  2. トリガー を アプリケーション コレクションへの挿入として定義します。 Configuring Workflow in NocoBase.png
  3. アプリケーションのデータをベクトル化するために送信する リクエストノード を作成します。この記事では タイトル と 説明 を例としますが、ビジネスルールに従っていかなる情報も送信できます。 Configuring Workflow in NocoBase.png
  4. 通知ステップ はオプションで、実行する必要はありません。

NocoBaseにチャットウィジェットを追加

まず、LangFlowにアクセスし、API オプションからチャットウィジェットのコードをコピーします。以下の画像を参照してください。

Adding the Chat Widget in NocoBase.png

次に、ページを作成し、iframeコンポーネントを追加します。このコンポーネントの詳細については、このリンク を参照してください。

設定：

  • モード： HTML
  • HTML： 以下のコードを使用し、flow_id と host_url をLangFlowの値に置き換えます。

Adding the Chat Widget in NocoBase.png

チャットのテスト

作成したメニューに戻り、アシスタントをテストして応答を確認します。以下の例を参照してください。

Testing the Chat.png

結論

この記事では、NocoBase、LangFlow、AstraDBを統合したAIアシスタントの作成方法を紹介し、データのベクトル化とインテリジェントな検索を実現しました。

このアプローチにより、登録されたデータから価値ある洞察を生成できるアシスタントを実装し、RAG（Retrieval-Augmented Generation） 技術を使用して検索結果を精緻化しました。

これはこのアーキテクチャが提供できるものの始まりに過ぎません。小さな調整を加えることで、機能を拡張し、新しいAIモデルを統合し、ユーザーエクスペリエンスを向上させることができます。🚀

関連文献：

× View Image