Flowise Eğitimi – Node’ları Tanıyalım

⚙️ Flowise Nedir?

Flowise, sürükle-bırak yapısıyla yapay zeka uygulamaları geliştirmek isteyenler için tasarlanmış açık kaynaklı bir platformdur. Özellikle LangChain mimarisi üzerine inşa edilen Flowise, farklı yapay zeka hizmetlerini bir araya getirerek teknik bilgiye sahip olmayan kullanıcıların dahi güçlü yapay zeka uygulamaları geliştirmesini mümkün kılar.

⚙️ Flowise Nasıl Çalışır?

Flowise, açık kaynaklı bir platformdur ve aşağıdaki yöntemlerle çalıştırılabilir:

• Docker ile Offline Kullanım: Flowise, Docker imajı sayesinde tamamen offline şekilde kendi bilgisayarınızda çalıştırılabilir. Bu, veri güvenliği gerektiren projelerde özellikle tercih edilir.
• Tarayıcı Tabanlı Arayüz: Kurulumdan sonra tarayıcı üzerinden çalışan bir arayüzle node’ları sürükle-bırak yöntemiyle birleştirebilirsiniz.
• LLM Entegrasyonları: OpenAI, Ollama, HuggingFace gibi modelleri destekler. Yerel LLM’lerle (örn. llama2, gemma, mistral) çalışabilir.
• API Üretimi: Oluşturulan her chatflow bir REST API olarak dışa açılabilir. Bu sayede frontend sistemlere entegre etmek kolaydır.

Aşağıda Flowise içerisindeki tüm node türlerini açıklayıcı şekilde listeliyor ve her birinin ne işe yaradığını özetliyoruz.

📂 Flowise Node’ları

📅 Input & Kullanıcıdan Veri Alma

• Input (Text/File/JSON) – Chatflow’un başlangıç noktasıdır. Kullanıcıdan metin, dosya veya dış kaynak verisi almak için kullanılır. Özellikle kullanıcının manuel bir sorgu veya yükleme yapması gerektiğinde devreye girer.

🧠 LLM Modelleri (Chat Models)

• ChatOpenAI, ChatOllama, ChatCohere, ChatGoogle, ChatAnthropic – Kullanıcının girişine doğal dilde yanıt üretmek için kullanılan büyük dil modelleridir. Metin üretimi, özetleme, yorumlama, çeviri gibi işlemlerde görev alır.

✏️ Prompt Şablonları

• Prompt Template – LLM’e gönderilecek metnin biçimini tanımlar. Sistem rolü belirleme, sabit soru kalıpları oluşturma veya cevap formatını yapılandırma gibi amaçlarla kullanılır.
• Few-shot Prompt – Modelin daha önceki örneklerden öğrenmesini sağlar. Aynı prompt içerisinde birkaç giriş-çıkış örneği sunularak model yönlendirilir.

📄 Belge Yükleyiciler (Document Loaders)

• PDF File, Text File, CSV File, Web Page, Notion, MySQL – Harici veri kaynaklarından içerik almak için kullanılır. Belge tabanlı bilgi arama, RAG (retrieval-augmented generation) uygulamaları için vazgeçilmezdir.

📂 Text Splitter (Metin Bölücüler)

• RecursiveCharacterTextSplitter, Markdown Splitter – Uzun belgeleri küçük ve anlamlı parçalara ayırmak için kullanılır. Bu parçalar daha sonra embedding işlemine girerek vektör temelli aramaya uygun hale gelir.

🧬 Embedding Node’ları

• OpenAI/HuggingFace/Ollama/Cohere Embedding – Metinleri çok boyutlu sayısal vektörler haline getirir. Bu vektörler, semantik benzerlik analizi veya arama motoru kurmak için kullanılır.

🗊 Vector Store (Vektör Depoları)

• Chroma, FAISS, Weaviate, Pinecone, Redis – Embedding vektörlerini saklamak ve benzerlik bazlı arama yapmak için kullanılır. Çalışan bir bilgi tabanı veya doküman arama sisteminin temel yapı taşıdır.

🔎 Retriever’lar

• VectorStoreRetriever, MultiQueryRetriever – Vector store’dan gelen vektörler üzerinde çalışarak soruya en uygun belge parçalarını bulur. Arama kalitesini yükseltir, gereksiz belgeleri filtreler.

⚖️ Chains (Zincirler)

• RetrievalQAChain, ConversationalRetrievalQAChain, AgentExecutor, SQL Agent – Farklı modülleri birleştirerek kompleks yapay zeka iş akışları oluşturur. RAG sistemleri, çok adımlı sorgular, veritabanı bağlantılı işlemler için kullanılır.

🛠️ Tool’lar

• Calculator, Python, Web Browser, Custom Tool, Search API, Request Get/Post – Chatflow içerisine dış API çağrısı, özel hesaplama veya web gezintisi gibi fonksiyonlar dahil etmek için kullanılır.

🧠 Memory

• Buffer Memory, Summary Memory – Chat geçmişini ve önceki mesajları saklar. Özellikle çok adımlı diyaloglarda bağlamı korumak için kullanılır.

🔄 Utility

• If Else, Set/Get Variable, JS Function – Koşullu dallanma, geçici değişken saklama ve özel işlem gerçekleştirme gibi gelişmiş kontrol mekanizmalarını sağlar.

💾 Output

• Output, Structured Output, Output Parsers – LLM’in ürettiği çıktıyı kullanıcıya sunmak için kullanılır. Cevap sade metin, liste, tablo veya yapılandırılmış JSON olarak sunulabilir.