40 Δείγμα χώρου εργασίας και ροών επίδειξης

40.1 Επισκόπηση

Κατάσταση: Η σελίδα αποτελεί τεχνική αναφορά για την υλοποίηση Automations 0.92.1. Δεν ισχυρίζεται διαθεσιμότητα για πελάτες· η επαλήθευση στο staging και η ενεργοποίηση παραγωγής είναι ξεχωριστά στάδια.

Αυτός ο οδηγός περιγράφει τις προϋποθέσεις και τα παραδείγματα για να δοκιμάσετε τα Sophea Automations σε διαμορφωμένο δείγμα Workspace. Χρησιμοποιήστε τα παραδείγματα για να διαμορφώσετε triggers, ενέργειες και αντιστοιχίσεις και, στη συνέχεια, ελέγξτε τις εξόδους βημάτων και τις εκτελέσεις ροών.

40.2 Διαμόρφωση δείγματος χώρου εργασίας

40.2.1 Προαπαιτούμενα

Πλατφόρμα Automations προετοιμασμένη από διαχειριστή, με διαμορφωμένο το αποκλειστικό workload και την ενσωμάτωση εκκίνησης με το Portal.
Ενεργός Portal Workspace με ενεργοποιημένο το Automations και ενεργό μέλος που μπορεί να ανοίξει τον επιλεγμένο Workspace.
Ορατό μοντέλο CHAT και προεπιλογή Workspace μέσω της διακυβέρνησης μοντέλων της πλατφόρμας.
Πραγματικά ευρετηριασμένα έγγραφα, προσβάσιμα στον χρήστη που θα εκτελέσει τις ροές γνώσης.
Ενεργοποιημένος Nous agent που μπορεί να κληθεί, για το παράδειγμα agent.
Διαμορφωμένο SMTP στο Nous και γραμματοκιβώτιο στο οποίο έχετε πρόσβαση για έλεγχο πραγματικής παράδοσης.

40.2.2 Συνιστώμενη ρύθμιση

Για μια ολοκληρωμένη επίδειξη, προετοιμάστε το περιεχόμενο και τις υπηρεσίες που χρησιμοποιεί πραγματικά κάθε παράδειγμα:

Βάση γνώσης: ευρετηριάστε την πολιτική απομακρυσμένης εργασίας της Επίδειξης 1 και τα άλλα έγγραφα που χρειάζονται τα ερωτήματά σας. Επιβεβαιώστε ότι είναι προσβάσιμα στον χρήστη που εκτελεί κάθε ροή.
Μοντέλο AI: διαμορφώστε ορατό μοντέλο CHAT και προεπιλογή Workspace μέσω της διακυβέρνησης μοντέλων της πλατφόρμας. Σε κάθε εκτέλεση, τα Automations επιλύουν την τιμή workspace_default με βάση την τρέχουσα προεπιλογή Workspace στο Nous. Δεν χρειάζεται να διαμορφώσετε alias workspace_default στο LiteLLM.
Agent: ενεργοποιήστε agent που μπορεί να κληθεί από τον επιλεγμένο Workspace και διαμορφώστε τα απαιτούμενα εργαλεία του, όπως αναζήτηση στο διαδίκτυο για την Επίδειξη 4.
Email: διαμορφώστε τις προϋποθέσεις SMTP του Nous και χρησιμοποιήστε γραμματοκιβώτιο στο οποίο έχετε πρόσβαση. Η διαμόρφωση SMTP ή το αποτέλεσμα ενέργειας sent από μόνα τους δεν αποδεικνύουν παράδοση στα εισερχόμενα.

Μετά από επίδειξη που παράγει αρχεία, απενεργοποιήστε τη ροή και περιμένετε να ολοκληρωθούν οι εκτελέσεις της πριν διαγράψετε την ιδιόκτητη ροή. Η διαγραφή ροής δεν αφαιρεί αμέσως τα παραγόμενα αρχεία ή τα εγγενή αρχεία καταγραφής. Χρήστης έργου με δικαίωμα εγγραφής ροής μπορεί να διαγράψει ρητά ένα συγκεκριμένο ID παραγόμενου αρχείου βήματος μέσω DELETE /api/v1/files/:fileId?projectId=<project-id>· αυτό δεν προστατεύει ενεργές εκτελέσεις και μπορεί να ακυρώσει αναφορές στο αρχείο. Επιτυχής απόκριση διαγραφής δεν αποτελεί ανεξάρτητη απόδειξη φυσικής απουσίας. Τα εγγενή αρχεία καταγραφής διατηρούν την κανονική πολιτική διατήρησης.

40.3 Ροές επίδειξης

40.3.1 Επίδειξη 1: Δημιουργήστε την πρώτη σας ροή (5 λεπτά)

Στόχος: Αναζήτηση στη βάση γνώσης και εμφάνιση της απάντησης.

Ανοίξτε το Automations και επιλέξτε Start from scratch ή Create New > New Flow.
Προσθέστε Manual Trigger και την ενέργεια ask_nous_knowledge.
Ορίστε την ερώτηση: «Ποια είναι η πολιτική μας για την απομακρυσμένη εργασία;»
Δοκιμάστε το βήμα και ελέγξτε την απάντηση και τις παραπομπές σε σχέση με την πραγματική ευρετηριασμένη πολιτική στην οποία έχει πρόσβαση ο εκτελεστής.
Ελέγξτε το draft και δημοσιεύστε το όταν είναι έτοιμο.
Για δημοσιευμένη ροή με χειροκίνητο trigger, επιλέξτε Run Flow και επιθεωρήστε την πραγματική εκτέλεση στο Runs.

Τι επιδεικνύει: διαμόρφωση ενέργειας γνώσης και επιθεώρηση της απάντησης και των παραπομπών. Η αναζήτηση γνώσης χρησιμοποιεί ευρετηριασμένα έγγραφα προσβάσιμα στον χρήστη που εκτελεί τη ροή.

40.3.2 Επίδειξη 2: Δημιουργήστε μια ροή με AI (3 λεπτά)

Στόχος: Δημιουργία πρόχειρου γραφήματος ροής από περιγραφή σε φυσική γλώσσα.

Ανοίξτε την αρχική σελίδα Automations και επιλέξτε Create with AI.
Επιλέξτε Workspace default ή ένα ορατό ρητό μοντέλο CHAT.
Εισαγάγετε: «Κάθε μέρα στις 9 π.μ. στη ζώνη ώρας του Workspace, αναζήτησε πρόσφατες ενημερώσεις στη βάση γνώσης και στείλε σύνοψη μέσω email στο άτομο που εκτελεί τη ροή».
Ελέγξτε το draft graph που δημιουργήθηκε και διορθώστε trigger, ενέργειες, αντιστοιχίσεις και παραλήπτη.
Δοκιμάστε τα βήματα με τα προετοιμασμένα δεδομένα Workspace και δημοσιεύστε μόνο μετά τον έλεγχο.
Επιθεωρήστε την πραγματική εκτέλεση και επιβεβαιώστε την παραλαβή στο γραμματοκιβώτιο του εκτελεστή.

Τι επιδεικνύει: δημιουργία και έλεγχο draft με AI, με βήματα χρονοδιαγράμματος, γνώσης και email. Ελέγξτε και δοκιμάστε το παραγόμενο draft πριν δημοσιεύσετε, χρησιμοποιώντας την προβλεπόμενη ζώνη ώρας Workspace, προσβάσιμο περιεχόμενο, διαμορφωμένο μοντέλο και γραμματοκιβώτιο στο οποίο έχετε πρόσβαση.

40.3.3 Επίδειξη 3: Ρυθμίστε μια ροή εργασίας έγκρισης (5 λεπτά)

Στόχος: Χρήση AI για τον έλεγχο περιεχομένου πριν από τη δημοσίευση.

Ανοίξτε το Automations και δημιουργήστε ροή με χειροκίνητο trigger.
Προσθέστε Review with AI (llm_approval)· καταχωρίστε τους κανόνες ελέγχου στο Review instruction (οδηγία ελέγχου) και το περιεχόμενο που θα αξιολογηθεί στο Review target (αντικείμενο ελέγχου).
Ορίστε το Confidence threshold (confidenceThreshold) σε 0.8 για αυτό το παράδειγμα· η προεπιλογή της ενέργειας είναι 0.75.
Προσθέστε Router με ρητούς κλάδους για APPROVED, REJECTED και NEEDS_HUMAN_REVIEW.
Δρομολογήστε το NEEDS_HUMAN_REVIEW μέσω του request_human_approval, διαμορφωμένου με ενεργά μέλη Portal Workspace στους Approvers (αρμόδιοι) και ορίστε Decision deadline (προθεσμία απόφασης). Δρομολογήστε ρητά και το decision (APPROVED ή REJECTED)· η απόρριψη δεν σταματά αυτόματα τα επόμενα βήματα.
Τοποθετήστε τυχόν ειδοποίηση email μόνο στον προβλεπόμενο κλάδο, διαμορφώστε τους παραλήπτες και επαληθεύστε χωριστά την πραγματική παράδοση.
Δοκιμάστε τους κλάδους, ελέγξτε το draft και μετά δημοσιεύστε και επιθεωρήστε την πραγματική εκτέλεση.

Τι επιδεικνύει: ρητή δρομολόγηση αποτελεσμάτων ελέγχου AI και ανθρώπινης έγκρισης· η τιμή παραδείγματος 0.8 δεν είναι η προεπιλογή της ενέργειας.

40.3.4 Επίδειξη 4: Εκτελέστε έναν agent έρευνας (5 λεπτά)

Στόχος: Χρήση ενός Nous agent για την έρευνα ενός θέματος και τη σύνοψη των αποτελεσμάτων.

Ανοίξτε το Automations και δημιουργήστε ροή με χειροκίνητο trigger.
Προσθέστε start_agent_run, επιλέξτε ενεργοποιημένο agent διαθέσιμο στον Workspace και εισαγάγετε: «Ερεύνησε τους 3 σημαντικότερους ανταγωνιστές στις επιχειρησιακές πλατφόρμες AI».
Αντιστοιχίστε το agent_service_run_id που επιστρέφεται στο Get agent run status, επιλέγοντας τον ίδιο Agent.
Ελέγξτε την κατάσταση μέχρι να γίνει τερματική: completed, failed ή cancelled. Ένας διαμορφωμένος polling watcher Agent Run Completed μπορεί επίσης να σηματοδοτήσει τερματική κατάσταση για το επιλεγμένο agent run.
Μόνο στην κατάσταση completed, προσθέστε Get agent run artifacts με τον ίδιο agent και service-run handle και, αν αυτός είναι ο σκοπός, στείλτε μέσω email την έξοδο παραδοτέων. Διαχειριστείτε χωριστά τις καταστάσεις failed ή cancelled· μην ζητήσετε ή στείλετε παραδοτέα ολοκληρωμένης εκτέλεσης πριν από την τερματική ολοκλήρωση.
Ελέγξτε και δημοσιεύστε τη ροή και, στη συνέχεια, επιθεωρήστε την πραγματική εκτέλεση.

Τι επιδεικνύει: παρακολούθηση ασύγχρονης εκτέλεσης agent μέσω του service-run handle, ανάκτηση παραδοτέων μετά την κατάσταση completed και χωριστή διαχείριση των καταστάσεων failed ή cancelled.

40.3.5 Επίδειξη 5: Μαζική αναζήτηση γνώσης (3 λεπτά)

Στόχος: Αναζήτηση πολλαπλών ερωτημάτων σε ένα βήμα.

Ανοίξτε το Automations και επιλέξτε Start from scratch ή Create New > New Flow.
Προσθέστε Manual Trigger και batch_search_knowledge.
Δώστε τον πραγματικό πίνακα ερωτημάτων: ["current sprint goals", "open customer issues", "recent deployment notes"]· επιβεβαιώστε ότι το ευρετηριασμένο corpus είναι προσβάσιμο στον χρήστη που εκτελεί τη ροή.
Δοκιμάστε το βήμα και ελέγξτε το αποτέλεσμα κάθε ερωτήματος.
Προσθέστε ask_workspace_model για σύνοψη των αποτελεσμάτων με Workspace default ή ορατό ρητό μοντέλο CHAT.
Ελέγξτε και δημοσιεύστε το draft και, στη συνέχεια, επιθεωρήστε την πραγματική εκτέλεση.

Τι επιδεικνύει: ενέργεια γνώσης πολλαπλών ερωτημάτων και σύνοψη με μοντέλο, με την προϋπόθεση προσβάσιμου ευρετηριασμένου περιεχομένου και τρέχουσας διαμόρφωσης μοντέλου.

40.4 Περιήγηση στη συλλογή προτύπων

Η συλλογή περιλαμβάνει 43 πρότυπα τομέων και 8 αρχικά πρότυπα (51 διακριτά πρότυπα)· οι ετικέτες κατηγοριών των προτύπων τομέων μπορεί να επικαλύπτονται. Από την αρχική σελίδα Automations, επιλέξτε Use Templates ή ανοίξτε το All templates. Αναζητήστε με βάση το όνομα ή την περιγραφή, περιηγηθείτε στο καρουζέλ κατηγοριών, δείτε την προεπισκόπηση και επιλέξτε Use Template για να δημιουργήσετε draft από το πρότυπο.

40.5 Αντιμετώπιση προβλημάτων

40.5.1 Η ροή δεν ξεκινά

Επιβεβαιώστε ότι οι ρυθμίσεις του trigger είναι πλήρεις.
Για χρονοδιαγράμματα, επαληθεύστε τη διαμορφωμένη ζώνη ώρας και την ώρα.
Για webhook, χρησιμοποιήστε τη διεύθυνση Live/Test των ρυθμίσεων trigger και ελέγξτε τη διαμορφωμένη μέθοδο ελέγχου ταυτότητας, το όνομα κεφαλίδας και, όπου εφαρμόζεται, το μυστικό/αλγόριθμο/κωδικοποίηση. Το HMAC υπογράφει το raw σώμα· το trigger δεν απαιτεί κεφαλίδα χρονικής σήμανσης.
Ανοίξτε το Runs στην κεφαλίδα του builder και επιθεωρήστε την πραγματική εκτέλεση.

40.5.2 Η αναζήτηση γνώσης δεν επιστρέφει αποτελέσματα

Επιβεβαιώστε ότι το περιεχόμενο είναι ευρετηριασμένο και προσβάσιμο στον χρήστη που εκτελεί τη ροή.
Ελέγξτε το πραγματικό ερώτημα και, αν χρησιμοποιείται ενέργεια μοντέλου, το ορατό μοντέλο/προεπιλογή Workspace και τον πάροχό του.
Δοκιμάστε πιο συγκεκριμένο ερώτημα και επιθεωρήστε την έξοδο της ενέργειας.

40.5.3 Το email δεν εστάλη

Επιβεβαιώστε ότι στο Nous έχουν οριστεί τα SMTP_SERVER, SMTP_USER και SMTP_PASS.
Ελέγξτε ότι το RUN_USER ή τα επιλεγμένα ενεργά μέλη Portal Workspace είναι οι προβλεπόμενοι παραλήπτες.
Εξετάστε το αποτέλεσμα της ενέργειας και τυχόν παραλήπτες που απορρίφθηκαν και, στη συνέχεια, ελέγξτε πραγματική παραλαβή σε γραμματοκιβώτιο στο οποίο έχετε πρόσβαση.

40.5.4 Το μοντέλο AI επιστρέφει σφάλμα

Επιβεβαιώστε ότι ορατό μοντέλο CHAT και προεπιλογή Workspace έχουν διαμορφωθεί μέσω της διακυβέρνησης μοντέλων της πλατφόρμας· μην αντικαθιστάτε την επιλογή με αυθαίρετο alias LiteLLM.
Για σφάλματα μοντέλου, ελέγξτε ότι το επιλεγμένο μοντέλο είναι ορατό και διαθέσιμο στον Workspace και ότι είναι προσβάσιμος ο διαμορφωμένος πάροχός του.