#11 - Uso de Langflow – Constructor Visual de Apps con LLMs - Leitz-Group/researchprojects - Leitz Code: Centralizing our development and infrastructure.

ideras commented

2025-04-09 19:27:08 +02:00

(Migrated from gitlab.com)

Objetivos:

Instalar y ejecutar Langflow de forma local.
Aprender a utilizar la interfaz gráfica para diseñar flujos de trabajo con LLMs.
Recrear una aplicación de LangChain de forma visual usando Langflow.
Evaluar ventajas y desventajas de programar visualmente.

Entregables:

Video mostrando una app construida.
Archivo del proyecto en Langflow.
Comparativa: Langflow vs. programar con código usando LangChain.
Presentación tipo clase (15–20 minutos) explicando cómo funciona Langflow y sus ventajas para prototipado rápido.

**Objetivos:** - Instalar y ejecutar **Langflow** de forma local. - Aprender a utilizar la interfaz gráfica para diseñar flujos de trabajo con LLMs. - Recrear una aplicación de LangChain de forma visual usando Langflow. - Evaluar ventajas y desventajas de programar visualmente. **Entregables:** - Video mostrando una app construida. - Archivo del proyecto en Langflow. - Comparativa: Langflow vs. programar con código usando LangChain. - **Presentación tipo clase (15–20 minutos)** explicando cómo funciona Langflow y sus ventajas para prototipado rápido.

DegoC-Diaz commented

2025-04-10 01:50:18 +02:00

(Migrated from gitlab.com)

assigned to @DegoC-Diaz

DegoC-Diaz commented

2025-04-10 17:34:31 +02:00

(Migrated from gitlab.com)

Fundamentos de LangFlow:
Los componentes incluyen Chat, Input, la idea de Lang es generar una aplicación visual para comunicarse con el modelo. Sumado a eso, se puede construir un agente robusto.

Ollama es compatible con la herramienta ya que Ollama ya es una interfaz para comunicar Langflow con el modelo.

OLLAMA: Ollama es una herramienta de código abierto que le permite ejecutar modelos de lenguaje grandes (LLM) localmente en su computadora. Piense en ello como una forma de tener su propia IA privada ejecutándose directamente en su máquina, sin necesidad de conectarse a servicios en la nube para cada interacción.

Componentes básicos para aprender:

Chat Input (Entrada de Chat)
LLM Model (Modelo LLM)
Chat Output (Salida de Chat)
Vector DB (Base de Datos Vectorial)
Embedding

**Fundamentos de LangFlow:** Los componentes incluyen Chat, Input, la idea de Lang es generar una aplicación visual para comunicarse con el modelo. Sumado a eso, se puede construir un agente robusto. Ollama es compatible con la herramienta ya que Ollama ya es una interfaz para comunicar Langflow con el modelo. OLLAMA: Ollama es una herramienta de código abierto que le permite ejecutar modelos de lenguaje grandes (LLM) localmente en su computadora. Piense en ello como una forma de tener su propia IA privada ejecutándose directamente en su máquina, sin necesidad de conectarse a servicios en la nube para cada interacción. **Componentes básicos para aprender:** - Chat Input (Entrada de Chat) - LLM Model (Modelo LLM) - Chat Output (Salida de Chat) - Vector DB (Base de Datos Vectorial) - Embedding

DegoC-Diaz commented

2025-04-10 20:51:45 +02:00

(Migrated from gitlab.com)

added time estimate of 5h

DegoC-Diaz commented

2025-04-10 20:52:13 +02:00

(Migrated from gitlab.com)

changed start date to April 09, 2025

DegoC-Diaz commented

2025-04-10 21:24:00 +02:00

(Migrated from gitlab.com)

La idea para la demo es crear un flow que permita darle personalidad al agente y que pueda contestar preguntas sobre una prescripción médica:

Las Herramientas a utilizar son:

Chat History
Astra DB (Vector DB)
Prompting (componente que permite dar foramto al prompt)
Ollama
TinyLlama
entre otros

La idea para la demo es crear un flow que permita darle personalidad al agente y que pueda contestar preguntas sobre una prescripción médica: **Las Herramientas a utilizar son:** - Chat History - Astra DB (Vector DB) - Prompting (componente que permite dar foramto al prompt) - Ollama - TinyLlama entre otros

DegoC-Diaz commented

2025-04-11 05:32:56 +02:00

(Migrated from gitlab.com)

![image](/uploads/5361668d3d16c8fdb3eed5177888f622/image.png)

DegoC-Diaz commented

2025-04-11 05:36:17 +02:00

(Migrated from gitlab.com)

Despues de trabajar con el flujo del LLM llegamos incorporar las siguiente herrameintas:

Estructura RAG para el LLM: Esto incluye una base de datso vectorial de ASTRA DB, utlizando nomic-embedding como modelo para esta tarea.
Creacion de Documentacion sobre el medicamento Micardis
Creacion Prompt Enigneering para intentarle personalidad al modelo.

Despues de trabajar con el flujo del LLM llegamos incorporar las siguiente herrameintas: - Estructura RAG para el LLM: Esto incluye una base de datso vectorial de ASTRA DB, utlizando nomic-embedding como modelo para esta tarea. - Creacion de Documentacion sobre el medicamento Micardis - Creacion Prompt Enigneering para intentarle personalidad al modelo.

DegoC-Diaz commented

2025-04-11 05:37:22 +02:00

(Migrated from gitlab.com)

Aspectos a mejorar: Prompt engineering no hace al modelo mas estable. Muy probablemente sea por que TinyLlama es muy inferior a LLAMA2.1.

DegoC-Diaz commented

2025-04-11 05:38:30 +02:00

(Migrated from gitlab.com)

added 7h of time spent at 2025-04-10

DegoC-Diaz (Migrated from gitlab.com) closed this issue

2025-05-02 19:24:26 +02:00

Rows
Columns

Uso de Langflow – Constructor Visual de Apps con LLMs #11