A ferramenta de automação de IA da qual ninguém está falando acabou de substituir toda a configuração do meu fluxo de trabalho

A automação sempre esteve na computação, e a nova era da IA ​​é apenas a mais recente encarnação. Existem vários criadores de fluxo de trabalho de IA para escolher, com vários níveis de integração. Mas poucos deles são pioneiros no LLM, exceto um, Dify.

É um construtor de fluxo de trabalho baseado em nó para usar LLMs na nuvem ou no local para construir as ferramentas necessárias para o seu fluxo de trabalho, em vez de se contentar com o quase certo. Para o que uso no dia a dia, é a ferramenta perfeita para criar ferramentas que reduzam minha sobrecarga cognitiva para que eu possa me concentrar nas coisas que mais importam.

O que é Dify e por que você o usaria?

Facilite facilmente os fluxos de trabalho de IA com uma arquitetura baseada em nós

Já se foi o tempo em que a IA era um simples gerador de texto. Hoje, tudo gira em torno das capacidades do agente, coisas como exploração, inferência e ação com base nos dados coletados. Já se foi o tempo em que você precisava ser um desenvolvedor letal para construir agentes usando plataformas sem código como o Dify.

Não é uma ferramenta de orquestração simples como o IFTTT, nem mesmo uma ferramenta mais sofisticada como o n8n ou o Tines. O Dify foi projetado para construir agentes autônomos que planejarão, raciocinarão e agirão em seu nome, e possui muitos recursos para isso.

Você obtém:

• Construtor de fluxo de trabalho visual: Um construtor de pipeline de IA de arrastar e soltar baseado em nó
• Base de conhecimento integrada: Crie seu próprio RAG para informar seus LLMs
• Conectores integrados e criação de API: A conexão é fácil ou peça ao LLM para configurá-la para você
• Flexível: Use um serviço de nuvem ou crie uma implantação de LLM hospedada com privacidade

O Dify auto-hospedado é executado como uma pilha Docker de vários contêineres com serviços de plataforma, banco de dados vetorial e conexões API LLM em contêineres separados. Não requer muitos recursos, mas você precisará considerar as necessidades do(s) LLM(s) local(is) que você planeja usar para fornecer fluxos de trabalho (você também pode usar chaves de API LLM na nuvem se seguir esse caminho).

A beleza da rota auto-hospedada é que o Dify facilita a reviravolta da pilha com um comando. Se você já tentou configurar seu próprio ambiente de desenvolvimento LLM, sabe que não é uma tarefa fácil. Com o Dify, posso estar pronto e funcionando minutos depois de baixar os poucos contêineres necessários para executar.

Crie seus fluxos de trabalho LLM sem ruído

Atenha-se ao que você precisa porque é bastante complicado

Dify é a camada de agente de sua pilha de tecnologia e substitui Claude como meu agente assistente. Mais especificamente, os agentes que personalizei irão substituir Claude. É uma questão de manter meus dados, meus, e nunca foi tão fácil.

Não preciso de um LLM limítrofe para verificar minha caixa de entrada todas as manhãs, encontrar e-mails acionáveis ​​e classificá-los por urgência. Também não gosto da ideia de um plugin de terceiros fazer o trabalho para mim. Caramba, eu nem deixo Gemini mexer no meu Gmail por causa do estado atual das grades de proteção e da falta de injeção instantânea.

Mas uma instalação local do Dify alimentada por um LLM local? Posso confiar nele tanto quanto posso bloqueá-lo, e então ele se torna uma ferramenta útil para mimnão aquele que ajuda a treinar LLMs em nuvem. Um que posso treinar novamente com base nas informações que adiciono à minha base de conhecimento.

Dify pode ser tão poderoso quanto você precisa

Tenho tantas ideias para seguir

Sempre que encontro uma nova ferramenta LLM que tenha opções auto-hospedadas e baseadas na nuvem, usarei a versão hospedada na nuvem para meus testes iniciais. Simplesmente não vejo sentido em ter o incômodo de configurar a opção auto-hospedada se não for usá-la por um longo tempo.

O Dify já me provou que preciso hospedá-lo sozinho, especialmente quando considero as implicações de privacidade do uso de um LLM não nativo com meus dados. Se vou treinar um LLM com meus trabalhos pessoais, será meu treinamento LLM para que eles possam me ajudar melhor com meus fluxos de trabalho.

Coisas como gerenciar meu servidor DNS e outros dispositivos no meu laboratório doméstico. Com o tempo, posso treinar agentes para monitorar meus serviços, tornando meus laboratórios domésticos auto-recuperáveis. Não tenho ilusões de que isso será real, mas reduzirá minha manutenção a alguns itens de linha para lidar, em vez de uma perda significativa de tempo.

Tempo que posso usar para colocar mais coisas no lugar. Tenho certeza que você percebeu como a experiência de pesquisa se tornou ruim. Um dos itens da minha lista de tarefas é configurar o recebimento automático de novas ferramentas, ideias e projetos para que eu possa ler uma versão resumida de boletins informativos diários de prospecção e agentes sem ver o lixo.

É bom que seja auto-hospedado e use um modelo menor, o processo não exige muito uso computacional e pode funcionar a noite toda enquanto eu durmo. Algumas horas de configuração me pouparão horas todas as semanas, se não mais.

Ferramentas universais são menos adequadas em comparação com ferramentas de foco a laser como Dify

Embora ferramentas como o n8n sejam boas, elas são para um caso de uso diferente. Dify foi projetado para criar fluxos de trabalho LLM – aqueles que geralmente parecem fora de alcance se você não for um desenvolvedor. O fato é que agora todo mundo é desenvolvedor porque a IA pode fazer o script para você, e a construção de nós do Dify e ferramentas semelhantes torna as coisas um fluxograma dos resultados desejados com base em entradas específicas.