Dengan perkembangan lingkungan agen AI, beberapa perusahaan melaporkan keraguan mengenai adopsi luas agen otonom ini.1 Beberapa tantangan termasuk tata kelola, etika, kolaborasi manusia-AI, penerapan dan skalabilitas. Namun, membangun agen AI yang dapat dipercaya tidak perlu proses yang rumit. Dengan IBM watsonx Orchestrate, segala kekhawatiran ini dapat dikurangi di satu tempat multi-fungsi. Dalam tutorial ini, Anda akan belajar cara menggunakan Langflow dan watsonx Orchestrate untuk membangun agen siap perusahaan yang andal dan dapat diskalakan.
Langflow adalah kerangka kerja sumber terbuka berbasis Python untuk membangun agen AI dan aplikasi AI lainnya. Langflow awalnya dibangun di atas LangChain, kerangka kerja induknya. LangGraph, platform lain dalam keluarga yang sama, juga digunakan untuk membangun sistem agentic dengan menggunakan arsitektur berbasis grafik. Apa yang membedakan Langflow adalah antarmuka seret dan lepas yang mudah digunakan di mana pengguna dapat menghubungkan komponen untuk merancang alur kerja yang dipersonalisasi atau mulai dengan templat bawaan. Sebagai alternatif untuk pendekatan low-code atau no-code ini, pengembang dapat membangun komponen khusus dan menyematkan aliran agen langkah demi langkah ke dalam aplikasi yang ada dengan menggunakan API Langflow. Dalam tutorial Langflow ini, kita menjelajahi cara membangun dan menerapkan agen dengan:
- Mengimpor alur LangFlow agen sebagai server MCP dengan menggunakan IBM® watsonx Orchestrate® sebagai Perangkat Lunak sebagai Layanan (SaaS) bersama dengan IBM Cloud®.
- Mengimpor alur LangFlow dasar dengan menggunakan IBM watsonx Orchestrate Agent Development Kit (ADK) secara lokal.
Kedua pendekatan sesuai dengan bagian dari tutorial ini. Perlu diketahui, Anda juga dapat mengakses tutorial ini di GitHub..
Mari kita mulai!
Tutorial ini memerlukan:
- Penginstalan Python versi terbaru.
- Akun IBM Cloud® untuk membuat watsonx.ai™ID proyek dan kunci API. Paket layanan Lite dan Gratis tersedia.
- Anda bisa mendapatkan ID proyek dari dalam proyek Anda. Klik tab Kelola. Kemudian, salin ID proyek dari bagian Detail di halaman Umum. Anda memerlukan ID ini untuk bagian ADK dari tutorial ini.
- Akun Watsonx Orchestrate (bisa menjadi akun percobaan). Jika Anda belum memiliki akun, klik di sini untuk mendaftar uji coba 30 hari gratis. Lihat dokumentasi untuk mengetahui petunjuk terperinci tentang cara menerima akses uji coba di IBM Cloud.
- IBM watsonx Orchestrate ADK diinstal. Ikuti dokumentasi resmi di sini untuk mengatur dan menginstal ADK.
- Catatan: Jika sebelumnya Anda telah menginstal watsonx Orchestrate Developer edition sebelum ADK versi 2.0, pertama-tama hapus semua wadah dengan menjalankan pengaturan ulang server orchestrate sebelum memutakhirkan. watsonx Orchestrate Developer edition tidak lagi memiliki ketergantungan pada mesin kontainer eksternal. Gagal mengatur ulang sebelum memutakhirkan dapat mengakibatkan beberapa instalasi aplikasi menghabiskan sumber daya sistem yang tidak perlu dan akan mengakibatkan konflik port.
- IBM Cloud CLI diinstal. Perintah instalasi untuk macOS, Linux dan Windows dapat ditemukan di panduan memulai.
Harap dicatat bahwa tanpa persyaratan ini, tutorial ini tidak akan dapat direproduksi.
Langkah 1. Konfigurasikan lingkungan IBM Cloud Anda
Di terminal Anda, jalankan perintah berikut. Anda akan diminta untuk masuk ke akun IBM Cloud Anda dengan menggunakan IBMid Anda. Jika Anda memiliki beberapa akun, Anda harus memilih satu.
Catatan: Kredensial ditolak? Anda mungkin pengguna federasi. Masuk lagi menggunakan tanda
Anda akan tahu bahwa proses masuk Anda berhasil setelah melihat output serupa.
Output:
Region: us-south
User: your.email@email.com
Account: itz-watsonx-event-001 (f1zzz9a2e11b432ea5316227cb901888) <-> 3021952
Resource group: No resource group targeted, use ‘ibmcloud target -g RESOURCE_GROUP’
Catatan: Jika Anda melihat bahwa wilayah tersebut tidak benar, jalankan
Untuk melihat sumber daya Cloud Anda, jalankan
Output:
OK
Name ID Default Group State
watsonx 93018fa55c342de104afb8jje20c222c false ACTIVE
itz-wxo-69305f32086a49ee3736ff 48bbeb07ec5a4994b2fd39beb6027090 false ACTIVE
Selanjutnya, targetkan sumber daya tertentu, dengan menjalankan
Hasil ini harus sama dalam output.
Output:
API endpoint: https://cloud.ibm.com
Region: us-south
User: your.email@email.com
Account: itz-watsonx-event-001 (f1zzz9a2e11b432ea5316227cb901888) <-> 3021952
Resource group: itz-wxo-69305f32086a49ee3736ff
Langkah 2. Instal IBM Cloud Code Engine CLI
Dengan IBM Cloud Code Engine, Anda dapat menjalankan hampir semua beban kerja kontainer tanpa mengelola server atau infrastruktur. Platform ini mendukung segala sesuatu mulai dari layanan mikro dan aplikasi web hingga pekerjaan batch dan fungsi berbasis peristiwa. Ini juga menawarkan pembuatan gambar bawaan dari kode sumber Anda. Karena semua beban kerja berbagi lingkungan Kubernetes yang sama, mereka terintegrasi secara alami. Code Engine dirancang untuk mencegah infrastruktur Anda sehingga Anda dapat tetap fokus pada pembuatan aplikasi. Menginstal Code Engine CLI adalah langkah selanjutnya. Jalankan perintah berikut di terminal Anda.
Output:
Plug-in ‘code-engine[ce] 1.57.0’ found in repository ‘IBM Cloud’
Attempting to download the binary file...
74.08 MiB / 74.08 MiB [============================================] 100.00% 1s
77680050 bytes downloaded
Installing binary...
OK
Plug-in ‘code-engine 1.57.0’ was successfully installed into /your/path/to/code-engine. Use ‘ibmcloud plugin show code-engine’ to show its details.
Bagus! Sekarang, mari kita targetkan proyek dalam Code Engine. Pertama, tampilkan daftar proyek dengan menjalankan
Output:
OK
Name ID Status Enabled Selected Tags Region Resource Group Age
ce-itz-wxo-69305f32086a49ee3736ff 8991a30c-944f-422d-9e00-00789043e90e active true false us-south itz-wxo-69305f32086a49ee3736ff 7m32s
Proyek Code Engine mengelompokkan entitas seperti aplikasi, pekerjaan, dan build. Ini berfungsi sebagai unit untuk mengelola sumber daya dan mengatur akses ke entitas tersebut. Jika Anda tidak memiliki proyek Code Engine yang aktif, jalankan
Untuk menargetkan proyek tertentu, jalankan
Output:
OK
Catatan: Jika Anda mengalami kesalahan di sini, pastikan bahwa Anda telah menargetkan lingkungan yang benar dengan
Langkah 3. Siapkan Langflow dengan Code Engine CLI
Untuk menggunakan Langflow saat menggunakan CLI Code Engine, jalankan perintah berikut.
--name langflow \
--image langflowai/langflow:latest \
--port 7860
Perintah ini dapat berjalan selama beberapa menit. Jangan mengganggu dan membiarkannya berjalan.
Output:
Configuration ‘langflow’ is waiting for a Revision to become ready.
Ingress has not yet been reconciled.
Waiting for load balancer to be ready.
Run ‘ibmcloud ce application get -n langflow’ to check the application status.
OK
https://langflow.23h82g3y09cp.us-south.codeengine.appdomain.cloud
Langkah 4. Hubungkan WxO dan aktifkan Langflow
Saat perintah pengaturan Langflow berjalan, kami dapat menambahkan lingkungan untuk berinteraksi dengan mesin lokal kami dan solusi yang dihosting SaaS.
Di jendela terminal baru , aktifkan lingkungan virtual di direktori yang Anda pilih. Anda dapat mengubah
Aktifkan lingkungan virtual dengan perintah berikut dan ganti
MacOS/Linux:
Windows:
Sekarang, di browser pilihan Anda, akses daftar sumber daya IBM Cloud Anda, perluas menu tarik turun AI/Machine Learning dan pilih sumber daya wxO aktif. Namanya harus menyerupai “Watson Orchestrate-itz,” misalnya, lalu salin URL yang ditemukan di jendela Kredensial . Buka halaman ini di browser Anda karena Anda akan segera membutuhkannya. Dalam perintah berikut, ganti
-n langflow \
-u YOUR_WXO_RESOURCE_URL \
--type ibm_iam \
--activate
Output:
Please enter WXO API key:
Saat diminta untuk kunci API wxO, kembali ke halaman sumber daya yang terbuka di browser Anda. Jangan memasukkan kunci API yang terletak di atas URL yang Anda salin. Sebagai gantinya, klik tombol Luncurkan watsonx Orchestrate. Kemudian, klik ikon melingkar dengan inisial Anda di sudut kanan atas layar dan buka Pengaturan. Pilih tab detail API dan klik tombol Buat kunci API. Selanjutnya, masukkan nama dan deskripsi apa pun untuk kunci API Anda dan pilih “Nonaktifkan kunci bocor” di bagian “Tindakan bocor”. Yang paling penting, pilih “Ya” di bagian “Manajemen sesi” untuk mengaktifkan manajemen sesi untuk login CLI dan klik “Buat”. Kunci API Anda akan muncul. Silakan salin dan tempel kunci di terminal yang Anda gunakan beberapa saat yang lalu untuk memenuhi permintaan memasukkan kunci API wxO.
Output:
Bagus! Langflow sekarang sudah aktif.
Langkah 5. Mengonfigurasi sumber daya Code Engine Anda
Untuk membangun lingkungan Code Engine yang stabil yang tidak menghapus aplikasi Langflow kami setelah periode waktu tunggu yang tetap, buka browser Anda sekali lagi. Akses ikhtisar kontainer IBM Cloud Anda. Anda akan melihat proyek Code Engine Anda muncul seperti yang baru saja dibuat. Buka proyek. Selanjutnya, buka aplikasi Langflow Anda. Di tab Konfigurasi , buka komponen Sumber daya dan penskalaan. Satu-satunya perubahan yang perlu kita lakukan di sini adalah meningkatkan jumlah minimum instance dari 0 menjadi 1. Terakhir, klik tombol Deploy untuk menerapkan revisi konfigurasi ini.
Setelah Anda menyelesaikan langkah ini, klik tombol Uji aplikasi dan klik hyperlink URL Aplikasi. Tindakan ini akan membuka instance Langflow IBM Cloud kami.
Langkah 6. Bangun alur kerja Anda
Ada banyak cara untuk membangun aliran Langflow. Gunakan templat bawaan atau buat sendiri dari awal. Dalam tutorial ini, kita akan menjelajahi pilihan terakhir. Untuk memulai, klik + Alur Kosong. Contoh ini menunjukkan alur yang dapat Anda bangun, tetapi jangan ragu untuk menjelajahi berbagai komponen dan integrasi yang dibangun ke dalam Langflow.
- Tambahkan node komponen bawaan berikut dari menu:
Input Obrolan - Menerima input pengguna dari obrolan.
Output Obrolan - Mengembalikan output alur kembali ke pengguna dalam obrolan.
Agen - Menggunakan integrasi model bahasa besar (LLM) untuk menanggapi input pengguna dan dapat dihubungkan ke beberapa alat.2
Alat MCP - Menghubungkan ke server Model Context Protocol (MCP) dan mengekspos fungsi server MCP sebagai alat yang dapat digunakan agen untuk merespons input.2
IBM watsonx.ai - Menyediakan akses ke IBM watsonx.ai® model untuk pembuatan teks.3
Pencarian Berita - Menarik konten Google News dan menghasilkan DataFrame terstruktur yang berisi judul, tautan, tanggal publikasi, dan ringkasan setiap artikel.4
arXiv - Mencari arXiv.org untuk makalah yang relevan dan memberikan output dalam format DataFrame.5
Terakhir, pilih + Komponen Kustom Baru di bagian bawah menu.
Untuk kemudahan visualisasi, atur alur Anda dengan cara berikut.
2. Hubungkan komponen Input Obrolan ke bidang “Input” pada komponen Agen.
3. Hubungkan komponen Output Obrolan ke bidang “Respons” komponen Agen.
4. Di komponen Agen , atur “Penyedia Model” ke “Kustom” dari menu tarik-turun. Tergantung pada versi Langflow yang Anda gunakan, Anda mungkin melihat “Hubungkan model lain” sebagai gantinya. Kedua opsi tersebut dapat diterima.
5. Di komponen IBM watsonx.ai ,pilih titik akhir API watsonx.ai yang sesuai untuk kredensial API Anda. Selanjutnya, tempel ID proyek watsonx.ai dan kunci API Anda di bidang yang sesuai. Kemudian, pilih nama model bahasa besar pilihan Anda. Dalam tutorial ini, kita dapat memilih
- Catatan: Jika Anda lebih suka menggunakan variabel global daripada menempelkan kredential API Anda secara langsung, klik ikon profil Anda di sudut kanan atas layar dan pilih Pengaturan. Di bagian Variabel Global , tambahkan
WATSONX_PROJECT_ID danWATSONX_APIKEY untuk koneksi watsonx.ai Anda yang Anda buat sebagai prasyarat untuk tutorial ini. Setelah Anda kembali ke alur Anda, Anda akan melihat ikon globe di bidang teks “watsonx.ai Project ID” dan “kunci API”. Klik ikon dan pilih kunci yang sesuai dari dropdown.
6. Aktifkan Mode Alat dengan menggunakan tombol alih untuk arXiv, Pencarian Berita , dan Komponen Kustom. Anda akan melihat tombol ini muncul di menu header dengan mengklik di mana saja pada masing-masing komponen ini. Dengan mengaktifkan mode ini, Anda sekarang dapat menghubungkan komponen-komponen ini ke bidang “Alat” pada komponen Agen. Komponen arXiv dan News Search dikonfigurasi dan siap digunakan. Kita dapat fokus pada konfigurasi komponen lain sekarang.
7. Di menu header Komponen Kustom, pilih <> Code. Di sini, kita dapat menyesuaikan perilaku komponen dengan mengedit kode Python yang mendefinisikannya.6 Sebagai contoh sederhana, kita dapat membuat alat yang menghasilkan tanggal hari ini, atau pengetahuan yang tidak dapat diakses ke LLM. Ganti kode boilerplate dengan hal berikut:
from langflow.io import MessageTextInput, Output
from langflow.schema.data import Data
from datetime import date
class CustomComponent(Component):
display_name = “Date”
description = “Returns today’s date.”
documentation: str = “https://docs.langflow.org/components-custom-components”
icon = “calendar-check”
name = “CustomDateComponent”
inputs = [] # No input needed
outputs = [
Output(display_name=”Today’s Date”, name=”output”, method=”build_output”),
]
def build_output(self) -> Data:
today = date.today()
data = Data(value=today)
self.status = data
return data
Lanjutkan dan simpan perubahan Anda. Anda sekarang harus melihat komponen yang mencerminkan nama, deskripsi, dan ikon barunya.
8. Jumlah alat yang Anda berikan kepada agen Anda terserah Anda. Namun, ingatlah untuk tidak membanjiri agen Anda dengan terlalu banyak alat karena dapat menghambat kinerja dan akurasi. Alat terakhir yang akan kami aktifkan adalah server MCP. Anda dapat terhubung ke server apa pun pilihan Anda. Dalam tutorial ini, kita dapat terhubung ke server Alpha Vantage MCP.7 Server Alpha Vantage MCP resmi memudahkan LLM dan agen untuk menarik data stok real-time dan masa lalu dengan menggunakan Protokol Konteks Model. Untuk terhubung ke server ini, buka dropdown “Server MCP” di komponen Alat MCP Anda dan klik + Tambahkan Server MCP. Di tab STDIO , berikan nama apa pun ke server Anda, misalnya, "av_mcp", dan tempel perintah berikut:
Kerja bagus! Alur kerja Anda sudah selesai dan seharusnya menyerupai tangkapan layar berikut.
Untuk memverifikasi bahwa pipeline penelitian berfungsi seperti yang diharapkan, buka Playground dan mengobrol dengan agen Anda yang baru dibangun! Ajukan pertanyaan kepada agen yang memerlukan penggunaan salah satu alat yang terhubung. Beberapa contoh nilai input meliputi:
- Sederhana:
- "Hari ini tanggal berapa?"
- “Temukan 5 riset tentang komputasi kuantum.”
- Sedang:
- “Analisis harga saham IBM selama 30 hari terakhir.”
- Kompleks:
- “Apakah ada berita terbaru yang menunjukkan bahwa saham IBM sedang bullish atau bearish?”
Anda akan melihat agen menggunakan alat yang tersedia dan menghasilkan output yang benar. Jika Anda mengalami masalah apa pun pada tahap ini, silakan kembali ke alur Anda dan pastikan kredensial Anda benar dan Anda telah mengikuti setiap langkah.
Langkah 7. Impor alur Anda ke wxO sebagai server MCP
Salah satu cara untuk menghubungkan alur ini ke watsonx Orchestrate adalah sebagai server MCP. Klik menu tarik turun Bagikan di sudut kanan atas dan pilih “Server MCP”. Klik ke tab "JSON". Anda akan melihat kode yang mirip dengan contoh ini:
“mcpServers”: {
“lf-starter_project”: {
“command”: “uvx”,
“args”: [
“mcp-proxy”,
“https://langflow.23h82g3y09cp.us-south.codeengine.appdomain.cloud/api/v1/mcp/project/b797fbc9-cd21-46e9-bc23-8fa813f94810/sse”
]
}
}
}
Salin URL dalam cuplikan JSON Anda. Perhatikan bahwa ini akan berbeda dari contoh sebelumnya. Kembali ke terminal Anda dan rekatkan URL server MCP Anda sebagai pengganti placeholder
--kind mcp \
--name langflow_mcp \
--description “LangFlow MCP Server” \
--command “uvx mcp-proxy MCP_SERVER_URL” \
--tools “*”
Output:
Langkah 8. Buat agen dan uji panggilan alat.
Di browser Anda, buka watsonx Orchestrate dan buat agen baru dari awal. Masukkan nama dan deskripsi untuk agen Anda. Setelah dibuat, buka tab Toolset , klik tombol Tambah alat . Dari pilihan tersebut, pilih untuk mengimpor alat dari server MCP. Dari menu tarik-turun Pilih server MCP, pilih server yang kami impor, aktifkan alat dengan mengalihkan aktivasi dan tutup jendela. Selanjutnya, klik Terapkan. Setelah menerapkan, Anda dapat mengobrol dengan agen Anda di jendela obrolan Pratinjau atau di antarmuka obrolan yang terdapat di menu halaman yang diperkecil.
Mari kita ajukan pertanyaan kepada agen! Misalnya, “Temukan 5 riset tentang komputasi kuantum.”
Luar biasa! Chatbot agen berperilaku seperti yang diharapkan dengan tidak hanya menunjukkan respons yang benar, tetapi juga menggunakan alat arXiv yang benar. Jangan ragu untuk bereksperimen dengan prompt yang berbeda.
Dengan pendekatan ini, Code Engine tidak diperlukan. Pendekatan ini menyiapkan lingkungan pengembangan lokal dengan menggunakan Watsonx Orchestrate Developer Edition SDK, versi ringan dari watsonx Orchestrate yang berfungsi sebagai server pengembangan lokal.
Prasyarat
- Spesifikasi mesin:
- RAM 16 GB
- 8 core
- Ruang disk 25 GB
Langkah 1. Instal wxO Developer Edition SDK
Sebelum Anda mulai membangun secara lokal dengan Langflow, instal Edisi Pengembang dari ADK wxO. Perhatikan bahwa Edisi Pengembang ini tidak diperlukan untuk pendekatan pertama dalam tutorial ini.
Di IDE pilihan Anda, atur lingkungan Anda. Buat folder bernama
wxo-langflow-agent untuk menyimpan semua agen dan alat. Anda dapat menemukan proyek ini di Github untuk digunakan sebagai referensi. Struktur folder seharusnya seperti ini:wxo-langflow-agent/ ├── .env ├── alat/ └── agen/
2. Buka terminal dan aktifkan lingkungan virtual. Anda dapat mengubah
Aktifkan lingkungan virtual dengan perintah berikut dan ganti
MacOS/Linux:
Windows:
3. Dalam file .env , atur variabel lingkungan berikut. Untuk informasi selengkapnya, lihat panduan penyiapan.
WO_INSTANCE=<service_instance_url>
WO_API_KEY=<wxo_api_key>
4. Jalankan perintah berikut untuk menginstal server watsonx Orchestrate Developer Edition. Kami tidak perlu menginstal Langflow karena disertakan sebagai bagian dari ADK Developer Edition. Bendera perintah
Perintah ini dapat berjalan selama beberapa menit jika ini adalah pertama kalinya Anda mengaktifkan server.
Pemecahan masalah: Jika Anda menginstal watsonx Orchestrate Developer Edition sebelum ADK versi 2.0 di masa lalu dan Anda mengalami error saat memulai kontainer, jalankan:
orchestrate server purge
pip install --upgrade ibm-watsonx-orchestrate
Ujung akhir output Anda harus menyerupai contoh berikut.
Output:
[INFO] - Waiting for orchestrate server to be fully initialized and ready...
[INFO] - Orchestrate services initialized successfully
[INFO] - no local tenant found. A default tenant is created
[INFO] - You can run `orchestrate env activate local` to set your environment or `orchestrate chat start` to start the UI service and begin chatting.
[INFO] - Langflow has been enabled, the Langflow UI is available at http://localhost:7861
Langkah 2. Aktifkan UI obrolan wxO lokal
-
Watsonx Orchestrate ADK mendefinisikan lingkungan sebagai instance watsonx Orchestrate yang dapat Anda sambungkan. Lingkungan Anda akan menjadi instance Edisi Pengembang yang berjalan di laptop Anda. Anda dapat menggunakan perintah
orchestrate env listlokallokalorchestrate env activate localOutput:
[INFO] - penyewa lokal ditemukan [INFO] - Lingkungan 'lokal' sekarang aktif -
Selanjutnya, jalankan perintah ini untuk memulai UI obrolan di browser default Anda.
orchestrate chat startOutput:
[INFO] - Layanan UI Obrolan berhasil dimulai. [INFO] - Menunggu komponen UI diinisialisasi... [INFO] - Membuka antarmuka obrolan di http://localhost:3000/chat-lite
Langkah 3. Buat alur Langflow.
Editor Langflow tersedia melalui Watsonx Orchestrate Developer Edition pada port 7861, seperti yang terlihat pada output sebelumnya.
- Di browser web Anda, arahkan ke http://localhost:7861.
- Bangun alur Anda. Kita dapat menggunakan kembali alur yang dibangun di bagian pertama tutorial ini atau Anda dapat menyusunnya sendiri. Anda mungkin merasa terbantu nanti dalam tutorial ini untuk memberikan nama dan deskripsi pada alur Anda secara kustom, bukan secara default. Anda dapat melakukannya dengan mengarahkan kursor ke nama alur di bagian atas layar Anda dan mengklik ikon pensil.
- Contoh nama alur: Agen riset
- Contoh deskripsi alur: Akses ke pencarian berita, arXiv, tanggal hari ini dan Alpha Vantage API.
Langkah 4. Mengimpor alur ke wxO
Kami dapat menjelajahi dua opsi untuk mengimpor alur Langflow ke server Watsonx Orchestrate lokal kami:
a) Impor aliran sebagai server MCP lokal.
b) Impor alur sebagai JSON.
Opsi 1: Impor sebagai server MCP lokal
Langkah ini menyerupai langkah 7 di paruh pertama tutorial ini dengan beberapa perubahan kecil.
-
Klik menu tarik turun Bagikan di sudut kanan atas Langflow Anda dan pilih "MCP Server". Klik ke tab "JSON". Anda akan melihat kode yang mirip dengan contoh berikut:
{ "mcpServers": { "lf-starter_project": { "command": "uvx", "args": [ "mcp-proxy", "http://localhost:7861/api/v1/mcp/project/41c9434f-67bf-439e-8dac-b7bb09b1d1ca/sse" ] } } } -
Salin URL dalam cuplikan JSON Anda. Perhatikan bahwa ini akan berbeda dari contoh sebelumnya. Kembali ke terminal Anda dan tempel perintah berikut dengan menggunakan URL Anda alih-alih contoh berikut. Berbeda dengan perintah yang kami jalankan saat menggunakan IBM Cloud, di sini Anda harus mengganti
localhosthost.docker.internalmengatur toolkit menambahkan\ --jenis mcp\ --nama langflow_research_mcp\ --deskripsi "LangFlow MCP Server"\ --perintah " uvx mcp-proxy http://host.docker.internal:7861/api/v1/mcp/project/41c9434f-67bf-439e-8dac-b7bb09b1d1ca/sse" \ --alat "*"Output:
[INFO] - Alat kit yang berhasil diimpor langflow_research_mcp -
Dalam contoh lokal watsonx Orchestrate yang berjalan di browser Anda, klik "Buat agen baru" dan masukkan nama dan deskripsi untuk agen baru Anda. Kemudian, klik tombol Buat .
4. Di tab Toolset , klik tombol Add tool. Pilih “instance lokal” untuk menambahkan server MCP yang sudah diimpor, centang kotak yang sesuai dengan server MCP yang diimpor dan klik Tambahkan ke agen.
5. Mulai mengobrol!
Opsi 2: Impor sebagai JSON
Sebagai alternatif untuk mengimpor alur sebagai server MCP, kita dapat menggunakan ADK untuk mengimpor aliran sebagai file JSON yang diekspor.
1. Pendekatan ini paling cocok untuk alur sederhana. Untuk tujuan demonstratif, mari gunakan alur ini:
Ekspor alur ke JSON dengan mengklik tombol Bagikan dan memilih Ekspor. Masukkan nama dan deskripsi untuk alat/alur yang Anda inginkan. Nama alat hanya boleh berisi karakter alfanumerik dan garis bawah dan tidak boleh dimulai dengan angka atau garis bawah.
2. Tambahkan file JSON yang baru diekspor ke folder
3. Jalankan perintah berikut untuk mengimpor aliran Anda ke watsonx Orchestrate.
4. Setelah mengimpor alur Langflow sebagai alat, langkah selanjutnya adalah menghubungkannya ke sistem agen. Anda dapat melakukan langkah ini dengan membuat agen baru di Watsonx Orchestrate UI atau dengan menyalin definisi agen berikut ke file
name: arxiv_agent
display_name: ArXiv Agent
description: Access to arXiv tool.
context_access_enabled: true
context_variables: []
llm: watsonx/ibm/granite-4-h-small
style: default
instructions: ‘’
guidelines: []
collaborators: []
tools:
- arxiv
knowledge_base: []
spec_version: v1
Sekarang, impor agen sederhana dengan menjalankan perintah berikut:
5. Segarkan browser UI obrolan watsonx Orchestrate yang berjalan secara lokal untuk melihat perubahan kami tercermin. Di menu tarik-turun Agen , pilih “Agen arXiv,” dan ajukan pertanyaan yang memerlukan penggunaan alat arXiv!
Contoh prompt: “Temukan saya 5 makalah penelitian tentang komputasi kuantum.”
Output:
Bagus! Agen memutuskan bahwa perlu untuk memanggil alat
Tutorial ini telah melengkapi Anda dengan keterampilan penting untuk memanfaatkan Langflow dan watsonx Orchestrate untuk membangun agen yang kuat, dapat diskalakan, dan siap untuk perusahaan. Anda belajar cara mengimpor alur LangFlow berbasis agen sebagai server MCP dengan menggunakan watsonx Orchestrate sebagai Perangkat Lunak sebagai Layanan (SaaS) bersama dengan IBM Cloud. Juga, Anda sekarang terbiasa dengan cara mengimpor alur LangFlow dasar saat menggunakan IBM watsonx Orchestrate Agent Development Kit (ADK) secara lokal. Dengan mengikuti petunjuk langkah demi langkah, Anda telah mempelajari cara mendesain, mengembangkan, dan menerapkan agen yang memanggil alat khusus dan alat bawaan untuk menyelesaikan pertanyaan pengguna. Dengan antarmuka visual intuitif Langflow, Anda membuat alur kerja yang rumit dan watsonx Orchestrate telah memberdayakan Anda untuk mengelola dan menskalakan agen ini secara efisien. Sebagai langkah selanjutnya, terapkan pengetahuan yang diperoleh dari tutorial ini dengan mengerjakan contoh penggunaan. Pilih masalah atau proses bisnis tertentu dalam organisasi Anda yang dapat memperoleh manfaat dari Otomatisasi dan rancang solusi berbasis Langflow dan watsonx Orchestrate untuk mengatasi alamat itu. Pengalaman langsung ini akan memperkuat pemahaman Anda dan membantu Anda mengidentifikasi area untuk perbaikan atau eksplorasi lebih lanjut.
Jika Anda mengalami masalah atau memiliki pertanyaan, periksa dokumentasi. Masalah yang paling umum tercakup dalam panduan pemecahan masalah. Anda juga dapat ulasan masalah GitHub untuk melihat apakah orang lain mengalami masalah serupa.
Sumber daya
Gunakan AI di bisnis Anda dalam perpaduan antara keahlian AI terdepan di industri dari IBM dan portofolio solusi Anda.
Temukan kembali alur kerja dan operasi yang penting dengan menambahkan AI untuk memaksimalkan pengalaman, pengambilan keputusan secara real-time, dan nilai bisnis.
Catatan kaki
1 Satyadhar Joshi. “Review of Autonomous Systems and Collaborative AI Agent Frameworks.” International Journal of Science and Research Archive, vol. 14, no. 2, 28 Februari 2025, hlm. 961–972, https://ijsra.net/content/review-autonomous-systems-and-collaborative-ai-agent-frameworks.
2 “Agen | Dokumentasi Langflow.” Langflow.org, 2025, docs.langflow.org/components-agents.
3 “Dokumentasi IBM | Langflow.” Langflow.org, 2025, docs.langflow.org/bundles-ibm.
4 "Data | Dokumentasi Langflow." Langflow.org, 2025, docs.langflow.org/components-data.
5 "ArXiv | Dokumentasi Langflow." Langflow.org, 2025, docs.langflow.org/bundles-arxiv.
6 “Ikhtisar Komponen | Dokumentasi Langflow.” Langflow.org, 2025, docs.langflow.org/concepts-components.
7 “Alpha Vantage MCP for Stock Market Data.” Alphavantage.co, 2025, mcp.alphavantage.co/.