From 4bbe1b3d48daec4ff6dbb1e322aabc03cb5fec70 Mon Sep 17 00:00:00 2001 From: RamGopalSrikar Date: Mon, 13 Apr 2026 20:46:39 -0400 Subject: [PATCH] feat(i18n): translate starter template note/README nodes at serve-time - Extend extract_backend_strings.py to extract noteNode descriptions as template_notes.{flow_key}.{index} keys (64 notes across 32 templates) - Add translate_flow_notes() to i18n.py to substitute translated markdown per-request without mutating the cached template data - Wire translate_flow_notes() into the /starter-projects/ endpoint using the same request.state.locale pattern as the flows endpoint - Update all 6 backend locale files via GP pipeline (4858 keys total) Co-Authored-By: Claude Sonnet 4.6 --- scripts/gp/extract_backend_strings.py | 24 +++++++ .../base/langflow/api/v1/starter_projects.py | 13 +++- src/backend/base/langflow/locales/de.json | 66 ++++++++++++++++++- src/backend/base/langflow/locales/en.json | 66 ++++++++++++++++++- src/backend/base/langflow/locales/es.json | 66 ++++++++++++++++++- src/backend/base/langflow/locales/fr.json | 66 ++++++++++++++++++- src/backend/base/langflow/locales/ja.json | 66 ++++++++++++++++++- src/backend/base/langflow/locales/pt.json | 66 ++++++++++++++++++- .../base/langflow/locales/zh-Hans.json | 66 ++++++++++++++++++- src/backend/base/langflow/utils/i18n.py | 24 +++++++ 10 files changed, 513 insertions(+), 10 deletions(-) diff --git a/scripts/gp/extract_backend_strings.py b/scripts/gp/extract_backend_strings.py index f27ec56342..cc21cbf518 100644 --- a/scripts/gp/extract_backend_strings.py +++ b/scripts/gp/extract_backend_strings.py @@ -119,6 +119,30 @@ def collect_strings() -> dict[str, str]: print(f"Found {starter_count} starter project(s) in {STARTER_PROJECTS_DIR.name}/") + # Tier 4 — note node descriptions in starter projects + note_count = 0 + for project_file in sorted(STARTER_PROJECTS_DIR.glob("*.json")): + try: + with project_file.open(encoding="utf-8") as f: + project = json.load(f) + except Exception: # noqa: BLE001 + continue + name = project.get("name") + if not name or not isinstance(name, str): + continue + flow_key = _safe_key(name) + nodes = project.get("data", {}).get("nodes", []) + note_index = 0 + for node in nodes: + if node.get("type") == "noteNode": + description = node.get("data", {}).get("node", {}).get("description", "") + if description and isinstance(description, str): + flat[f"template_notes.{flow_key}.{note_index}"] = description + note_count += 1 + note_index += 1 + + print(f"Found {note_count} note node(s) across starter projects.") + return dict(sorted(flat.items())) diff --git a/src/backend/base/langflow/api/v1/starter_projects.py b/src/backend/base/langflow/api/v1/starter_projects.py index c51ab02af3..d0bebcd3c0 100644 --- a/src/backend/base/langflow/api/v1/starter_projects.py +++ b/src/backend/base/langflow/api/v1/starter_projects.py @@ -1,6 +1,6 @@ from typing import Any -from fastapi import APIRouter, Depends, HTTPException +from fastapi import APIRouter, Depends, HTTPException, Request from pydantic import BaseModel from langflow.services.auth.utils import get_current_active_user @@ -42,9 +42,12 @@ class GraphDumpResponse(BaseModel): @router.get("/", dependencies=[Depends(get_current_active_user)], status_code=200) -async def get_starter_projects() -> list[GraphDumpResponse]: +async def get_starter_projects(request: Request) -> list[GraphDumpResponse]: """Get a list of starter projects.""" from langflow.initial_setup.load import get_starter_projects_dump + from langflow.utils.i18n import translate_flow_notes + + locale = getattr(request.state, "locale", "en") try: # Get the raw data from lfx GraphDump @@ -53,9 +56,13 @@ async def get_starter_projects() -> list[GraphDumpResponse]: # Convert TypedDict GraphDump to Pydantic GraphDumpResponse results = [] for item in raw_data: + flow_name = item.get("name") or "" + nodes = item.get("data", {}).get("nodes", []) + translated_nodes = translate_flow_notes(nodes, flow_name, locale) + # Create GraphData graph_data = GraphData( - nodes=item.get("data", {}).get("nodes", []), + nodes=translated_nodes, edges=item.get("data", {}).get("edges", []), viewport=item.get("data", {}).get("viewport"), ) diff --git a/src/backend/base/langflow/locales/de.json b/src/backend/base/langflow/locales/de.json index d3e270decf..d97aaed7fa 100644 --- a/src/backend/base/langflow/locales/de.json +++ b/src/backend/base/langflow/locales/de.json @@ -4792,5 +4792,69 @@ "starter_flows.vector_store_rag.description": "Laden Sie Ihre Daten für den Chat-Kontext mit „Retrieval Augmented Generation“ hoch.", "starter_flows.vector_store_rag.name": "Vektor-Speicher RAG", "starter_flows.youtube_analysis.description": "Der Analyseablauf „ YouTube “ extrahiert Videokommentare und Transkripte und analysiert dabei Stimmungsmuster und inhaltliche Themen.", - "starter_flows.youtube_analysis.name": "YouTube Analyse" + "starter_flows.youtube_analysis.name": "YouTube Analyse", + "template_notes.basic_prompt_chaining.0": "# 📖 README\nDieser Ablauf veranschaulicht die Verkettung von drei Eingabeaufforderungen und drei Sprachmodellen.\nJede Eingabeaufforderung ist speziell darauf ausgelegt, die vorherige Ausgabe zu verarbeiten, wobei jeder LLM-Aufruf auf den vorherigen Ergebnissen aufbaut\n\n\n## Voraussetzungen\n\n* [ OpenAI API-Schlüssel]( https://platform.openai.com/ )\n\n## Schnellstart\n\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n2. Um den Ablauf auszuführen, öffne den **Playground**. Es wird ein Beispiel für eine Eingabe angegeben; weitere Vorschläge finden Sie weiter unten.\n\n „Der wachsende Bedarf an sicheren und benutzerfreundlichen Plattformen für dezentrale Finanzdienstleistungen ( DeFi ), die Investitionen in Kryptowährungen auch für Nutzer ohne technische Vorkenntnisse zugänglich machen.“\n\n „Die zunehmende Beliebtheit immersiver Augmented-Reality-Erlebnisse (AR) für die Remote-Zusammenarbeit und das virtuelle Teambuilding in verteilten Teams.“\n\n „Der wachsende Markt für intelligente, IoT-enabled e Lösungen für die urbane Landwirtschaft, die es Stadtbewohnern ermöglichen, auf kleinem Raum effizient ihre eigenen Lebensmittel anzubauen.“\n\n „Die wachsende Nachfrage nach KI-gestützten persönlichen Styling- und Einkaufsassistenten, die Aspekte wie Nachhaltigkeit, Körperpositivität und individuelle Stilvorlieben berücksichtigen.“\n\n", + "template_notes.basic_prompting.0": "# 📖 README\nDiese Vorlage veranschaulicht einen Standard-Chat-Ablauf mit zusätzlichen Anweisungen, die über eine Eingabeaufforderung bereitgestellt werden. Prompts liefern Anweisungen und Eingaben für ein großes Sprachmodell (LLM), die über die üblichen, vom Benutzer bereitgestellten Chat-Eingaben hinausgehen. In diesem Beispiel beschreibt die Eingabeaufforderung die Rolle und die Persönlichkeit des LLM.\n\n## Schnellstart\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n2. Öffne den **Playground**, um den Chat zu starten und den Ablauf auszuführen.\n\n## Nächste Schritte\nÄndern Sie die Prompt-Vorlage, das Modell oder die Modelleinstellungen, wie z. B. **Temperatur**, und beobachten Sie, wie sich die Antworten bei diesen unterschiedlichen Eingaben ändern.\n💡 Einige Komponenteneinstellungen sind standardmäßig ausgeblendet; um alle Einstellungen anzuzeigen, klicken Sie im Kopfmenü jeder Komponente auf **Steuerelemente**.\n💡 Sie können geschweifte Klammern verwenden, um Variablen in Ihrer Vorlage zu erstellen, z. B. ` {variable} `. Diese können aus anderen Komponenten, mit globalen Langflow-Variablen oder zur Laufzeit gefüllt werden.", + "template_notes.basic_prompting.1": "### Konfigurieren Sie Ihren Modell-Provider", + "template_notes.blog_writer.0": "# 📖 README\nErstelle einen Blogbeitrag anhand von Inhalten, die von URLs abgerufen werden, sowie anhand von Anweisungen des Benutzers.\n\n## Voraussetzungen\n\n* Ein [ OpenAI API-Schlüssel]( https://platform.openai.com/ )\n\n## Schnellstart\n\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n2. Geben Sie in der Komponente **„ URL “** die URLs ein, von denen Sie Inhalte abrufen möchten. Stellen Sie sicher, dass sie mit „ http:// “ oder „ https:// “ beginnen.\n3. Öffne den **Spielplatz**. Ein Blogbeitrag wird auf der Grundlage der Inhalte erstellt, die von der Komponente ** URL ** abgerufen werden.", + "template_notes.custom_component_generator.0": "# 📖 README\nHallo! Ich bin hier, um dir bei der Erstellung benutzerdefinierter Komponenten für Langflow zu helfen. Betrachten Sie mich als Ihren technischen Partner, der Ihnen dabei helfen kann, Ihre Ideen in funktionierende Komponenten umzusetzen!\n\n## Schnellstart\n\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n\n2. 💭 Sag mir, was du bauen möchtest.\nBeschreiben Sie einfach in einfachen Worten, was Ihre Komponente leisten soll. Zum Beispiel:\n- „Ich brauche eine Komponente, die Slack-Nachrichten versendet“\n- „Ich möchte ein Tool erstellen, das ` CSV `-Dateien verarbeiten kann“\n- „Ich brauche etwas, das Text übersetzen kann“\n\n\nBist du bereit, etwas Tolles zu entwickeln? 🚀 Dann lass uns loslegen!", + "template_notes.document_q_a.0": "# 📖 README\nDieser Ablauf lädt eine Datei und nutzt ein LLM, um Fragen auf der Grundlage des Inhalts des geladenen Dokuments zu beantworten.\n\n## Voraussetzungen\n\n* Ein [ OpenAI API-Schlüssel]( https://platform.openai.com/ )\n\n## Schnellstart\n\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n2. Wählen Sie in der Komponente **Datei** die Datei aus, die Sie laden möchten.\n3. Öffne den **Playground** und interagiere mit deinem Dokument.", + "template_notes.financial_report_parser.0": "### Konfigurieren Sie Ihren Modell-Provider", + "template_notes.financial_report_parser.1": "# 📖 README\nDiese Vorlage extrahiert wichtige Finanzkennzahlen aus einem vorgegebenen Finanzberichtstext. Die extrahierten Daten werden für die Verwendung im Chat strukturiert und formatiert.\n\n## Schnellstart\n\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n2. Öffne den **Playground**, um den Chat zu starten und den Ablauf auszuführen.\nIn diesem Beispiel ist die Komponente **Chat Input** bereits mit einem Muster-Finanzbericht vorbelegt. Die Komponente **Sprachmodell** identifiziert und extrahiert die Angaben zu Bruttogewinn, EBITDA, Jahresüberschuss und Betriebsaufwendungen aus dem Finanzbericht. Anschließend formatiert die Komponente **Structured Output** die extrahierten Daten in ein strukturiertes Format, um die Lesbarkeit zu verbessern und die weitere Verarbeitung zu erleichtern. Schließlich wandelt die **Parser**-Komponente die extrahierten Daten in Meldungen um, die an den Benutzer zurückgegeben werden.", + "template_notes.hybrid_search_rag.0": "# 📖 README\nDie Hybrid-Suche führt eine vektorbasierte Ähnlichkeitssuche und eine lexikalische Suche durch, vergleicht die Ergebnisse beider Suchen und gibt anschließend die insgesamt relevantesten Ergebnisse zurück.\n\n## Voraussetzungen\n\n* Einen [ OpenAI API-Schlüssel]( https://platform.openai.com/ )\n* Ein [Astra DB-Anwendungstoken]( https://docs.datastax.com/en/astra-db-serverless/databases/create-database.html ) für die Astra DB-Komponente.\n\n## Schnellstart\n\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n2. Fügen Sie in der Astra-DB-Komponente Ihren Astra-DB-Anwendungstoken hinzu.\nDadurch wird Langflow mit Ihrer Astra-Datenbank verbunden.\n3. Wählen Sie eine Astra-Kollektion aus, die für Hybridanwendungen geeignet ist.\nWeitere Informationen finden Sie in der [Datastax-Dokumentation]( https://docs.datastax.com/en/astra-db-serverless/databases/hybrid-search.html ).\nDie Verbindung zwischen der Parser-Komponente und der Astra-DB-Komponente wird hergestellt, sobald eine Vektordatenbank verbunden ist.\n4. Stellen Sie sicher, dass die Anschlüsse **Lexikalische Begriffe** und **Analysierter Text** miteinander verbunden sind.\n5. Öffne den Playground und stelle eine Frage, zum Beispiel: „Welche Merkmale weisen meine Daten auf?“", + "template_notes.image_sentiment_analysis.0": "# 📖 README\nOrdne die in den Playground hochgeladenen Bilder nach Stimmung ein.\n\n## Voraussetzungen\n\n* [API-Schlüssel für OpenAI ]( https://platform.openai.com/ )\n\n## Schnellstart\n\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n\n2. Öffne den **Playground** und lade dann ein Bild in den Chat hoch. \n\nDas LLM analysiert das Bild. Die Stimmung wird gemäß dem Ausgabeschema der Komponente **Structured Output** in eine strukturierte Tabelle ausgegeben und anschließend in eine Nachricht umgewandelt, die im Playground angezeigt wird.", + "template_notes.instagram_copywriter.0": "# 📖 README\n\nWillkommen beim Instagram-Texter! Dieser Ablauf hilft dir dabei, ansprechende Instagram-Beiträge mit KI-generierten Inhalten und Bildvorlagen zu erstellen.\n\n## Schnellstart\n- Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n- Fügen Sie Ihren **Tavily-API-Schlüssel** zur Komponente **Tavily AI Search** hinzu.\n\n## So nutzen Sie den Flow\n**Geben Sie Ihr Thema ein**\n- Geben Sie im Chat-Eingabefeld eine kurze Beschreibung des Themas ein, über das Sie einen Beitrag verfassen möchten.\n- Beispiel: „Erstelle einen Beitrag über Meditation und ihre Vorteile“", + "template_notes.invoice_summarizer.0": "# 📖 README\nNutzen Sie die **Needle Search API** und einen **Agent**, um Ihre Rechnungsdaten schnell und präzise zu erfassen und zusammenzufassen.\n\n## Voraussetzungen\n\n* Eine **Collection** und einen **API-Schlüssel** aus Ihrer [ Needle.ai ]( https://needle-ai.com )-Bereitstellung\n* Einen [ OpenAI API-Schlüssel]( https://platform.openai.com/ )\n\n## Schnellstart\n\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n\n2. Laden Sie Ihre Rechnungen in Ihre Needle-Sammlung hoch. \n\n3. Geben Sie im Tool **Needle Search** Ihre **Needle-Sammlungs-ID** und Ihren **Needle-API-Schlüssel** ein.\n\n4. Öffnen Sie den **Playground** und rufen Sie Ihre Rechnungen ab. Die **Agent**-Komponente ermittelt die richtige Abfrage und den richtigen Suchumfang für den Datenabruf.\n", + "template_notes.invoice_summarizer.1": "### Konfigurieren Sie Ihren Modell-Provider", + "template_notes.invoice_summarizer.2": "### Geben Sie hier Ihren Needle Search-API-Schlüssel ein 👇", + "template_notes.knowledge_base.0": "# 📖 README\nEine eigenständige Komponente übernimmt das Abrufen von importiertem Wissen aus bestehenden Wissensdatenbanken. So rufen Sie Wissen ab:\n\n1. Wählen Sie Ihre Wissensdatenbank aus dem Dropdown-Menü „Wissensdatenbank“ aus. Falls Sie es nicht sehen, wählen Sie „Liste aktualisieren“.\n2. (Optional) Geben Sie eine Suchanfrage ein, die in der Wissensdatenbank ausgeführt werden soll.\n\nBeachten Sie, dass standardmäßig 5 Ergebnisse angezeigt werden. Diese Einstellung kann durch Klicken auf „Steuerelemente“ oben in der Komponente angepasst werden.\n", + "template_notes.market_research.0": "# 📖 README\nDieser Workflow hilft Ihnen dabei, umfassende Informationen über Unternehmen für Vertriebs- und Business-Intelligence-Zwecke zu sammeln.\n\n## Voraussetzungen\n\n- **[Tavily-API-Schlüssel]( https://docs.tavily.com/welcome )**\n- **[ OpenAI -API-Schlüssel]( https://platform.openai.com/ )**\n\n## Schnellstart\n\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n2. Fügen Sie Ihren **Tavily-API-Schlüssel** zur Komponente **Tavily Search** hinzu.\n3. Geben Sie im **Chat-Eingabefeld** den Namen des Unternehmens ein, nach dem Sie suchen möchten.\n4. Öffne den **Playground** und informiere dich über das Unternehmen. Die Komponente **Structured Output** wandelt die rohe LLM-Antwort in strukturierte Daten um, und die Komponente **Parser** stellt die Daten als Text bereit, den die Komponente **Chat output** anzeigen kann.", + "template_notes.meeting_summary.0": "### Fügen Sie hier Ihren Assembly-AI-API-Schlüssel und Ihre Audiodatei ein", + "template_notes.meeting_summary.1": "### Geben Sie hier Ihren Assembly AI-API-Schlüssel ein", + "template_notes.meeting_summary.2": "### Konfigurieren Sie Ihren Modell-Provider", + "template_notes.meeting_summary.3": "### Konfigurieren Sie Ihren Modell-Provider", + "template_notes.meeting_summary.4": "# 📖 README\nDieser Workflow transkribiert und fasst Besprechungen automatisch zusammen, indem er Audioaufnahmen mithilfe von **AssemblyAI** und **OpenAI GPT-4** in prägnante Zusammenfassungen umwandelt.\n\n## Voraussetzungen\n\n- **[API-Schlüssel für AssemblyAI ]( https://www.assemblyai.com/ )**\n- **[API-Schlüssel für OpenAI ]( https://platform.openai.com/ )**\n\n## Schnellstart\n\n1. Lade eine Audiodatei hoch. Die gängigsten Audioformate werden [unterstützt]( https://github.com/langflow-ai/langflow/blob/main/src/backend/base/langflow/components/assemblyai/assemblyai_start_transcript.py#L27 ).\n2. Um den Ablauf des Zusammenfassungsgenerators auszuführen, klicken Sie auf **Playground**.\n\nDer Workflow transkribiert die Audiodatei mithilfe von **AssemblyAI**.\nDas Transkript ist für die KI-Verarbeitung aufbereitet.\nDas Modell „ **GPT-4** “ liefert wichtige Erkenntnisse und Einblicke.\nDie zusammengefassten Besprechungsdetails werden in einem chatfreundlichen Format angezeigt.\n\n\n\n", + "template_notes.memory_chatbot.0": "# 📖 README\nDieser Flow erweitert die Vorlage **Basic Prompting** um eine Komponente namens **Message History**, die bis zu 100 vorherige Chat-Nachrichten als Kontext für die aktuelle Unterhaltung abrufen kann.\n\n## Schnellstart\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n2. Öffne den **Playground** und teile dem LLM deinen Namen mit.\n3. Starte eine neue Chat-Sitzung im Playground und frage dann: „Wie heiße ich?“. Das LLM kann deinen Namen aus dem gespeicherten Chatverlauf abrufen.\n\n## Über die Komponente „Nachrichtenverlauf“\nDie Komponenten **Sprachmodell** und **Agent** verfügen über einen integrierten Chat-Speicher, der standardmäßig aktiviert ist und funktional mit der Komponente **Nachrichtenverlauf** identisch ist.\nVerwenden Sie die Komponente **Nachrichtenverlauf** nur, wenn Sie Chat-Erinnerungen in einer externen Chat-Erinnerungsdatenbank speichern oder daraus abrufen möchten, oder wenn Sie Chat-Erinnerungen außerhalb des aktuellen Sitzungskontexts abrufen müssen, beispielsweise in einem Nicht-Chat-Ablauf oder indem Sie Erinnerungen aus anderen Chats in eine andere Sitzung einbringen. Weitere Informationen finden Sie unter [Chat-Verlauf speichern]( https://docs.langflow.org/memory#store-chat-memory ).", + "template_notes.news_aggregator.0": "### Konfigurieren Sie Ihren Modell-Provider", + "template_notes.news_aggregator.1": "### Geben Sie hier Ihren API-Schlüssel für „ AgentQL “ ein", + "template_notes.news_aggregator.2": "# 📖 README\nDieser Flow extrahiert strukturierte Daten aus einer URL und speichert sie in einer JSON-Datei.\n\n## Voraussetzungen\n\n* **[API-Schlüssel für AgentQL ]( https://dev.agentql.com/api-keys )**\n* **[API-Schlüssel für OpenAI ]( https://platform.openai.com/ )**\n\n## Schnellstart\n\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n2. Fügen Sie Ihren [ AgentQL -API-Schlüssel]( https://dev.agentql.com/api-keys ) zur Komponente „ **AgentQL** “ hinzu.\n3. Klicken Sie auf **Spielplatz** und geben Sie eine Frage ein.\n\nDie Komponente **Agent** füllt die Felder **„ URL “** und **„Query“** der Komponente „ **AgentQL** “ aus und gibt eine strukturierte Antwort auf Ihre Frage zurück. Anschließend werden die extrahierten Daten in einer JSON-Datei namens „ news-aggregated.json “ gespeichert, die sich in Ihrem aktuellen Projektverzeichnis befindet.", + "template_notes.nvidia_rtx_remix.0": "# 📖 README\nDieses Langflow-Projekt bietet eine Integration für das RTX Remix Toolkit von NVIDIA über dessen REST-API.\n\n## Voraussetzungen\n\nBevor Sie dieses Projekt verwenden, stellen Sie bitte sicher, dass Sie die folgenden Schritte durchgeführt haben:\n\n1. **Installieren Sie das RTX Remix Toolkit**\nDas RTX Remix Toolkit muss auf Ihrem System installiert sein. Befolgen Sie die Installationsanleitung hier:\n[Installation des RTX Remix Toolkits]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/installation/install-toolkit.html )\n\n2. **RTX Remix Toolkit ausführen**\nStellen Sie sicher, dass die RTX Remix Toolkit-Anwendung ausgeführt wird, bevor Sie dieses Langflow-Projekt verwenden.\n\n3. **Projekt erstellen/öffnen**\nSie müssen ein RTX Remix-Projekt im Toolkit geöffnet haben. Hier erfährst du, wie du ein Projekt einrichtest:\n[Einrichten eines Projekts mit dem RTX Remix Toolkit]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/gettingstarted/learning-toolkitsetup.html )\n\n### Schnellstart-Tutorial\n\nUm schnell mit RTX Remix loszulegen, folge dem Tutorial [Erstellen deiner ersten Mod für das RTX Remix-Beispiel]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/tutorials/tutorial-remixtool.html ).\n\nEs führt durch den Prozess der Installation der verschiedenen erforderlichen Komponenten, deren Einrichtung und der Inbetriebnahme eines Projekts.\n\n## Erste Schritte\n\nSobald alle Voraussetzungen erfüllt sind, sollte das Langflow-Projekt ohne weitere Konfiguration funktionieren.\n\n### Die Verbindung testen\n\nSo überprüfen Sie, ob alles ordnungsgemäß funktioniert:\n\n1. Öffnen Sie das Langflow-Projekt\n2. Suchen Sie den Knoten **RTX Remix MCP Connection**\n3. Klicken Sie auf den **Aktualisieren-Button** des Knotens\n4. Überprüfen Sie, ob die verschiedenen REST-API-Tools angezeigt werden\n\nWenn die REST-API-Tools nach dem Aktualisieren angezeigt werden, funktioniert Ihre Verbindung zum RTX Remix Toolkit einwandfrei und Sie können die verfügbaren Tools nutzen.\n\n## Weitere Ressourcen\n\n- [RTX Remix-Dokumentation]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/ )\n- [RTX Remix MCP-Dokumentation]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/howto/learning-mcp.html )\n- [RTX Remix REST-API-Dokumentation]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/howto/learning-restapi.html )", + "template_notes.pok_dex_agent.0": "## Öffne den Spielplatz und frag alles, was du über ein Pokémon wissen willst! ⚡ 🐹", + "template_notes.pok_dex_agent.1": "# 📖 README\nSammle Informationen über Pokémon mit einem speziellen **Agent** und der Pokédex-API.\n\n## Voraussetzungen\n\n* Ein [ OpenAI API-Schlüssel]( https://platform.openai.com/ )\n\n## Schnellstart\n\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n2. Klicke auf **Spielplatz** und frag nach deinem Lieblings-Pokémon.\nDer **Agent** fragt die Pokédex-API ab und gibt einen formatierten Eintrag zurück.", + "template_notes.pok_dex_agent.2": "### Konfigurieren Sie Ihren Modell-Provider", + "template_notes.portfolio_website_code_generator.0": "### 💡 Laden Sie Ihren Lebenslauf hier hoch", + "template_notes.portfolio_website_code_generator.1": "# 📖 README\nDein hochgeladener Lebenslauf wird in ein strukturiertes Format umgewandelt und als HTML/CSS-Code für deine eigene Lebenslauf-Website ausgegeben!\n\n✅ **Unterstützte Formate:** PDF oder TXT\n✅ Um die Lesbarkeit zu gewährleisten, achte bitte auf klare Überschriften, Aufzählungspunkte und eine korrekte Formatierung.\n### 📌 Felder für die strukturierte Ausgabe:\n1. 🏷 **Vollständiger Name** – Vollständiger Name des Bewerbers\n2. 📧 **E-Mail** – Eine gültige E-Mail-Adresse\n3. 📞 **Telefonnummer** – Kontaktnummer\n4. 🔗 **LinkedIn** – LinkedIn-Profil LinkedIn URL\n5. 🖥 **GitHub** – Instagram-Profil GitHub URL (falls zutreffend)\n6. 🌐 **Portfolio** – Persönliche Website oder Portfolio URL\n7. 🛂 **Visastatus** – Angaben zur Arbeitserlaubnis (falls zutreffend)\n8. 📝 **Zusammenfassung** – Eine kurze berufliche Zusammenfassung oder Zielsetzung\n9. 💼 **Berufserfahrung** – Angaben zur Berufserfahrung (im Stichwortformat)\n10. 🎓 **Ausbildung** – Angaben zur Ausbildung (im Stichwortformat)\n11. 🛠 **Fähigkeiten** – Im Lebenslauf genannte Fähigkeiten (durch Kommas getrennt)\n12. 🚀 **Projekte** – Titel, Beschreibungen und Details zu Projekten.", + "template_notes.portfolio_website_code_generator.2": "### 💡 Klicken Sie auf „Tabelle öffnen“, um das Schema anzuzeigen", + "template_notes.portfolio_website_code_generator.3": "### 💡 Geben Sie hier Ihren Anthropic-API-Schlüssel ein", + "template_notes.portfolio_website_code_generator.4": "### Konfigurieren Sie Ihren Modell-Provider", + "template_notes.price_deal_finder.0": "### Konfigurieren Sie Ihren Modell-Provider", + "template_notes.price_deal_finder.1": "### 🟒 Add your AgentQL API key here", + "template_notes.price_deal_finder.2": "# 📖 README\nDieser Flow sucht und vergleicht die Preise eines Produkts im Internet.\n## Voraussetzungen\n\n* **[API-Schlüssel für die AgentQL ]( https://dev.agentql.com/api-keys )**\n* **[API-Schlüssel für die OpenAI ]( https://platform.openai.com/ )**\n* **[API-Schlüssel für die TavilyAI -Suche]( https://tavily.com/ )**\n\n## Schnellstart\n\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n2. Fügen Sie Ihren [ AgentQL -API-Schlüssel]( https://dev.agentql.com/api-keys ) in die Komponente „ **AgentQL** “ ein.\n3. Fügen Sie Ihren [ TavilyAI -Such-API-Schlüssel]( https://tavily.com/ ) zur Komponente **Tavily AI Search** hinzu.\n4. Klicke auf **Playground** und gib ein Produkt im Chat ein. Beispiel: Suche nach „ \"iPhone s 16 Pro 512 GB“)\n* Die Komponente **Agent** füllt das Feld **Search Query** der Komponente **Tavily AI Search** sowie die Felder ** URL ** und **Query** der Komponente **Agent QL** aus.\n\n* Der **Agent** gibt im Chat eine strukturierte Antwort auf Ihre Suche zurück.", + "template_notes.price_deal_finder.3": "### 😎 Fügen Sie hier Ihren Tavily-AI-Search-Schlüssel ein", + "template_notes.research_agent.0": "# 📖 README\n\nWillkommen beim Research Agent! Dieser Ablauf hilft Ihnen dabei, mithilfe von KI-gestützten Tools und Analysen eingehende Recherchen zu verschiedenen Themen durchzuführen.\n\n## Schnellstart\n- Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n- Fügen Sie Ihren **Tavily-API-Schlüssel** zur Tavily-AI-Suchkomponente hinzu.\n\n## So nutzen Sie den Ablauf\n- Geben Sie Ihre Forschungsfrage oder Ihr Thema in den Chat-Input-Knoten ein.\n- Formulieren Sie konkret und klar, was Sie untersuchen möchten.", + "template_notes.research_translation_loop.0": "# 📖 README\nDiese Vorlage übersetzt Zusammenfassungen von Forschungsarbeiten auf ArXiv ins Portugiesische und fasst sie zusammen. \n Mithilfe des **Schleifenmechanismus von Langflow** durchläuft die Vorlage mehrere Forschungsartikel, übersetzt diese mit der Modellkomponente „ **OpenAI** “ und gibt eine zusammengefasste Version aller übersetzten Artikel aus.\n\n## Schnellstart\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten. \n2. Geben Sie im **Playground** eine Suchanfrage zu einem Forschungsthema ein (zum Beispiel „Fortschritte im Bereich Quantencomputing“). \n\n Der Ablauf ruft eine Liste von Forschungsarbeiten von ArXiv ab, die der Suchanfrage entsprechen. Jeder Artikel in der angezeigten Liste wird nacheinander mithilfe der Langflow-**Loop-Komponente** verarbeitet. \n\n Die Zusammenfassung jedes Beitrags wird von der Modellkomponente „ **OpenAI** “ ins Portugiesische übersetzt. \n\n Sobald alle Dokumente übersetzt sind, fasst das System sie zu einer **einzigen strukturierten Ausgabe** zusammen.", + "template_notes.saas_pricing.0": "# 📖 README\nWillkommen beim Preisrechner für „ SaaS “! Dieser Leitfaden hilft Ihnen dabei, den optimalen monatlichen Abonnementpreis für Ihren Software-Service zu ermitteln.\n\n## Anleitung\n\n1. Bereiten Sie Ihre Daten vor\n- Sammeln Sie Informationen zu den monatlichen Infrastrukturkosten\n- Berechnen Sie die Kosten für den Kundensupport\n- Schätzen Sie die laufenden Entwicklungskosten\n- Legen Sie Ihre gewünschte Gewinnspanne fest\n- Ermitteln Sie die geschätzte Anzahl der Abonnenten\n\n2. Eingabewerte\n- Geben Sie die erfassten Daten in die entsprechenden Felder im „Prompt“-Knoten ein\n- Überprüfen Sie die Richtigkeit Ihrer Eingaben noch einmal\n\n3. Den Ablauf ausführen\n- Klicken Sie auf die Schaltfläche „Ausführen“, um den Berechnungsprozess zu starten\n- Der Ablauf nutzt „Chain-of-Thought“-Eingabeaufforderungen, um die KI durch die einzelnen Schritte zu führen\n\n4. Ergebnisse überprüfen\n- Sehen Sie sich die Ausgabe im Knoten „Chat Output“ an\n- Das Ergebnis enthält eine Aufschlüsselung der Kosten und den endgültigen Abonnementpreis\n\n5. Anpassen und verfeinern\n- Passen Sie Ihre Eingaben bei Bedarf an, um verschiedene Preisszenarien zu prüfen\n- Führen Sie den Ablauf erneut durch, um zu sehen, wie sich die Änderungen auf den Endpreis auswirken\n\nDenken Sie daran: Aktualisieren Sie Ihre Kosten- und Abonnentenschätzungen regelmäßig, damit Ihr Preismodell präzise und wettbewerbsfähig bleibt! 💼📊", + "template_notes.search_agent.0": "# � README\nDiese Vorlage verbindet den Endpunkt **Search Point** von [ ScrapeGraphAI ]( https://scrapegraphai.com ) mit einer **Agent**-Komponente.\n\n## Voraussetzungen\n\n* [API-Schlüssel für OpenAI ]( https://platform.openai.com/docs/overview )\n* [API-Schlüssel für ScrapeGraphAI ]( https://dashboard.scrapegraphai.com )\n\n## Schnellstart\n\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n\n2. Fügen Sie Ihren ** **ScrapeGraphAI -API-Schlüssel** zur Komponente „ **ScrapeGraphSearchApi** “ hinzu.\n\n3. Öffne den **Playground** und stelle deinem Agenten eine Frage. Der Agent nutzt „ ScrapeGraph “ als Hilfsmittel, um Ihre Fragen zu beantworten.", + "template_notes.search_agent.1": "### Konfigurieren Sie Ihren Modell-Provider", + "template_notes.search_agent.2": "### Fügen Sie hier Ihren API-Schlüssel für „ ScrapeGraphAI “ ein 👇", + "template_notes.seo_keyword_generator.0": "# 📖 README\nDiese Vorlage erstellt strategische Schlüsselwörter auf der Grundlage Ihres Produkt- und Zielgruppenprofils.\n\n### Voraussetzungen\n\n* [API-Schlüssel für OpenAI ]( https://platform.openai.com/ )\n\n## Schnellstart\n\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n\n2. Füllen Sie in der Komponente **Eingabeaufforderung** die folgenden Felder aus. Alternativ können Sie den Ablauf einfach mit den enthaltenen Beispielwerten ausführen.\n\n* Produktinformationen\n* Schwachstellen\n* Ziele\n* Zielgruppe\n* Kenntnisstand\n* Ergebnis der Überprüfung\n\n3. Öffnen Sie den **Playground** und klicken Sie dann auf **Flow ausführen**. Das LLM generiert anhand Ihrer Eingaben Schlüsselwörter.", + "template_notes.seo_keyword_generator.1": "### Konfigurieren Sie Ihren Modell-Provider", + "template_notes.sequential_tasks_agents.0": "# 📖 README\nDieser Ablauf zeigt, wie man mehrere KI-Agenten miteinander verknüpft, um umfassende Recherchen und Analysen durchzuführen. Jeder Agent ist auf verschiedene Aspekte des Forschungsprozesses spezialisiert und baut auf der Arbeit des vorherigen Agenten auf.\n\n## Schnellstart\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n2. Fügen Sie Ihren **Tavily-API-Schlüssel** zur Komponente **Tavily AI Search** hinzu.\n3. Öffnen Sie den **Playground** und geben Sie eine Abfrage ein, um den Ablauf auszuführen. Formulieren Sie konkret und klar und nennen Sie die wichtigsten Aspekte, die die Makler aus finanzieller Sicht analysieren sollen.\nDa dieser Ablauf einen Finanzanalyse-Agenten umfasst, sollten sinnvolle Abfragen einen finanziellen Aspekt beinhalten, wie zum Beispiel: „Sollte ich in Tesla (TSLA) investieren?“ „Fokus auf die Auswirkungen der KI-Entwicklung“. Im Gegensatz dazu ist die Frage an den Agenten „Erzähl mir etwas über Tesla“ nicht so hilfreich, da sie weder den Finanzrecherche-Agenten auslöst noch den anderen Agenten konkrete Anhaltspunkte für ihre Recherche liefert.\n\n## Nächste Schritte\nDiese Vorlage dient als Beispiel für die Finanzanalyse. Versuchen Sie, das Konzept auf andere forschungsintensive Aufgaben anzuwenden, die verschiedene Perspektiven und Datenquellen erfordern.", + "template_notes.simple_agent.0": "# 📖 README\nStarten Sie einen Agenten mit den verfügbaren Tools „ URL “ und „Calculator“. \nDer Agent entscheidet, welches Werkzeug zur Lösung eines Problems eingesetzt wird.\n## Schnellstart\n\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n2. Öffne den Spielplatz und unterhalte dich mit dem Agenten. Frage nach Informationen zu einem Rezept und bitte dann darum, zwei Zahlen zu addieren. In den Antworten wird der Agent verschiedene Werkzeuge einsetzen, um unterschiedliche Probleme zu lösen.\n\n## Nächste Schritte\nVerbinden Sie weitere Tools mit dem Agent, um Ihren perfekten Assistenten zu erstellen.\n\nWeitere Informationen finden Sie in der [Langflow-Dokumentation]( https://docs.langflow.org/agents-tool-calling-agent-component ).", + "template_notes.simple_agent.1": "### Konfigurieren Sie Ihren Modell-Provider", + "template_notes.social_media_agent.0": "### 💡 Geben Sie hier Ihren Apify-API-Schlüssel ein ", + "template_notes.social_media_agent.1": "### 💡 Geben Sie hier Ihren Apify-API-Schlüssel ein ", + "template_notes.social_media_agent.2": "# 📖 README\nExtrahieren Sie Daten mit **Apify Actors** und analysieren Sie diese mit einem **Agent**.\n\n## Voraussetzungen\n\n* Ein [Apify-API-Token]( https://docs.apify.com/platform/integrations/api#api-token )\n* Ein [ OpenAI -API-Schlüssel]( https://platform.openai.com/ )\n\n## Schnellstart\n\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n2. Geben Sie Ihren **Apify**-API-Token in die Felder **Apify Token** der **Apify Actors**-Komponenten ein.\n3. Öffne den **Playground** und unterhalte dich mit dem Agenten. Beauftragen Sie es beispielsweise damit, die Profilbeschreibung und das neueste Video abzurufen, indem Sie folgende Eingabe verwenden:\n```\nFinde das „ TikTok “-Profil des Unternehmens OpenAI mithilfe der Suche auf Google und zeige mir dann die Profilbeschreibung und das neueste Video an.\n```", + "template_notes.social_media_agent.3": "### Konfigurieren Sie Ihren Modell-Provider", + "template_notes.text_sentiment_analysis.0": "# 📖 README\nDieser Ablauf verarbeitet Textdaten, analysiert die Stimmung und liefert strukturierte Erkenntnisse.\n\n## Voraussetzung\n\n* [API-Schlüssel für OpenAI ]( https://platform.openai.com/docs/ )\n\n## Schnellstart\n\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n2. Laden Sie in der **Dateikomponente** Textdaten im Format `.txt`, `.csv` oder `.json`.\n3. Öffnen Sie den **Playground**, um die Analyse und die Empfehlungen des Ablaufs zu sehen.\n\n## So funktioniert es\n\n1. Die Komponente **Data to Message** wandelt Rohdaten in strukturierte Nachrichten um. \n\n2. Die Eingabeaufforderung **NLP-Experte** bietet eine Stimmungsanalyse, während die Eingabeaufforderung **Nachrichten analysieren** Beiträge aus einem Diskussionsforum zusammenfasst.\n\n3. Die abschließende **Prompt-Komponente** erstellt eine strukturierte Empfehlungsaufforderung, um sicherzustellen, dass das KI-Modell eine korrekt formatierte Eingabe erhält. \n\n4. Die Komponente „ **OpenAI “ verarbeitet den Text und stuft die Stimmung als **positiv, neutral oder negativ** ein. \n\n", + "template_notes.text_sentiment_analysis.1": "### Konfigurieren Sie Ihren Modell-Provider", + "template_notes.text_sentiment_analysis.2": "### Konfigurieren Sie Ihren Modell-Provider", + "template_notes.text_sentiment_analysis.3": "### Konfigurieren Sie Ihren Modell-Provider", + "template_notes.travel_planning_agents.0": "# 📖 README\n\nDas Reiseplanungssystem ist eine intelligente Lösung, die mehrere spezialisierte Agent-Komponenten nutzt, um bei der Planung unvergesslicher Reisen zu helfen. Stellen Sie sich jeden Mitarbeiter als Reiseexperten vor, der sich auf einen bestimmten Abschnitt Ihrer Reise spezialisiert hat. So funktioniert es:\nFür jeden Mitarbeiter ist in den **Mitarbeiteranweisungen** eine Rolle definiert, und es sind die entsprechenden **Tools** beigefügt. Der Nutzer gibt über die **Chat-Eingabe** eine Anfrage ein, und die drei Agenten erstellen auf Grundlage dieser Anfrage einen vollständigen Reiseplan.\n\n## Schnellstart\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n2. Fügen Sie Ihren **Search API**-Schlüssel zur Search API-Komponente hinzu.\n2. Führen Sie den Flow im **Playground** aus.", + "template_notes.twitter_thread_generator.0": "# 📖 README\nWillkommen beim Twitter-Thread-Generator! Dieser Ablauf hilft dir dabei, fesselnde Twitter-Threads zu erstellen, indem er deine strukturierten Eingaben in ansprechende Inhalte umwandelt.\n\n## Anleitung\n\n1. Bereiten Sie Ihre Eingaben vor\n- Tragen Sie im Feld „Kontext“ Ihre Kernbotschaft oder Geschichte ein\n- Legen Sie „Inhaltsrichtlinien“ für die Struktur und den Stil des Threads fest\n- Geben Sie den „Profiltyp“ und die „Profildetails“ an, um Ihre Markenidentität widerzuspiegeln\n- Legen Sie „Ton und Stil“ fest, um den Kommunikationsansatz vorzugeben\n- Wählen Sie das „Ausgabeformat“ (Thread) und die gewünschte Sprache\n\n2. Konfigurieren Sie die Eingabeaufforderung\n- Der Ablauf verwendet eine spezielle Vorlage für die Eingabeaufforderung, um Inhalte zu generieren\n- Stellen Sie sicher, dass alle Eingabefelder mit dem Knoten „Eingabeaufforderung“ verbunden sind\n\n3. Generierung ausführen\n- Führen Sie den Ablauf aus, um Ihre Eingaben zu verarbeiten\n- Das Modell „ OpenAI “ erstellt den Thread gemäß Ihren Vorgaben\n\n4. Überprüfen und optimieren\n- Überprüfen Sie die Ausgabe im Knoten „Chat Output“\n- Passen Sie bei Bedarf Ihre Eingaben an und führen Sie den Vorgang erneut aus, um bessere Ergebnisse zu erzielen\n\n5. Fertigstellen und veröffentlichen\n- Wenn du zufrieden bist, kopiere den generierten Thread\n- Veröffentliche ihn auf Twitter und behalte dabei die Struktur und den Ablauf bei\n\nDenk daran: Gib einen konkreten Kontext und klare Vorgaben an, um die besten Ergebnisse zu erzielen! 🚀\n", + "template_notes.vector_store_rag.0": "## 🟐 2. Retriever-Ablauf\n\nDieser Ablauf beantwortet Ihre Fragen anhand von Kontextdaten, die aus Ihrer Vektordatenbank abgerufen werden.\n\nÖffne den **Playground** und frage:\n\n```\nWorum geht es in diesem Dokument?\n```\n", + "template_notes.vector_store_rag.1": "# 📖 README\nRetrieval Augmented Generation (RAG) ist eine Methode, um einem großen Sprachmodell (LLM) zusätzlichen Kontext zur Verfügung zu stellen, indem eine Vektordatenbank mit Einbettungen für relevante Inhalte vorab geladen wird. Wenn ein Nutzer mit dem LLM chattet, werden durch eine _Ähnlichkeitssuche_ relevante Inhalte ermittelt, indem eine Einbettung der Nutzeranfrage mit den Einbettungen in der Vektordatenbank verglichen wird.\nEin RAG-Chatbot könnte beispielsweise mit Produktdaten vorbelegt werden und dann Kunden dabei helfen, anhand ihrer Suchanfragen bestimmte Produkte zu finden.\nDiese Vorlage umfasst zwei Teilabläufe. Ein Ablauf lädt Daten in Ihren Vektorspeicher, während der andere ein benutzergesteuerter Chat-Ablauf ist, der eine neue Anfrage mit den vorhandenen Inhalten in Ihrer Vektordatenbank abgleicht.\n\n## Schnellstart\n1. Konfigurieren Sie Ihren **Modellanbieter** mit Ihren API-Anmeldedaten.\n2. Fügen Sie den Komponenten des **Astra DB**-Vektorspeichers ein Astra-Anwendungstoken hinzu oder ersetzen Sie diese Komponenten durch andere Vektorspeicherkomponenten, die im Menü **Komponenten** verfügbar sind.\n\n## Führen Sie die Abläufe aus\n1. Laden Sie Ihre Daten mit dem 📚 **Daten laden**-Ablauf in eine Vektordatenbank. Wählen Sie in der Komponente **Datei** eine Datei zum Hochladen aus und klicken Sie anschließend in der Komponente **Astra DB** auf **Abspielen** ▶️, um den Ablauf **Daten laden** auszuführen.\n2. Öffne den **Playground**, um einen Chat mit dem 🐕 **Retriever**-Flow zu starten.\n\nFühren Sie den Ablauf **Daten laden** nur dann aus, wenn Sie Ihre Vektordatenbank mit Basisdaten, wie beispielsweise Produktdaten, füllen müssen.\nDer **Retriever**-Ablauf ist der für den Benutzer sichtbare Chat-Ablauf. Dieser Ablauf generiert eine Einbettung aus der Chat-Eingabe, führt eine Ähnlichkeitssuche in der Vektordatenbank durch, um relevante Inhalte abzurufen, und leitet anschließend die ursprüngliche Anfrage und die abgerufenen Inhalte an das LLM weiter, das die Chat-Antwort erstellt, die an den Nutzer gesendet wird.\n\n## Nächste Schritte\nProbieren Sie aus, wie sich die Antworten des LLM ändern, wenn Sie die Eingabeaufforderung und die geladenen Daten ändern.", + "template_notes.vector_store_rag.2": "## 📚 1. Datenfluss laden\n\nFühren Sie dies zuerst aus! Daten aus einer lokalen Datei laden und in die Vektordatenbank einbinden.\n\nWählen Sie eine Datenbank und eine Sammlung aus oder erstellen Sie neue. \n\nKlicken Sie bei der Komponente **Astra DB** auf **Komponente ausführen**, um Ihre Daten zu laden.\n\n\n### Nächste Schritte:\nProbieren Sie aus, wie sich die Antworten des Abrufablaufs ändern, wenn Sie die Eingabeaufforderung und die Kontextdaten ändern.", + "template_notes.vector_store_rag.3": "### 💡 Füge hier deinen API-Schlüssel für „ OpenAI “ ein 👇", + "template_notes.youtube_analysis.0": "# 📖 README\nDieser Flow führt eine umfassende Analyse von Videos auf YouTube durch.\n1. Videokommentare und Transkripte extrahieren.\n2. Führe mithilfe von LLM eine Stimmungsanalyse der Kommentare durch.\n3. Kombinieren Sie Transkriptinhalte und die Stimmung in den Kommentaren für eine umfassende Videoanalyse.\n## Schnellstart\n- Konfigurieren Sie Ihren **Model Provider** mit Ihren API-Anmeldedaten.\n- Fügen Sie Ihren ** **YouTube -Daten-API- v3 -Schlüssel** hinzu.\n- Falls Sie noch keinen YoutTube -API-Schlüssel haben, erstellen Sie einen in der [ Google Cloud -Konsole]( https://console.cloud.google.com ).\n- Stellen Sie sicher, dass die Chat-Eingabe eine gültige YouTube -Video- URL ist. In der Chat-Eingabekomponente ist ein Beispiel für „ URL “ enthalten.\n" } \ No newline at end of file diff --git a/src/backend/base/langflow/locales/en.json b/src/backend/base/langflow/locales/en.json index 43269d7318..0fa6bab258 100644 --- a/src/backend/base/langflow/locales/en.json +++ b/src/backend/base/langflow/locales/en.json @@ -4792,5 +4792,69 @@ "starter_flows.vector_store_rag.description": "Load your data for chat context with Retrieval Augmented Generation.", "starter_flows.vector_store_rag.name": "Vector Store RAG", "starter_flows.youtube_analysis.description": "The YouTube Analysis flow extracts video comments and transcripts, analyzing sentiment patterns and content themes.", - "starter_flows.youtube_analysis.name": "YouTube Analysis" + "starter_flows.youtube_analysis.name": "YouTube Analysis", + "template_notes.basic_prompt_chaining.0": "# 📖 README\nThis flow demonstrates chaining three prompts and three language models.\nEach prompt is specifically designed to process previous output, with each LLM call building upon previous results\n\n\n## Prerequisites\n\n* [OpenAI API Key](https://platform.openai.com/)\n\n## Quick start\n\n1. Configure your **Model Provider** with your API credentials.\n2. To run the flow, open the **Playground**. An example input is provided, with other suggestions listed below.\n\n \"The increasing need for secure and user-friendly decentralized finance (DeFi) platforms that make cryptocurrency investments accessible to non-tech-savvy users.\"\n\n \"The rising popularity of immersive, augmented reality (AR) experiences for remote collaboration and virtual team-building in distributed workforces.\"\n\n \"The expanding market for smart, IoT-enabled urban farming solutions that allow city dwellers to grow their own food efficiently in small spaces.\"\n\n \"The emerging demand for AI-powered personal styling and shopping assistants that consider sustainability, body positivity, and individual style preferences.\"\n\n", + "template_notes.basic_prompting.0": "# 📖 README\nThis template demonstrates a standard chat flow with additional instructions provided by a prompt. Prompts provide instructions and inputs for a Large Language Model (LLM) beyond the standard user-provided chat input. In this example, the prompt describes the LLM's role and persona.\n\n## Quick start\n1. Configure your **Model Provider** with your API credentials.\n2. Open the **Playground** to start the chat and run the flow.\n\n## Next steps\nChange the prompt template, model, or model settings, such as **Temperature**, and then see how the responses change with these different inputs.\n💡 Some component settings are hidden by default; to view all settings click **Controls** in each component's header menu.\n💡 You can use curly braces to create variables in your template, such as `{variable}`. These can be populated from other components, with Langflow global variables, or at runtime.", + "template_notes.basic_prompting.1": "### Configure your Model Provider", + "template_notes.blog_writer.0": "# 📖 README\nCreate a blog post by using content fetched from URLs and user-provided instructions.\n\n## Prerequisites\n\n* An [OpenAI API key](https://platform.openai.com/)\n\n## Quick start\n\n1. Configure your **Model Provider** with your API credentials.\n2. In the **URL** component, enter URLs you want to fetch content from. Ensure they start with `http://` or `https://`.\n3. Open the **Playground**. A blog post is written from the content fetched by the **URL** component.", + "template_notes.custom_component_generator.0": "# 📖 README\nHi! I'm here to help you create custom components for Langflow. Think of me as your technical partner who can help turn your ideas into working components! \n\n## Quick start\n\n1. Configure your **Model Provider** with your API credentials.\n\n2. 💭 Tell Me What You Want to Build.\nSimply describe what you want your component to do in plain English. For example:\n- \"I need a component that sends Slack messages\"\n- \"I want to create a tool that can process CSV files\"\n- \"I need something that can translate text\"\n\n\nReady to build something awesome? 🚀 Let's get started!", + "template_notes.document_q_a.0": "# 📖 README\nThis flow loads a file and uses an LLM to answer questions based on content from the loaded document. \n\n## Prerequisites\n\n* An [OpenAI API key](https://platform.openai.com/)\n\n## Quick start\n\n1. Configure your **Model Provider** with your API credentials.\n2. In the **File** component, select a file you want to load.\n3. Open the **Playground** and chat with your document.", + "template_notes.financial_report_parser.0": "### Configure your Model Provider", + "template_notes.financial_report_parser.1": "# 📖 README\nThis template extracts key financial metrics from a given financial report text. The extracted data is structured and formatted for chat consumption.\n\n## Quick start\n\n1. Configure your **Model Provider** with your API credentials.\n2. Open the **Playground** to start the chat and run the flow.\nFor this example, the **Chat Input** component is pre-loaded with a sample financial report. The **Language Model** component identifies and retrieves the gross profit, EBITDA, net income, and operating expenses information from the financial report. Then, the **Structured Output** component formats extracted data into a structured format for better readability and further processing. Finally, the **Parser** component converts extracted data into a messages to be returned to the user.", + "template_notes.hybrid_search_rag.0": "# 📖 README\nHybrid search performs a vector similarity search and a lexical search, compares the results of both searches, and then returns the most relevant results overall.\n\n## Prerequisites\n\n* An [OpenAI API key](https://platform.openai.com/)\n* An [Astra DB Application Token](https://docs.datastax.com/en/astra-db-serverless/databases/create-database.html) for the Astra DB component.\n\n## Quick start\n\n1. Configure your **Model Provider** with your API credentials.\n2. In the Astra DB component, add your Astra DB Application Token.\nThis connects Langflow to your Astra database.\n3. Select an Astra collection that is hybrid-enabled.\nFor more information, see the [Datastax documentation](https://docs.datastax.com/en/astra-db-serverless/databases/hybrid-search.html).\nThe connection appears between the Parser component and the Astra DB component when a vector database is connected.\n4. Ensure the **Lexical Terms** and **Parsed Text** ports are connected.\n5. Open the Playground and ask a question, like \"What are the features of my data?\"", + "template_notes.image_sentiment_analysis.0": "# 📖 README\nClassify images uploaded to the Playground by sentiment.\n\n## Prerequisites\n\n* [OpenAI API Key](https://platform.openai.com/)\n\n## Quick start\n\n1. Configure your **Model Provider** with your API credentials.\n\n2. Open the **Playground**, and then submit an image to the chat. \n\nThe LLM analyzes the image. The sentiment is output into a structured table according to the **Structured Output** component's Output Schema, and then parsed into a message for the Playground to display.", + "template_notes.instagram_copywriter.0": "# 📖 README\n\nWelcome to the Instagram Copywriter! This flow helps you create compelling Instagram posts with AI-generated content and image prompts.\n\n## Quick start\n- Configure your **Model Provider** with your API credentials.\n- Add your **Tavily API Key** to the **Tavily AI Search** component.\n\n## Using the Flow\n**Enter Your Topic**\n - In the Chat Input, enter a brief description of the topic you want to post about.\n - Example: \"Create a post about meditation and its benefits\"", + "template_notes.invoice_summarizer.0": "# 📖 README\nLeverage the **Needle Search API** and an **Agent** to gather and summarize your invoice data quickly and accurately.\n\n## Prerequisites\n\n* A **Collection** and an **API Key** from your [Needle.ai](https://needle-ai.com) deployment\n* An [OpenAI API key](https://platform.openai.com/)\n\n## Quick start\n\n1. Configure your **Model Provider** with your API credentials.\n\n2. Load your invoices into your Needle Collection. \n\n3. In the **Needle Search** tool, add your **Needle Collection ID** and **Needle API Key**.\n\n4. Open the **Playground** and query your invoices. The **Agent** component determines the correct query and search size for data retrieval.\n", + "template_notes.invoice_summarizer.1": "### Configure your Model Provider", + "template_notes.invoice_summarizer.2": "### Add your Needle Search API key here 👇", + "template_notes.knowledge_base.0": "# 📖 README\nA stand-alone component handles the retrieval of ingested knowledge from existing knowledge bases. To retrieve knowledge:\n\n1. Select your knowledge base from the Knowledge Base dropdown. If you do not see it, choose \"Refresh List\".\n2. (Optional) Enter a Search Query to be performed against the knowledge base.\n\nNote that by default, 5 results are returned, which can be configured by clicking Controls at the top of the component.\n", + "template_notes.market_research.0": "# 📖 README\nThis flow helps you gather comprehensive information about companies for sales and business intelligence purposes.\n\n## Prerequisites\n\n- **[Tavily API Key](https://docs.tavily.com/welcome)**\n- **[OpenAI API Key](https://platform.openai.com/)**\n\n## Quick start\n\n1. Configure your **Model Provider** with your API credentials.\n2. Add your **Tavily API key** to the **Tavily Search** component.\n3. In the **Chat Input**, enter a company name you want to research.\n4. Open the **Playground** and research the company. The **Structured Output** component transforms the raw LLM response into structured data, and the **Parser** component presents the data as text for the **Chat output** component to present.", + "template_notes.meeting_summary.0": "### Add your Assembly AI API key and audio file here", + "template_notes.meeting_summary.1": "### Add your Assembly AI API key here", + "template_notes.meeting_summary.2": "### Configure your Model Provider", + "template_notes.meeting_summary.3": "### Configure your Model Provider", + "template_notes.meeting_summary.4": "# 📖 README\nThis flow automatically transcribes and summarizes meetings by converting audio recordings into concise summaries using **AssemblyAI** and **OpenAI GPT-4**. \n\n## Prerequisites\n\n- **[AssemblyAI API Key](https://www.assemblyai.com/)**\n- **[OpenAI API Key](https://platform.openai.com/)**\n\n## Quick start\n\n1. Upload an audio file. Most common audio file formats are [supported](https://github.com/langflow-ai/langflow/blob/main/src/backend/base/langflow/components/assemblyai/assemblyai_start_transcript.py#L27).\n2. To run the summary generator flow, click **Playground**.\n\nThe flow transcribes the audio using **AssemblyAI**.\nThe transcript is formatted for AI processing.\nThe **GPT-4** model extracts key points and insights.\nThe summarized meeting details are displayed in a chat-friendly format.\n\n\n\n", + "template_notes.memory_chatbot.0": "# 📖 README\nThis flow extends the **Basic Prompting** template by adding a **Message History** component that can retrieve up to 100 previous chat messages as context for the current conversation.\n\n## Quick start\n1. Configure your **Model Provider** with your API credentials.\n2. Open the **Playground**, and then tell the LLM your name.\n3. Start a new chat session in the Playground, and then ask, `what is my name`. The LLM is able to retrieve your name from the stored chat history.\n\n## About the Message History component\nThe **Language Model** and **Agent** components have built-in chat memory that is enabled by default and functionally the same as the **Message History** component.\nOnly use the **Message History** component when you want to store or retrieve chat memory from an external chat memory database, or when you need to retrieve chat memory outside of the current session context, such as in a non-chat flow or by supplying memories from other chats to a different session. For more information, see [Store chat memory](https://docs.langflow.org/memory#store-chat-memory).", + "template_notes.news_aggregator.0": "### Configure your Model Provider", + "template_notes.news_aggregator.1": "### Add your AgentQL API key here", + "template_notes.news_aggregator.2": "# 📖 README\nThis flow extracts structured data from a URL and saves it into a JSON file.\n\n## Prerequisites\n\n* **[AgentQL API Key](https://dev.agentql.com/api-keys)**\n* **[OpenAI API Key](https://platform.openai.com/)**\n\n## Quick start\n\n1. Configure your **Model Provider** with your API credentials.\n2. Add your [AgentQL API Key](https://dev.agentql.com/api-keys) to the **AgentQL** component.\n3. Click **Playground** and enter a question.\n\nThe **Agent** component populates the **AgentQL** component's **URL** and **Query** fields, and returns a structured response to your question. Then the extracted data is saved into a JSON file `news-aggregated.json`, which can be found in your current project directory.", + "template_notes.nvidia_rtx_remix.0": "# 📖 README\nThis Langflow project provides an integration for the NVIDIA RTX Remix Toolkit through its REST API.\n\n## Prerequisites\n\nBefore using this project, ensure you have completed the following steps:\n\n1. **Install RTX Remix Toolkit**\n You must have the RTX Remix Toolkit installed on your system. Follow the installation guide here:\n [Installing the RTX Remix Toolkit](https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/installation/install-toolkit.html)\n\n2. **Run RTX Remix Toolkit**\n Make sure the RTX Remix Toolkit application is running before using this Langflow project.\n\n3. **Create/Open a Project**\n You must have an RTX Remix project opened within the Toolkit. Learn how to set up a project here:\n [Setting Up a Project with the RTX Remix Toolkit](https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/gettingstarted/learning-toolkitsetup.html)\n\n### Quick Start Tutorial\n\nTo quickly get started with RTX Remix, follow the [Building Your First Mod for the RTX Remix Sample](https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/tutorials/tutorial-remixtool.html) tutorial.\n\nIt goes through the process of installing the various required parts, setting them up and getting a project up and running.\n\n## Getting Started\n\nOnce all prerequisites are met, the Langflow project should work without additional configuration.\n\n### Testing the Connection\n\nTo verify everything is working correctly:\n\n1. Open the Langflow project\n2. Locate the **RTX Remix MCP Connection** node\n3. Click the **refresh button** on the node\n4. Verify that the various REST API tools appear\n\nIf the REST API tools appear after refreshing, your connection to RTX Remix Toolkit is working properly and you can begin using the available tools.\n\n## Additional Resources\n\n- [RTX Remix Documentation](https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/)\n- [RTX Remix MCP Documentation](https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/howto/learning-mcp.html)\n- [RTX Remix REST API Documentation](https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/howto/learning-restapi.html)", + "template_notes.pok_dex_agent.0": "## Open the playground and ask anything about a Pokémon! ⚡ 🐹", + "template_notes.pok_dex_agent.1": "# 📖 README\nCollect research on Pokémon with a specialized **Agent** and the Pokédex API.\n\n## Prerequisites\n\n* An [OpenAI API key](https://platform.openai.com/)\n\n## Quick start\n\n1. Configure your **Model Provider** with your API credentials.\n2. Click **Playground** and ask about your favorite Pokémon.\nThe **Agent** queries the Pokedex API and returns a formatted entry.", + "template_notes.pok_dex_agent.2": "### Configure your Model Provider", + "template_notes.portfolio_website_code_generator.0": "### 💡 Upload your resume here", + "template_notes.portfolio_website_code_generator.1": "# 📖 README\nYour uploaded resume is parsed into a structured format, and output as HTML/CSS code for your own resume website!\n\n✅ **Accepted Formats:** PDF or TXT \n✅ To ensure readability, provide clear headings, bullet points, and proper formatting. \n### 📌 Structured output fields:\n1. 🏷 **Full Name** - Candidate's full name \n2. 📧 **Email** - A valid email address \n3. 📞 **Phone Number** - Contact number \n4. 🔗 **LinkedIn** - LinkedIn profile URL \n5. 🖥 **GitHub** - GitHub profile URL (if applicable) \n6. 🌐 **Portfolio** - Personal website or portfolio URL \n7. 🛂 **Visa Status** - Work authorization details (if applicable) \n8. 📝 **Summary** - A brief professional summary or objective statement \n9. 💼 **Experience** - Work experience details (in dictionary format) \n10. 🎓 **Education** - Education details (in dictionary format) \n11. 🛠 **Skills** - Skills mentioned in the resume (comma-separated) \n12. 🚀 **Projects** - Titles, descriptions, and details of projects.", + "template_notes.portfolio_website_code_generator.2": "### 💡 Click Open table to view the schema", + "template_notes.portfolio_website_code_generator.3": "### 💡 Add your Anthropic API key here", + "template_notes.portfolio_website_code_generator.4": "### Configure your Model Provider", + "template_notes.price_deal_finder.0": "### Configure your Model Provider", + "template_notes.price_deal_finder.1": "### 💡 Add your AgentQL API key here", + "template_notes.price_deal_finder.2": "# 📖 README\nThis flow searches and compares prices of a product on the web.\n## Prerequisites\n\n* **[AgentQL API Key](https://dev.agentql.com/api-keys)**\n* **[OpenAI API Key](https://platform.openai.com/)**\n* **[TavilyAI Search API Key](https://tavily.com/)**\n\n## Quick start\n\n1. Configure your **Model Provider** with your API credentials.\n2. Add your [AgentQL API Key](https://dev.agentql.com/api-keys) to the **AgentQL** component.\n3. Add your [TavilyAI Search API Key](https://tavily.com/) to the **Tavily AI Search** component.\n4. Click **Playground** and enter a product in chat. For example, search \"iPhone 16 Pro 512 GB\")\n* The **Agent** component populates the **Tavily AI Search** component's **Search Query** field, and the **Agent QL** component's **URL** and **Query** fields. \n\n* The **Agent** returns a structured response to your searcn in the chat.", + "template_notes.price_deal_finder.3": "### 💡 Add your Tavily AI Search key here", + "template_notes.research_agent.0": "# 📖 README\n\nWelcome to the Research Agent! This flow helps you conduct in-depth research on various topics using AI-powered tools and analysis.\n\n## Quick start\n- Configure your **Model Provider** with your API credentials.\n- Add your **Tavily API Key** to the Tavily AI Search component.\n \n## Using the Flow\n - Type your research question or topic into the Chat Input node.\n - Be specific and clear about what you want to investigate.", + "template_notes.research_translation_loop.0": "# 📖 README\nThis template translates research paper summaries on ArXiv into Portuguese and summarizes them. \n Using **Langflow’s looping mechanism**, the template iterates through multiple research papers, translates them with the **OpenAI** model component, and outputs an aggregated version of all translated papers. \n\n## Quick start\n1. Configure your **Model Provider** with your API credentials. \n2. In the **Playground**, enter a query related to a research topic (for example, “Quantum Computing Advancements”). \n\n The flow fetches a list of research papers from ArXiv matching the query. Each paper in the retrieved list is processed one-by-one using the Langflow **Loop component**. \n\n The abstract of each paper is translated into Portuguese by the **OpenAI** model component. \n\n Once all papers are translated, the system aggregates them into a **single structured output**.", + "template_notes.saas_pricing.0": "# 📖 README\nWelcome to the SaaS Pricing Calculator! This flow helps you determine the optimal monthly subscription price for your software service.\n\n## Instructions\n\n1. Prepare Your Data\n - Gather information on monthly infrastructure costs\n - Calculate customer support expenses\n - Estimate continuous development costs\n - Decide on your desired profit margin\n - Determine the estimated number of subscribers\n\n2. Input Values\n - Enter the gathered data into the respective fields in the Prompt node\n - Double-check the accuracy of your inputs\n\n3. Run the Flow\n - Click the \"Run\" button to start the calculation process\n - The flow will use Chain-of-Thought prompting to guide the AI through the steps\n\n4. Review the Results\n - Examine the output in the Chat Output node\n - The result will show a breakdown of costs and the final subscription price\n\n5. Adjust and Refine\n - If needed, modify your inputs to explore different pricing scenarios\n - Re-run the flow to see how changes affect the final price\n\nRemember: Regularly update your costs and subscriber estimates to keep your pricing model accurate and competitive! 💼📊", + "template_notes.search_agent.0": "# � README\nThis template connects the **Search Point** endpoint from [ScrapeGraphAI](https://scrapegraphai.com) to an **Agent** component.\n\n## Prerequisites\n\n* [OpenAI API key](https://platform.openai.com/docs/overview)\n* [ScrapeGraphAI API key](https://dashboard.scrapegraphai.com)\n\n## Quick start\n\n1. Configure your **Model Provider** with your API credentials.\n\n2. Add your **ScrapeGraphAI API key** to the **ScrapeGraphSearchApi** component.\n\n3. Open the **Playground** and ask your Agent a question. The Agent uses ScrapeGraph as a tool to answer you.", + "template_notes.search_agent.1": "### Configure your Model Provider", + "template_notes.search_agent.2": "### Add your ScrapeGraphAI API key here 👇", + "template_notes.seo_keyword_generator.0": "# 📖 README\nThis template creates strategic keywords based on your product and audience profile.\n\n### Prerequisites\n\n* [OpenAI API Key](https://platform.openai.com/)\n\n## Quick start\n\n1. Configure your **Model Provider** with your API credentials.\n\n2. In the **Prompt** component, complete the following fields. Optionally, just run the flow with the included example values.\n\n* Product Information\n* Pain Points\n* Goals\n* Target Audience\n* Expertise Level\n* Review Output \n\n3. Open the **Playground**, and then click **Run Flow**. The LLM generates keywords based on your inputs.", + "template_notes.seo_keyword_generator.1": "### Configure your Model Provider", + "template_notes.sequential_tasks_agents.0": "# 📖 README\nThis flow demonstrates how to chain multiple AI agents for comprehensive research and analysis. Each agent specializes in different aspects of the research process, building upon the previous agent's work. \n\n## Quick start\n1. Configure your **Model Provider** with your API credentials.\n2. Add your **Tavily API Key** to the **Tavily AI Search** component.\n3. Open the **Playground** and enter a query to run the flow. Be specific, clear, and include key aspects that you want the agents to analyze in a financial perspective.\nBecause this flow includes a financial analysis agent, useful queries should include a financial aspect, such as \"Should I invest in Tesla (TSLA)? Focus on AI development impact\". In contrast, asking the agent, \"Tell me about Tesla\" isn't as useful because it doesn't trigger the financial research agent or provide specific talking points for the other agents to research.\n\n## Next steps\nThis template uses financial analysis as an example. Try adapting it for other research-intensive tasks that require multiple perspectives and data sources.", + "template_notes.simple_agent.0": "# 📖 README\nRun an Agent with URL and Calculator tools available for its use. \nThe Agent decides which tool to use to solve a problem.\n## Quick start\n\n1. Configure your **Model Provider** with your API credentials.\n2. Open the Playground and chat with the Agent. Request some information about a recipe, and then ask to add two numbers together. In the responses, the Agent will use different tools to solve different problems.\n\n## Next steps\nConnect more tools to the Agent to create your perfect assistant.\n\nFor more, see the [Langflow docs](https://docs.langflow.org/agents-tool-calling-agent-component).", + "template_notes.simple_agent.1": "### Configure your Model Provider", + "template_notes.social_media_agent.0": "### 💡 Add your Apify API key here ", + "template_notes.social_media_agent.1": "### 💡 Add your Apify API key here ", + "template_notes.social_media_agent.2": "# 📖 README\nExtract data with **Apify Actors** and analyze the data with an **Agent**.\n\n## Prerequisites\n\n* An [Apify API token](https://docs.apify.com/platform/integrations/api#api-token)\n* An [OpenAI API key](https://platform.openai.com/)\n\n## Quick start\n\n1. Configure your **Model Provider** with your API credentials.\n2. Enter your **Apify** API token in the **Apify Token** fields of the **Apify Actors** components.\n3. Open the **Playground** and chat with the agent. For example, task it with retrieving a profile bio and the latest video by using this prompt: \n ```\n Find the TikTok profile of the company OpenAI using Google search, then show me the profile bio and their latest video.\n ```", + "template_notes.social_media_agent.3": "### Configure your Model Provider", + "template_notes.text_sentiment_analysis.0": "# 📖 README\nThis flow processes text data, analyzes sentiment, and provides structured insights. \n\n## Prerequisite\n\n* [OpenAI API key](https://platform.openai.com/docs/)\n\n## Quick start\n\n1. Configure your **Model Provider** with your API credentials.\n2. In the **File Component**, load text data in `.txt`, `.csv`, or `.json` formats.\n3. Open the **Playground** to see the analysis and recommendation the flow constructs.\n\n## How It Works \n\n1. The **Data to Message** component converts raw data into structured messages. \n\n2. The **NLP expert** prompt provides sentiment analysis, while the **Analyzing messages** prompt summarizes messages from a discussion board.\n\n3. The final **Prompt Component** creates a structured recommendation prompt to ensure that the AI model receives well-formatted input. \n\n4. The **OpenAI Model Component** processes the text and classifies the sentiment as **Positive, Neutral, or Negative**. \n\n", + "template_notes.text_sentiment_analysis.1": "### Configure your Model Provider", + "template_notes.text_sentiment_analysis.2": "### Configure your Model Provider", + "template_notes.text_sentiment_analysis.3": "### Configure your Model Provider", + "template_notes.travel_planning_agents.0": "# 📖 README\n\nThe travel planning system is a smart setup that uses several specialized Agent components to help plan incredible trips. Imagine each agent as a travel expert focusing on a part of your journey. Here's how it works:\nEach agent has a role defined in the **Agent Instructions** and relevant **Tools** attached. The user submits a query through the **Chat Input**, and the three agents create a complete travel plan based on the user's query.\n\n## Quick start\n1. Configure your **Model Provider** with your API credentials.\n2. Add your **Search API** key to the Search API component.\n2. Run the flow in the **Playground**.", + "template_notes.twitter_thread_generator.0": "# 📖 README\nWelcome to the Twitter Thread Generator! This flow helps you create compelling Twitter threads by transforming your structured inputs into engaging content.\n\n## Instructions\n\n1. Prepare Your Inputs\n - Fill in the \"Context\" with your main message or story\n - Define \"Content Guidelines\" for thread structure and style\n - Specify \"Profile Type\" and \"Profile Details\" to reflect your brand identity\n - Set \"Tone and Style\" to guide the communication approach\n - Choose \"Output Format\" (thread) and desired language\n\n2. Configure the Prompt\n - The flow uses a specialized prompt template to generate content\n - Ensure all input fields are connected to the prompt node\n\n3. Run the Generation\n - Execute the flow to process your inputs\n - The OpenAI model will create the thread based on your specifications\n\n4. Review and Refine\n - Examine the output in the Chat Output node\n - If needed, adjust your inputs and re-run for better results\n\n5. Finalize and Post\n - Once satisfied, copy the generated thread\n - Post to Twitter, maintaining the structure and flow\n\nRemember: Be specific in your context and guidelines for the best results! 🚀\n", + "template_notes.vector_store_rag.0": "## 🐕 2. Retriever Flow\n\nThis flow answers your questions with contextual data retrieved from your vector database.\n\nOpen the **Playground** and ask, \n\n```\nWhat is this document about?\n```\n", + "template_notes.vector_store_rag.1": "# 📖 README\nRetrieval Augmented Generation (RAG) is a way of providing additional context to a Large Language Model (LLM) by preloading a vector database with embeddings for relevant content. When a user chats with the LLM, a _similarity search_ retrieves relevant content by comparing an embedding for the user's query against the embeddings in the vector database.\nFor example, a RAG chatbot could be pre-loaded with product data, and then it can help customers find specific products based on their queries.\nThis template has two sub-flows. One flow loads data into your vector store, and the other is the user-driven chat flow that compares a new query against the existing content in your vector database.\n\n## Quick start\n1. Configure your **Model Provider** with your API credentials.\n2. Add an Astra application token to the **Astra DB** vector store components, or replace these components with other vector store components available in the **Components** menu.\n\n## Run the flows\n1. Load your data into a vector database with the 📚 **Load Data** flow. Select a file to upload in the **File** component, and then click **Play** ▶️ on the **Astra DB** component to run the **Load Data** flow.\n2. Open the **Playground** to start a chat with the 🐕 **Retriever** flow.\n\nOnly the run the **Load Data** flow when you need to populate your vector database with baseline content, such as product data.\nThe **Retriever** flow is the user-facing chat flow. This flow generates an embedding from chat input, runs a similarity search against the vector database to retrieve relevant content, and then passes the original query and the retrieved content to the LLM, which produces the chat response sent to the user.\n\n## Next steps\nExperiment by changing the prompt and the loaded data to see how the LLM's responses change.", + "template_notes.vector_store_rag.2": "## 📚 1. Load Data Flow\n\nRun this first! Load data from a local file and embed it into the vector database.\n\nSelect a Database and a Collection, or create new ones. \n\nClick **Run component** on the **Astra DB** component to load your data.\n\n\n### Next steps:\n Experiment by changing the prompt and the contextual data to see how the retrieval flow's responses change.", + "template_notes.vector_store_rag.3": "### 💡 Add your OpenAI API key here 👇", + "template_notes.youtube_analysis.0": "# 📖 README\nThis flow performs comprehensive analysis of YouTube videos.\n1. Extract video comments and transcripts.\n2. Run sentiment analysis on comments using LLM.\n3. Combine transcript content and comment sentiment for comprehensive video analysis.\n## Quick start\n- Configure your **Model Provider** with your API credentials.\n- Add your **YouTube Data API v3 key**\n- If you don't have a YoutTube API key, create one in the [Google Cloud Console](https://console.cloud.google.com).\n- Ensure the chat input is a valid YouTube video URL. A sample URL is provided in the chat input component.\n" } diff --git a/src/backend/base/langflow/locales/es.json b/src/backend/base/langflow/locales/es.json index 5536542538..072caea893 100644 --- a/src/backend/base/langflow/locales/es.json +++ b/src/backend/base/langflow/locales/es.json @@ -4792,5 +4792,69 @@ "starter_flows.vector_store_rag.description": "Carga tus datos para el contexto del chat con la generación aumentada por recuperación.", "starter_flows.vector_store_rag.name": "Almacén vectorial RAG", "starter_flows.youtube_analysis.description": "El flujo de análisis « YouTube » extrae los comentarios y las transcripciones de los vídeos, analizando los patrones de opinión y los temas del contenido.", - "starter_flows.youtube_analysis.name": "YouTube Análisis" + "starter_flows.youtube_analysis.name": "YouTube Análisis", + "template_notes.basic_prompt_chaining.0": "# 📖 README\nEste flujo muestra cómo encadenar tres indicaciones y tres modelos de lenguaje.\nCada solicitud está diseñada específicamente para procesar los resultados anteriores, y cada llamada al modelo de lenguaje grande (LLM) se basa en los resultados previos\n\n\n## Requisitos previos\n\n* [Clave de API de OpenAI ]( https://platform.openai.com/ )\n\n## Inicio rápido\n\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n2. Para ejecutar el flujo, abre el **Playground**. Se incluye un ejemplo de entrada, junto con otras sugerencias que se enumeran a continuación.\n\n «La creciente necesidad de plataformas de finanzas descentralizadas ( DeFi ) seguras y fáciles de usar que hagan accesibles las inversiones en criptomonedas a los usuarios sin conocimientos técnicos»\n\n «La creciente popularidad de las experiencias inmersivas de realidad aumentada (RA) para la colaboración a distancia y la formación de equipos virtuales en plantillas distribuidas»\n\n «El mercado en expansión de las soluciones inteligentes y « IoT-enabled » de agricultura urbana, que permiten a los habitantes de las ciudades cultivar sus propios alimentos de forma eficiente en espacios reducidos»\n\n «La creciente demanda de asistentes personales de estilismo y compras basados en la inteligencia artificial que tengan en cuenta la sostenibilidad, la aceptación del cuerpo y las preferencias de estilo individuales»\n\n", + "template_notes.basic_prompting.0": "# 📖 README\nEsta plantilla muestra un flujo de chat estándar con instrucciones adicionales proporcionadas por un mensaje de aviso. Las indicaciones proporcionan instrucciones y datos a un modelo de lenguaje a gran escala (LLM) más allá de la entrada estándar del chat proporcionada por el usuario. En este ejemplo, la indicación describe la función y la personalidad del modelo de lenguaje grande (LLM).\n\n## Inicio rápido\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n2. Abre el **Playground** para iniciar el chat y ejecutar el flujo.\n\n## Próximos pasos\nCambia la plantilla de la pregunta, el modelo o la configuración del modelo, como **Temperatura**, y observa cómo cambian las respuestas con estos diferentes datos de entrada.\n💡 Algunos ajustes de los componentes están ocultos por defecto; para ver todos los ajustes, haz clic en **Controles** en el menú de encabezado de cada componente.\n💡 Puedes utilizar llaves para crear variables en tu plantilla, como ` {variable} `. Estas pueden rellenarse desde otros componentes, con variables globales de Langflow o en tiempo de ejecución.", + "template_notes.basic_prompting.1": "### Configurar el proveedor de modelos", + "template_notes.blog_writer.0": "# 📖 README\nCrea una entrada de blog utilizando contenido obtenido de direcciones URL e instrucciones proporcionadas por el usuario.\n\n## Requisitos previos\n\n* Una [clave API de OpenAI ]( https://platform.openai.com/ )\n\n## Inicio rápido\n\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n2. En el componente ** URL **, introduce las URL de las que deseas obtener contenido. Asegúrate de que empiecen por « http:// » o « https:// ».\n3. Abre el **Playground**. Una entrada de blog se redacta a partir del contenido obtenido por el componente ** URL **.", + "template_notes.custom_component_generator.0": "# 📖 README\n¡Hola! Estoy aquí para ayudarte a crear componentes personalizados para Langflow. ¡Piensa en mí como tu socio técnico, capaz de ayudarte a convertir tus ideas en componentes funcionales!\n\n## Guía rápida\n\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n\n2. 💭 Dime qué quieres crear.\nSimplemente describe en un lenguaje sencillo qué quieres que haga tu componente. Por ejemplo:\n- «Necesito un componente que envíe mensajes de Slack»\n- «Quiero crear una herramienta que pueda procesar archivos de CSV »\n- «Necesito algo que pueda traducir texto»\n\n\n¿Listo para crear algo increíble? 🚀 ¡Empecemos!", + "template_notes.document_q_a.0": "# 📖 README\nEste flujo carga un archivo y utiliza un modelo de lenguaje grande (LLM) para responder preguntas basadas en el contenido del documento cargado.\n\n## Requisitos previos\n\n* Una [clave API de OpenAI ]( https://platform.openai.com/ )\n\n## Inicio rápido\n\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n2. En el componente **Archivo**, selecciona el archivo que quieras cargar.\n3. Abre el **Playground** y interactúa con tu documento.", + "template_notes.financial_report_parser.0": "### Configurar el proveedor de modelos", + "template_notes.financial_report_parser.1": "# 📖 README\nEsta plantilla extrae los principales indicadores financieros de un texto de informe financiero determinado. Los datos extraídos se estructuran y formatean para su uso en el chat.\n\n## Guía rápida\n\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n2. Abre el **Playground** para iniciar el chat y ejecutar el flujo.\nEn este ejemplo, el componente **Chat Input** viene precargado con un informe financiero de muestra. El componente **Modelo de lenguaje** identifica y extrae del informe financiero la información relativa al margen bruto, el EBITDA, los ingresos netos y los gastos de explotación. A continuación, el componente **Salida estructurada** formatea los datos extraídos en un formato estructurado para facilitar su lectura y su posterior procesamiento. Por último, el componente **Parser** convierte los datos extraídos en mensajes que se envían al usuario.", + "template_notes.hybrid_search_rag.0": "# 📖 README\nLa búsqueda híbrida realiza una búsqueda de similitud vectorial y una búsqueda léxica, compara los resultados de ambas búsquedas y, a continuación, devuelve los resultados más relevantes en general.\n\n## Requisitos previos\n\n* Una [clave API de OpenAI ]( https://platform.openai.com/ )\n* Un [token de aplicación de Astra DB]( https://docs.datastax.com/en/astra-db-serverless/databases/create-database.html ) para el componente Astra DB.\n\n## Guía rápida\n\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n2. En el componente Astra DB, introduce tu token de aplicación de Astra DB.\nEsto conecta Langflow a tu base de datos de Astra.\n3. Elige un modelo de la gama Astra compatible con la tecnología híbrida.\nPara obtener más información, consulta la [documentación de Datastax]( https://docs.datastax.com/en/astra-db-serverless/databases/hybrid-search.html ).\nLa conexión entre el componente Parser y el componente Astra DB se establece cuando se conecta una base de datos vectorial.\n5. Asegúrate de que los puertos **Términos léxicos** y **Texto analizado** estén conectados.\n5. Abre el Playground y haz una pregunta, como «¿Cuáles son las características de mis datos?»", + "template_notes.image_sentiment_analysis.0": "# 📖 README\nClasifica las imágenes subidas al Playground según su tono emocional.\n\n## Requisitos previos\n\n* [Clave API de OpenAI ]( https://platform.openai.com/ )\n\n## Inicio rápido\n\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n\n2. Abre el **Playground** y, a continuación, envía una imagen al chat. \n\nEl modelo de lenguaje grande analiza la imagen. El sentimiento se envía a una tabla estructurada de acuerdo con el esquema de salida del componente **Structured Output** y, a continuación, se analiza para convertirlo en un mensaje que el Playground pueda mostrar.", + "template_notes.instagram_copywriter.0": "# 📖 LÉEME\n\n¡Bienvenido a Instagram Copywriter! Este proceso te ayuda a crear publicaciones atractivas en Instagram con contenido generado por IA y sugerencias de imágenes.\n\n## Inicio rápido\n- Configura tu **proveedor de modelos** con tus credenciales de API.\n- Añade tu **clave de API de Tavily** al componente **Tavily AI Search**.\n\n## Cómo utilizar Flow\n**Introduce tu tema**\n- En el cuadro de entrada del chat, escribe una breve descripción del tema sobre el que quieres publicar.\n- Ejemplo: «Crea una publicación sobre la meditación y sus beneficios»", + "template_notes.invoice_summarizer.0": "# 📖 README\nAprovecha la **API de Needle Search** y un **agente** para recopilar y resumir los datos de tus facturas de forma rápida y precisa.\n\n## Requisitos previos\n\n* Una **colección** y una **clave API** de tu implementación de [ Needle.ai ]( https://needle-ai.com )\n* Una [clave API de OpenAI ]( https://platform.openai.com/ )\n\n## Inicio rápido\n\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n\n2. Añade tus facturas a tu colección de Needle. \n\n3. En la herramienta **Needle Search**, introduce tu **ID de colección de Needle** y tu **clave API de Needle**.\n\n5. Abre el **Playground** y consulta tus facturas. El componente **Agent** determina la consulta adecuada y el tamaño de la búsqueda para la recuperación de datos.\n", + "template_notes.invoice_summarizer.1": "### Configurar el proveedor de modelos", + "template_notes.invoice_summarizer.2": "### Introduce aquí tu clave de la API de Needle Search 👇", + "template_notes.knowledge_base.0": "# 📖 README\nUn componente independiente se encarga de recuperar el conocimiento importado de las bases de datos existentes. Para recuperar conocimientos:\n\n1. Selecciona tu base de conocimientos en el menú desplegable «Base de conocimientos». Si no lo ves, selecciona «Actualizar lista».\n2. (Opcional) Introduzca una consulta de búsqueda para realizarla en la base de conocimientos.\n\nTen en cuenta que, de forma predeterminada, se muestran 5 resultados, aunque esto se puede configurar haciendo clic en «Controles», situado en la parte superior del componente.\n", + "template_notes.market_research.0": "# 📖 README\nEste flujo te ayuda a recopilar información detallada sobre empresas con fines comerciales y de inteligencia empresarial.\n\n## Requisitos previos\n\n- **[Clave API de Tavily]( https://docs.tavily.com/welcome )**\n- **[Clave API de OpenAI ]( https://platform.openai.com/ )**\n\n## Inicio rápido\n\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n2. Añade tu **clave API de Tavily** al componente **Tavily Search**.\n3. En el **campo de entrada del chat**, escribe el nombre de la empresa sobre la que quieras buscar información.\n5. Abre **Playground** e investiga sobre la empresa. El componente **Salida estructurada** transforma la respuesta sin procesar del modelo de lenguaje grande (LLM) en datos estructurados, y el componente **Analizador sintáctico** presenta los datos en forma de texto para que el componente **Salida de chat** los muestre.", + "template_notes.meeting_summary.0": "### Introduce aquí tu clave de la API de Assembly AI y el archivo de audio", + "template_notes.meeting_summary.1": "### Introduce aquí tu clave de la API de Assembly AI", + "template_notes.meeting_summary.2": "### Configurar el proveedor de modelos", + "template_notes.meeting_summary.3": "### Configurar el proveedor de modelos", + "template_notes.meeting_summary.4": "# 📖 README\nEste flujo transcribe y resume automáticamente las reuniones convirtiendo las grabaciones de audio en resúmenes concisos mediante **AssemblyAI**, **OpenAI y GPT-4**.\n\n## Requisitos previos\n\n- **[Clave API de AssemblyAI ]( https://www.assemblyai.com/ )**\n- **[Clave API de OpenAI ]( https://platform.openai.com/ )**\n\n## Inicio rápido\n\n1. Sube un archivo de audio. Los formatos de archivo de audio más comunes son [compatibles]( https://github.com/langflow-ai/langflow/blob/main/src/backend/base/langflow/components/assemblyai/assemblyai_start_transcript.py#L27 ).\n2. Para ejecutar el flujo del generador de resúmenes, haz clic en **Playground**.\n\nEl flujo transcribe el audio mediante **AssemblyAI**.\nLa transcripción está formateada para su procesamiento mediante IA.\nEl modelo « **GPT-4** » extrae puntos clave y conclusiones.\nLos detalles resumidos de la reunión se muestran en un formato adecuado para el chat.\n\n\n\n", + "template_notes.memory_chatbot.0": "# 📖 README\nEste flujo amplía la plantilla **Basic Prompting** añadiendo un componente **Historial de mensajes** que permite recuperar hasta 100 mensajes de chat anteriores como contexto para la conversación actual.\n\n## Inicio rápido\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n2. Abre el **Playground** y, a continuación, dile al LLM cómo te llamas.\n3. Inicia una nueva sesión de chat en el Playground y, a continuación, pregunta: «¿Cómo me llamo?». El modelo de lenguaje grande (LLM) puede recuperar tu nombre del historial de chat almacenado.\n\n## Acerca del componente «Historial de mensajes»\nLos componentes **Modelo de lenguaje** y **Agente** cuentan con una memoria de chat integrada que está activada de forma predeterminada y que, en cuanto a su funcionamiento, es idéntica al componente **Historial de mensajes**.\nUtiliza el componente **Historial de mensajes** únicamente cuando desees almacenar o recuperar el historial de chat desde una base de datos externa de historial de chat, o cuando necesites recuperar el historial de chat fuera del contexto de la sesión actual, por ejemplo, en un flujo que no sea de chat o al proporcionar el historial de otros chats a una sesión diferente. Para obtener más información, consulta [Almacenar el historial del chat]( https://docs.langflow.org/memory#store-chat-memory ).", + "template_notes.news_aggregator.0": "### Configurar el proveedor de modelos", + "template_notes.news_aggregator.1": "### Introduce aquí tu clave API de AgentQL", + "template_notes.news_aggregator.2": "# 📖 README\nEste flujo extrae datos estructurados de un archivo URL y los guarda en un archivo JSON.\n\n## Requisitos previos\n\n* **[Clave API de AgentQL ]( https://dev.agentql.com/api-keys )**\n* **[Clave API de OpenAI ]( https://platform.openai.com/ )**\n\n## Inicio rápido\n\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n2. Añade tu [clave API de AgentQL ]( https://dev.agentql.com/api-keys ) al componente **AgentQL**.\n3. Haz clic en **Playground** e introduce una pregunta.\n\nEl componente **Agent** rellena los campos ** URL ** y **Query** del componente **AgentQL** y devuelve una respuesta estructurada a tu pregunta. A continuación, los datos extraídos se guardan en un archivo JSON llamado « news-aggregated.json », que se encuentra en el directorio actual del proyecto.", + "template_notes.nvidia_rtx_remix.0": "# 📖 README\nEste proyecto de Langflow ofrece una integración con el kit de herramientas RTX Remix de NVIDIA a través de su API REST.\n\n## Requisitos previos\n\nAntes de utilizar este proyecto, asegúrate de haber completado los siguientes pasos:\n\n1. **Instalar RTX Remix Toolkit**\nDebes tener instalado RTX Remix Toolkit en tu sistema. Sigue la guía de instalación que encontrarás aquí:\n[Instalación de RTX Remix Toolkit]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/installation/install-toolkit.html )\n\n2. **Ejecuta RTX Remix Toolkit**\nAsegúrate de que la aplicación RTX Remix Toolkit esté en ejecución antes de utilizar este proyecto de Langflow.\n\n3. **Crear/Abrir un proyecto**\nDebes tener un proyecto de RTX Remix abierto en el Toolkit. Descubre cómo configurar un proyecto aquí:\n[Configuración de un proyecto con RTX Remix Toolkit]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/gettingstarted/learning-toolkitsetup.html )\n\n### Tutorial de inicio rápido\n\nPara empezar a utilizar RTX Remix rápidamente, sigue el tutorial [Creación de tu primer mod para el ejemplo de RTX Remix]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/tutorials/tutorial-remixtool.html ).\n\nEn él se describe el proceso de instalación de los distintos componentes necesarios, su configuración y la puesta en marcha del proyecto.\n\n## Primeros pasos\n\nUna vez cumplidos todos los requisitos previos, el proyecto Langflow debería funcionar sin necesidad de configuración adicional.\n\n### Comprobación de la conexión\n\nPara comprobar que todo funciona correctamente:\n\n1. Abre el proyecto Langflow\n2. Busca el nodo **RTX Remix MCP Connection**\n3. Haz clic en el **botón de actualizar** del nodo\n4. Comprueba que aparecen las distintas herramientas de la API REST\n\nSi las herramientas de la API REST aparecen tras actualizar la página, significa que tu conexión con RTX Remix Toolkit funciona correctamente y ya puedes empezar a utilizar las herramientas disponibles.\n\n## Recursos adicionales\n\n- [Documentación de RTX Remix]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/ )\n- [Documentación de RTX Remix MCP]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/howto/learning-mcp.html )\n- [Documentación de la API REST de RTX Remix]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/howto/learning-restapi.html )", + "template_notes.pok_dex_agent.0": "## ¡Entra en el patio de recreo y pregunta lo que quieras sobre cualquier Pokémon! ⚡ 🐹", + "template_notes.pok_dex_agent.1": "# 📖 README\nRecopila información sobre Pokémon con un **agente** especializado y la API de la Pokédex.\n\n## Requisitos previos\n\n* Una [clave API de OpenAI ]( https://platform.openai.com/ )\n\n## Inicio rápido\n\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n2. Haz clic en **Playground** y pregunta por tu Pokémon favorito.\nEl **Agente** consulta la API de la Pokédex y devuelve una entrada formateada.", + "template_notes.pok_dex_agent.2": "### Configurar el proveedor de modelos", + "template_notes.portfolio_website_code_generator.0": "### 💡 Sube tu currículum aquí", + "template_notes.portfolio_website_code_generator.1": "# 📖 README\n¡Tu currículum subido se analiza y se convierte a un formato estructurado, y se genera como código HTML/CSS para tu propia página web de currículum!\n\n✅ **Formatos aceptados:** PDF o TXT\n✅ Para garantizar la legibilidad, incluye encabezados claros, viñetas y un formato adecuado.\n### 📌 Campos de salida estructurados:\n1. 🏷 **Nombre completo** - Nombre completo del candidato\n2. 📧 **Correo electrónico** - Una dirección de correo electrónico válida\n3. 📞 **Número de teléfono** - Número de contacto\n4. 🔗 **LinkedIn** - Perfil de LinkedIn URL\n5. 🖥 **GitHub** - Perfil de GitHub URL (si procede)\n6. 🌐 **Portafolio** - Sitio web personal o portafolio URL\n7. 🛂 **Estado de visado** - Datos de la autorización de trabajo (si procede)\n8. 📝 **Resumen** - Un breve resumen profesional o declaración de objetivos\n9. 💼 **Experiencia** - Detalles de la experiencia laboral (en formato de diccionario)\n10. 🎓 **Formación** - Detalles de la formación (en formato de diccionario)\n11. 🛠 **Habilidades** - Habilidades mencionadas en el currículum (separadas por comas)\n12. 🚀 **Proyectos** - Títulos, descripciones y detalles de los proyectos.", + "template_notes.portfolio_website_code_generator.2": "### 💡 Haz clic en «Abrir tabla» para ver el esquema", + "template_notes.portfolio_website_code_generator.3": "### 💡 Introduce aquí tu clave de API de Anthropic", + "template_notes.portfolio_website_code_generator.4": "### Configurar el proveedor de modelos", + "template_notes.price_deal_finder.0": "### Configurar el proveedor de modelos", + "template_notes.price_deal_finder.1": "### 💡 Introduce aquí tu clave API de AgentQL", + "template_notes.price_deal_finder.2": "# 📖 README\nEste flujo busca y compara los precios de un producto en Internet.\n## Requisitos previos\n\n* **[Clave API de AgentQL ]( https://dev.agentql.com/api-keys )**\n* **[Clave API de OpenAI ]( https://platform.openai.com/ )**\n* **[Clave API de búsqueda de TavilyAI ]( https://tavily.com/ )**\n\n## Inicio rápido\n\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n2. Añade tu [clave API de AgentQL ]( https://dev.agentql.com/api-keys ) al componente **AgentQL**.\n3. Añade tu [clave de API de búsqueda de TavilyAI ]( https://tavily.com/ ) al componente **Tavily AI Search**.\n5. Haz clic en **Playground** e introduce un producto en el chat. Por ejemplo, busca « \"iPhone s 16 Pro 512 GB»)\n* El componente **Agent** rellena el campo **Search Query** del componente **Tavily AI Search**, así como los campos ** URL ** y **Query** del componente **Agent QL**.\n\n* El **agente** te envía una respuesta estructurada a tu búsqueda en el chat.", + "template_notes.price_deal_finder.3": "### 💡 Introduce aquí tu clave de Tavily AI Search", + "template_notes.research_agent.0": "# 📖 README\n\n¡Bienvenido a Research Agent! Este proceso te ayuda a realizar investigaciones exhaustivas sobre diversos temas mediante herramientas y análisis basados en la inteligencia artificial.\n\n## Inicio rápido\n- Configura tu **proveedor de modelos** con tus credenciales de API.\n- Añade tu **clave de API de Tavily** al componente Tavily AI Search.\n\n## Cómo utilizar Flow\n- Escribe tu pregunta de investigación o tema en el nodo «Chat Input».\n- Sé específico y claro sobre lo que quieres investigar.", + "template_notes.research_translation_loop.0": "# 📖 README\nEsta plantilla traduce al portugués los resúmenes de los artículos de investigación publicados en ArXiv y los resume. \n Mediante el **mecanismo de bucle de Langflow**, la plantilla recorre varios artículos de investigación, los traduce con el componente del modelo « **OpenAI** » y genera una versión agregada de todos los artículos traducidos.\n\n## Inicio rápido\n1. Configura tu **proveedor de modelos** con tus credenciales de API. \n2. En el **Playground**, introduce una consulta relacionada con un tema de investigación (por ejemplo, «Avances en computación cuántica»). \n\n El flujo recupera una lista de artículos de investigación de ArXiv que coinciden con la consulta. Cada artículo de la lista obtenida se procesa uno por uno utilizando el **componente Loop** de Langflow. \n\n El resumen de cada artículo es traducido al portugués por el componente del modelo « **OpenAI** ». \n\n Una vez traducidos todos los documentos, el sistema los agrupa en un **único archivo estructurado**.", + "template_notes.saas_pricing.0": "# 📖 README\n¡Bienvenido a la calculadora de precios de SaaS! Este proceso te ayuda a determinar el precio óptimo de la suscripción mensual para tu servicio de software.\n\n## Instrucciones\n\n1. Prepara tus datos\n- Recopila información sobre los costes mensuales de infraestructura\n- Calcula los gastos de atención al cliente\n- Calcula los costes de desarrollo continuo\n- Decide cuál es el margen de beneficio que deseas\n- Determina el número estimado de suscriptores\n\n2. Valores de entrada\n- Introduce los datos recopilados en los campos correspondientes del nodo «Prompt»\n- Comprueba que los datos introducidos sean correctos\n\n3. Ejecutar el flujo\n- Haz clic en el botón «Ejecutar» para iniciar el proceso de cálculo\n- El flujo utilizará indicaciones de «cadena de pensamiento» para guiar a la IA a lo largo de los pasos\n\n4. Revisa los resultados\n- Examina la salida en el nodo «Chat Output»\n- El resultado mostrará un desglose de los costes y el precio final de la suscripción\n\n5. Ajustar y perfeccionar\n- Si es necesario, modifica los datos introducidos para explorar diferentes escenarios de precios\n- Vuelve a ejecutar el proceso para ver cómo afectan los cambios al precio final\n\nRecuerda: ¡Actualiza periódicamente tus costes y las estimaciones de suscriptores para que tu modelo de precios siga siendo preciso y competitivo! 💼📊", + "template_notes.search_agent.0": "# � README\nEsta plantilla conecta el punto final **Search Point** de [ ScrapeGraphAI ]( https://scrapegraphai.com ) a un componente **Agent**.\n\n## Requisitos previos\n\n* [Clave API de OpenAI ]( https://platform.openai.com/docs/overview )\n* [Clave API de ScrapeGraphAI ]( https://dashboard.scrapegraphai.com )\n\n## Inicio rápido\n\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n\n2. Añade tu **clave API de **ScrapeGraphAI ** al componente **ScrapeGraphSearchApi**.\n\n3. Abre el **Playground** y hazle una pregunta a tu agente. El agente utiliza ScrapeGraph como herramienta para responderte.", + "template_notes.search_agent.1": "### Configurar el proveedor de modelos", + "template_notes.search_agent.2": "### Introduce aquí tu clave API de ScrapeGraphAI 👇", + "template_notes.seo_keyword_generator.0": "# 📖 README\nEsta plantilla genera palabras clave estratégicas basadas en tu producto y el perfil de tu público.\n\n### Requisitos previos\n\n* [Clave API de OpenAI ]( https://platform.openai.com/ )\n\n## Inicio rápido\n\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n\n2. En el componente **Prompt**, rellena los siguientes campos. Si lo prefieres, puedes ejecutar el flujo con los valores de ejemplo incluidos.\n\n* Información del producto\n* Problemas clave\n* Objetivos\n* Público objetivo\n* Nivel de conocimientos\n* Resultado de la revisión\n\n3. Abre el **Playground** y, a continuación, haz clic en **Ejecutar flujo**. El modelo de lenguaje generativo (LLM) genera palabras clave a partir de la información que le proporciones.", + "template_notes.seo_keyword_generator.1": "### Configurar el proveedor de modelos", + "template_notes.sequential_tasks_agents.0": "# 📖 README\nEste flujo muestra cómo encadenar varios agentes de IA para realizar investigaciones y análisis exhaustivos. Cada agente se especializa en diferentes aspectos del proceso de investigación, basándose en el trabajo del agente anterior.\n\n## Inicio rápido\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n2. Añade tu **clave API de Tavily** al componente **Tavily AI Search**.\n3. Abre el **Playground** e introduce una consulta para ejecutar el flujo. Sé concreto y claro, e incluye los aspectos clave que deseas que los agentes analicen desde una perspectiva financiera.\nDado que este flujo incluye un agente de análisis financiero, las consultas útiles deberían incluir un aspecto financiero, como por ejemplo: «¿Debería invertir en Tesla (TSLA)?» «Enfoque en el impacto del desarrollo de la IA». Por el contrario, preguntarle al agente «Háblame de Tesla» no resulta tan útil, ya que no activa el agente de investigación financiera ni proporciona puntos concretos sobre los que los demás agentes puedan investigar.\n\n## Próximos pasos\nEsta plantilla utiliza el análisis financiero como ejemplo. Intenta adaptarlo a otras tareas que requieran una investigación exhaustiva y que demanden múltiples perspectivas y fuentes de datos.", + "template_notes.simple_agent.0": "# 📖 README\nEjecuta un agente con las herramientas « URL » y «Calculator» disponibles para su uso. \nEl agente decide qué herramienta utilizar para resolver un problema.\n## Guía rápida\n\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n2. Abre el Playground y charla con el agente. Pide información sobre una receta y, a continuación, pide que sumen dos números. En las respuestas, el agente utilizará diferentes herramientas para resolver distintos problemas.\n\n## Próximos pasos\nConecta más herramientas al Agente para crear tu asistente ideal.\n\nPara más información, consulta la [documentación de Langflow]( https://docs.langflow.org/agents-tool-calling-agent-component ).", + "template_notes.simple_agent.1": "### Configurar el proveedor de modelos", + "template_notes.social_media_agent.0": "### 💡 Introduce aquí tu clave API de Apify ", + "template_notes.social_media_agent.1": "### 💡 Introduce aquí tu clave API de Apify ", + "template_notes.social_media_agent.2": "# 📖 README\nExtrae datos con **Apify Actors** y analízalos con un **Agent**.\n\n## Requisitos previos\n\n* Un [token de API de Apify]( https://docs.apify.com/platform/integrations/api#api-token )\n* Una [clave de API de OpenAI ]( https://platform.openai.com/ )\n\n## Inicio rápido\n\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n2. Introduce tu token de API de **Apify** en los campos **Apify Token** de los componentes **Apify Actors**.\n3. Abre el **Playground** y charla con el agente. Por ejemplo, pídele que busque la biografía de un perfil y el último vídeo utilizando esta indicación:\n```\nBusca el perfil de TikTok de la empresa OpenAI utilizando la búsqueda de Google y, a continuación, muéstrame la biografía del perfil y su último vídeo.\n```", + "template_notes.social_media_agent.3": "### Configurar el proveedor de modelos", + "template_notes.text_sentiment_analysis.0": "# 📖 README\nEste flujo procesa datos de texto, analiza el sentimiento y ofrece información estructurada.\n\n## Requisitos previos\n\n* [Clave API de OpenAI ]( https://platform.openai.com/docs/ )\n\n## Inicio rápido\n\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n2. En el **componente de archivo**, carga datos de texto en formatos `.txt`, `.csv` o `.json`.\n3. Abre el **Playground** para ver el análisis y las recomendaciones que genera el flujo.\n\n## Cómo funciona\n\n1. El componente **Data to Message** convierte los datos sin procesar en mensajes estructurados. \n\n2. La indicación **«Experto en PNL»** ofrece un análisis de opiniones, mientras que la indicación **«Analizando mensajes»** resume los mensajes de un foro de debate.\n\n3. El último **componente de solicitud** crea una solicitud de recomendación estructurada para garantizar que el modelo de IA reciba una entrada correctamente formateada. \n\n5. El componente del modelo « **OpenAI » procesa el texto y clasifica el sentimiento como **positivo, neutro o negativo**. \n\n", + "template_notes.text_sentiment_analysis.1": "### Configurar el proveedor de modelos", + "template_notes.text_sentiment_analysis.2": "### Configurar el proveedor de modelos", + "template_notes.text_sentiment_analysis.3": "### Configurar el proveedor de modelos", + "template_notes.travel_planning_agents.0": "# 📖 README\n\nEl sistema de planificación de viajes es una configuración inteligente que utiliza varios componentes especializados de Agent para ayudar a planificar viajes increíbles. Imagina que cada agente es un experto en viajes especializado en una parte de tu viaje. Así es como funciona:\nCada agente tiene una función definida en las **Instrucciones para el agente** y cuenta con las **herramientas** pertinentes adjuntas. El usuario envía una consulta a través del **Chat Input** y los tres agentes elaboran un plan de viaje completo basándose en dicha consulta.\n\n## Inicio rápido\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n2. Añade tu clave de la **API de búsqueda** al componente de la API de búsqueda.\n2. Ejecuta el flujo en el **Playground**.", + "template_notes.twitter_thread_generator.0": "# 📖 README\n¡Bienvenido al generador de hilos de Twitter! Este flujo te ayuda a crear hilos de Twitter atractivos transformando tus datos estructurados en contenido interesante.\n\n## Instrucciones\n\n1. Prepara los datos de entrada\n- Rellena el campo «Contexto» con tu mensaje principal o tu historia\n- Define las «Directrices de contenido» para la estructura y el estilo del hilo\n- Especifica el «Tipo de perfil» y los «Detalles del perfil» para reflejar la identidad de tu marca\n- Establece el «Tono y estilo» para orientar el enfoque de la comunicación\n- Elige el «Formato de salida» (hilo) y el idioma deseado\n\n2. Configurar el mensaje de solicitud\n- El flujo utiliza una plantilla de mensaje de solicitud específica para generar contenido\n- Asegúrate de que todos los campos de entrada estén conectados al nodo de mensaje de solicitud\n\n3. Ejecutar la generación\n- Ejecuta el flujo para procesar tus datos de entrada\n- El modelo « OpenAI » creará el hilo según tus especificaciones\n\n4. Revisar y perfeccionar\n- Examina el resultado en el nodo «Chat Output»\n- Si es necesario, ajusta los datos de entrada y vuelve a ejecutar el proceso para obtener mejores resultados\n\n5. Finalizar y publicar\n- Cuando estés satisfecho, copia el hilo generado\n- Publícalo en Twitter, manteniendo la estructura y el ritmo\n\nRecuerda: ¡Sé específico en el contexto y las directrices para obtener los mejores resultados! 🚀\n", + "template_notes.vector_store_rag.0": "## 🐕 2. Flujo Retriever\n\nEste flujo responde a tus preguntas con datos contextuales extraídos de tu base de datos vectorial.\n\nAbre el **Playground** y pregunta:\n\n```\n¿De qué trata este documento?\n```\n", + "template_notes.vector_store_rag.1": "# 📖 README\nLa generación aumentada por recuperación (RAG) es una forma de proporcionar contexto adicional a un modelo de lenguaje a gran escala (LLM) mediante la precarga de una base de datos vectorial con incrustaciones de contenido relevante. Cuando un usuario chatea con el LLM, una _búsqueda por similitud_ recupera contenido relevante comparando la representación de la consulta del usuario con las representaciones almacenadas en la base de datos vectorial.\nPor ejemplo, un chatbot RAG podría cargarse previamente con datos de productos y, a continuación, ayudar a los clientes a encontrar productos específicos en función de sus consultas.\nEsta plantilla tiene dos subflujos. Un flujo carga datos en tu almacén vectorial, y el otro es el flujo de chat impulsado por el usuario que compara una nueva consulta con el contenido existente en tu base de datos vectorial.\n\n## Inicio rápido\n1. Configura tu **proveedor de modelos** con tus credenciales de API.\n2. Añade un token de aplicación de Astra a los componentes del almacén vectorial de **Astra DB**, o sustituye estos componentes por otros componentes de almacén vectorial disponibles en el menú **Componentes**.\n\n## Ejecuta los flujos\n1. Carga tus datos en una base de datos vectorial con el flujo 📚 **Cargar datos**. Selecciona un archivo para cargarlo en el componente **Archivo** y, a continuación, haz clic en **Reproducir** ▶️ en el componente **Astra DB** para ejecutar el flujo **Cargar datos**.\n2. Abre el **Playground** para iniciar un chat con el flujo 🐕 **Retriever**.\n\nEjecuta el flujo **Cargar datos** únicamente cuando necesites rellenar tu base de datos vectorial con contenido básico, como datos de productos.\nEl flujo **Retriever** es el flujo de chat destinado a los usuarios. Este flujo genera una representación a partir de la entrada del chat, realiza una búsqueda de similitudes en la base de datos vectorial para recuperar contenido relevante y, a continuación, envía la consulta original y el contenido recuperado al modelo de lenguaje grande (LLM), que genera la respuesta del chat que se envía al usuario.\n\n## Próximos pasos\nPrueba a modificar la pregunta y los datos cargados para ver cómo cambian las respuestas del modelo de lenguaje grande (LLM).", + "template_notes.vector_store_rag.2": "## 📚 1. Cargar flujo de datos\n\n¡Ejecuta esto primero! Cargar datos de un archivo local e incorporarlos a la base de datos vectorial.\n\nSelecciona una base de datos y una colección, o crea otras nuevas. \n\nHaz clic en **Ejecutar componente** en el componente **Astra DB** para cargar tus datos.\n\n\n### Próximos pasos:\nPrueba a modificar la pregunta y los datos contextuales para ver cómo cambian las respuestas del flujo de recuperación.", + "template_notes.vector_store_rag.3": "### 💡 Introduce aquí tu clave API de OpenAI 👇", + "template_notes.youtube_analysis.0": "# 📖 README\nEste flujo realiza un análisis exhaustivo de los vídeos de YouTube.\n1. Extraer los comentarios y las transcripciones de los vídeos.\n2. Realiza un análisis de opinión de los comentarios utilizando un modelo de lenguaje grande (LLM).\n3. Combina el contenido de la transcripción y el tono de los comentarios para obtener un análisis completo del vídeo.\n## Inicio rápido: - Configure su **Proveedor de modelos** con sus credenciales de API. - Agregue su **YouTube v3 **. - Si no tiene una clave de API YoutTube , cree una en la [Consola Google Cloud ]( https://console.cloud.google.com ). - Asegúrese de que la entrada del chat sea una URL de video YouTube válida. En el componente de entrada del chat se incluye un ejemplo de ` URL `.\n" } \ No newline at end of file diff --git a/src/backend/base/langflow/locales/fr.json b/src/backend/base/langflow/locales/fr.json index 569ae99ce7..b4649c5ac4 100644 --- a/src/backend/base/langflow/locales/fr.json +++ b/src/backend/base/langflow/locales/fr.json @@ -4792,5 +4792,69 @@ "starter_flows.vector_store_rag.description": "Chargez vos données pour le contexte de conversation à l'aide de la génération augmentée par extraction.", "starter_flows.vector_store_rag.name": "Magasin vectoriel RAG", "starter_flows.youtube_analysis.description": "Le flux d'analyse « YouTube » extrait les commentaires et les transcriptions des vidéos, puis analyse les tendances en matière de sentiment et les thèmes abordés.", - "starter_flows.youtube_analysis.name": "YouTube Analyse" + "starter_flows.youtube_analysis.name": "YouTube Analyse", + "template_notes.basic_prompt_chaining.0": "# 📖 README\nCe flux montre comment enchaîner trois invites et trois modèles linguistiques.\nChaque instruction est spécialement conçue pour traiter les résultats précédents, chaque appel au modèle de langage de grande envergure (LLM) s'appuyant sur les résultats antérieurs\n\n\n## Prérequis\n\n* [Clé API OpenAI ]( https://platform.openai.com/ )\n\n## Démarrage rapide\n\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n2. Pour exécuter le flux, ouvrez le **Playground**. Un exemple de saisie est fourni, et d'autres suggestions sont énumérées ci-dessous.\n\n « Le besoin croissant de plateformes de finance décentralisée ( DeFi ) sécurisées et conviviales, qui rendent les investissements dans les cryptomonnaies accessibles aux utilisateurs peu familiarisés avec les technologies. »\n\n « La popularité croissante des expériences immersives de réalité augmentée (RA) pour la collaboration à distance et le renforcement de l'esprit d'équipe virtuel au sein des effectifs dispersés. »\n\n « Le marché en pleine expansion des solutions d'agriculture urbaine intelligentes et « IoT-enabled s », qui permettent aux citadins de cultiver efficacement leurs propres aliments dans des espaces réduits. »\n\n « La demande croissante d'assistants de style et d'achat personnalisés, basés sur l'intelligence artificielle, qui tiennent compte de la durabilité, de l'acceptation du corps et des préférences stylistiques de chacun. »\n\n", + "template_notes.basic_prompting.0": "# 📖 README\nCe modèle présente un flux de conversation standard accompagné d'instructions supplémentaires fournies par une invite. Les prompts fournissent des instructions et des données à un grand modèle linguistique (LLM) en plus des messages standard saisis par l'utilisateur dans la fenêtre de discussion. Dans cet exemple, la consigne décrit le rôle et la personnalité du modèle de langage de grande envergure (LLM).\n\n## Mise en route rapide\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n2. Ouvrez le **Playground** pour lancer la conversation et exécuter le flux.\n\n## Étapes suivantes\nModifiez le modèle de prompt, le modèle ou les paramètres du modèle, tels que **Température**, puis observez comment les réponses évoluent en fonction de ces différentes entrées.\n💡 Certains paramètres des composants sont masqués par défaut; pour afficher tous les paramètres, cliquez sur **Commandes** dans le menu d'en-tête de chaque composant.\n💡 Vous pouvez utiliser des accolades pour créer des variables dans votre modèle, par exemple ` {variable} `. Celles-ci peuvent être renseignées à partir d'autres composants, avec des variables globales Langflow, ou lors de l'exécution.", + "template_notes.basic_prompting.1": "### Configurer votre fournisseur de modèles", + "template_notes.blog_writer.0": "# 📖 README\nCréez un article de blog à partir de contenu récupéré à partir d'URL et d'instructions fournies par l'utilisateur.\n\n## Conditions préalables\n\n* Une [clé API OpenAI ]( https://platform.openai.com/ )\n\n## Démarrage rapide\n\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n2. Dans le composant ** URL **, saisissez les URL à partir desquelles vous souhaitez récupérer du contenu. Assurez-vous qu'elles commencent par « http:// » ou « https:// ».\n3. Ouvrez le **Playground**. Un article de blog est rédigé à partir du contenu récupéré par le composant ** URL **.", + "template_notes.custom_component_generator.0": "# 📖 FICHE DE LECTURE\nBonjour! Je suis là pour vous aider à créer des composants personnalisés pour Langflow. Considérez-moi comme votre partenaire technique, capable de vous aider à transformer vos idées en composants fonctionnels!\n\n## Mise en route rapide\n\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n\n2. 💭 Dites-moi ce que vous souhaitez créer.\nDécrivez simplement, en termes clairs, ce que vous souhaitez que votre composant fasse. Par exemple :\n- « J'ai besoin d'un composant capable d'envoyer des messages sur Slack »\n- « Je souhaite créer un outil capable de traiter des fichiers. CSV »\n- « J'ai besoin d'un outil capable de traduire du texte »\n\n\nPrêt à créer quelque chose de génial? 🚀 C'est parti!", + "template_notes.document_q_a.0": "# 📖 README\nCe flux charge un fichier et utilise un modèle de langage de grande capacité (LLM) pour répondre à des questions en se basant sur le contenu du document chargé.\n\n## Conditions préalables\n\n* Une [clé API OpenAI ]( https://platform.openai.com/ )\n\n## Démarrage rapide\n\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n2. Dans le composant **Fichier**, sélectionnez le fichier que vous souhaitez charger.\n3. Ouvrez le **Playground** et discutez avec votre document.", + "template_notes.financial_report_parser.0": "### Configurer votre fournisseur de modèles", + "template_notes.financial_report_parser.1": "# 📖 README\nCe modèle extrait les principaux indicateurs financiers d'un rapport financier donné. Les données extraites sont structurées et mises en forme pour être utilisées dans un chat.\n\n## Mise en route rapide\n\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n2. Ouvrez le **Playground** pour lancer la conversation et exécuter le flux.\nDans cet exemple, le composant **Chat Input** est préchargé avec un exemple de rapport financier. Le composant **Modèle linguistique** identifie et extrait les informations relatives à la marge brute, à l'EBITDA, au résultat net et aux charges d'exploitation du rapport financier. Ensuite, le composant **Structured Output** met en forme les données extraites dans un format structuré afin d'en faciliter la lecture et de permettre leur traitement ultérieur. Enfin, le composant **Parser** convertit les données extraites en messages qui seront renvoyés à l'utilisateur.", + "template_notes.hybrid_search_rag.0": "# 📖 README\nLa recherche hybride effectue une recherche par similarité vectorielle et une recherche lexicale, compare les résultats des deux recherches, puis renvoie les résultats les plus pertinents dans l'ensemble.\n\n## Conditions préalables\n\n* Une [clé API OpenAI ]( https://platform.openai.com/ )\n* Un [jeton d'application Astra DB]( https://docs.datastax.com/en/astra-db-serverless/databases/create-database.html ) pour le composant Astra DB.\n\n## Mise en route rapide\n\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n2. Dans le composant Astra DB, ajoutez votre jeton d'application Astra DB.\nCela permet de connecter Langflow à votre base de données Astra.\n3. Choisissez une collection Astra compatible avec la technologie hybride.\nPour plus d'informations, consultez la [documentation Datastax]( https://docs.datastax.com/en/astra-db-serverless/databases/hybrid-search.html ).\nLa connexion s'établit entre le composant Parser et le composant Astra DB lorsqu'une base de données vectorielle est connectée.\n4. Assurez-vous que les ports **Termes lexicaux** et **Texte analysé** sont connectés.\n5. Ouvrez Playground et posez une question, par exemple : « Quelles sont les caractéristiques de mes données? »", + "template_notes.image_sentiment_analysis.0": "# 📖 README\nClassez les images téléchargées sur le Playground en fonction de leur sentiment.\n\n## Conditions préalables\n\n* [Clé API OpenAI ]( https://platform.openai.com/ )\n\n## Démarrage rapide\n\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n\n2. Ouvrez le **Playground**, puis envoyez une image dans le chat. \n\nLe LLM analyse l'image. Le sentiment est généré sous forme de tableau structuré conformément au schéma de sortie du composant **Structured Output**, puis converti en message que le Playground affiche.", + "template_notes.instagram_copywriter.0": "# 📖 FICHE D'INFORMATION\n\nBienvenue sur Instagram Copywriter! Ce processus vous aide à créer des publications Instagram captivantes grâce à du contenu généré par l'IA et à des suggestions d'images.\n\n## Démarrage rapide\n- Configurez votre **fournisseur de modèles** avec vos identifiants API.\n- Ajoutez votre **clé API Tavily** au composant **Tavily AI Search**.\n\n## Utilisation de Flow\n**Saisissez votre sujet**\n- Dans le champ de saisie du chat, saisissez une brève description du sujet sur lequel vous souhaitez publier un message.\n- Exemple : « Créez un message sur la méditation et ses bienfaits »", + "template_notes.invoice_summarizer.0": "# 📖 FICHE D'INFORMATION\nUtilisez l'**API Needle Search** et un **agent** pour collecter et synthétiser vos données de facturation rapidement et avec précision.\n\n## Conditions préalables\n\n* Une **collection** et une **clé API** issues de votre déploiement [ Needle.ai ]( https://needle-ai.com )\n* Une [clé API OpenAI ]( https://platform.openai.com/ )\n\n## Démarrage rapide\n\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n\n2. Importez vos factures dans votre collection Needle. \n\n3. Dans l'outil **Needle Search**, saisissez votre **identifiant de collection Needle** et votre **clé API Needle**.\n\n4. Ouvrez le **Playground** et consultez vos factures. Le composant **Agent** détermine la requête appropriée et la taille de la recherche pour l'extraction des données.\n", + "template_notes.invoice_summarizer.1": "### Configurer votre fournisseur de modèles", + "template_notes.invoice_summarizer.2": "### Entrez ici votre clé API Needle Search 👇", + "template_notes.knowledge_base.0": "# 📖 README\nUn composant autonome gère l'extraction des connaissances importées à partir de bases de connaissances existantes. Pour retrouver des informations :\n\n1. Sélectionnez votre base de connaissances dans le menu déroulant « Base de connaissances ». Si vous ne le voyez pas, cliquez sur « Actualiser la liste ».\n2. (Facultatif) Saisissez une requête de recherche à effectuer dans la base de connaissances.\n\nNotez que, par défaut, 5 résultats sont affichés; vous pouvez modifier ce paramètre en cliquant sur « Contrôles » en haut du composant.\n", + "template_notes.market_research.0": "# 📖 FICHE D'INFORMATION\nCe flux vous aide à recueillir des informations complètes sur les entreprises à des fins commerciales et d'analyse stratégique.\n\n## Prérequis\n\n- **[Clé API Tavily]( https://docs.tavily.com/welcome )**\n- **[Clé API OpenAI ]( https://platform.openai.com/ )**\n\n## Démarrage rapide\n\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n2. Ajoutez votre **clé API Tavily** au composant **Tavily Search**.\n3. Dans le champ **Saisie du chat**, saisissez le nom de l'entreprise sur laquelle vous souhaitez effectuer une recherche.\n4. Ouvrez **Playground** et renseignez-vous sur l'entreprise. Le composant **Structured Output** transforme la réponse brute du LLM en données structurées, tandis que le composant **Parser** présente ces données sous forme de texte que le composant **Chat output** peut afficher.", + "template_notes.meeting_summary.0": "### Ajoutez ici votre clé API Assembly AI et votre fichier audio", + "template_notes.meeting_summary.1": "### Entrez ici votre clé API Assembly AI", + "template_notes.meeting_summary.2": "### Configurer votre fournisseur de modèles", + "template_notes.meeting_summary.3": "### Configurer votre fournisseur de modèles", + "template_notes.meeting_summary.4": "# 📖 README\nCe flux transcrit et résume automatiquement les réunions en convertissant les enregistrements audio en résumés concis à l'aide de **AssemblyAI**, **OpenAI et GPT-4**.\n\n## Conditions préalables\n\n- **[Clé API AssemblyAI ]( https://www.assemblyai.com/ )**\n- **[Clé API OpenAI ]( https://platform.openai.com/ )**\n\n## Démarrage rapide\n\n1. Téléchargez un fichier audio. Les formats de fichiers audio les plus courants sont [pris en charge]( https://github.com/langflow-ai/langflow/blob/main/src/backend/base/langflow/components/assemblyai/assemblyai_start_transcript.py#L27 ).\n2. Pour exécuter le flux du générateur de résumé, cliquez sur **Playground**.\n\nLe flux transcrit l'audio à l'aide d' **AssemblyAI**\nLa transcription est formatée pour le traitement par IA.\nLe modèle « **GPT-4** » met en évidence les points clés et les enseignements à retenir.\nLes détails de la réunion sont présentés sous une forme adaptée à la discussion en ligne.\n\n\n\n", + "template_notes.memory_chatbot.0": "# 📖 README\nCe flux étend le modèle **Basic Prompting** en ajoutant un composant **Historique des messages** capable de récupérer jusqu'à 100 messages de discussion précédents afin de servir de contexte à la conversation en cours.\n\n## Mise en route rapide\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n2. Ouvre le **Playground**, puis indique ton nom au LLM.\n3. Lancez une nouvelle session de discussion dans le Playground, puis demandez : « Comment je m'appelle? ». Le LLM est capable de retrouver votre nom à partir de l'historique des discussions enregistré.\n\n## À propos du composant « Historique des messages »\nLes composants **Modèle linguistique** et **Agent** intègrent une mémoire de conversation activée par défaut, dont le fonctionnement est identique à celui du composant **Historique des messages**.\nN'utilisez le composant **Historique des messages** que lorsque vous souhaitez enregistrer ou récupérer l'historique d'une conversation à partir d'une base de données externe dédiée, ou lorsque vous devez récupérer cet historique en dehors du contexte de la session en cours, par exemple dans un flux ne relevant pas d'une conversation ou pour fournir l'historique d'autres conversations à une session différente. Pour plus d'informations, consultez la page [Enregistrer l'historique des discussions]( https://docs.langflow.org/memory#store-chat-memory ).", + "template_notes.news_aggregator.0": "### Configurer votre fournisseur de modèles", + "template_notes.news_aggregator.1": "### Entrez ici votre clé API d' AgentQL", + "template_notes.news_aggregator.2": "# 📖 README\nCe flux extrait des données structurées d'un fichier URL et les enregistre dans un fichier JSON.\n\n## Conditions préalables\n\n* **[Clé API AgentQL ]( https://dev.agentql.com/api-keys )**\n* **[Clé API OpenAI ]( https://platform.openai.com/ )**\n\n## Démarrage rapide\n\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n2. Ajoutez votre [clé API AgentQL ]( https://dev.agentql.com/api-keys ) au composant **AgentQL**.\n3. Cliquez sur **Playground** et saisissez une question.\n\nLe composant **Agent** renseigne les champs ** URL ** et **Query** du composant **AgentQL**, puis renvoie une réponse structurée à votre question. Les données extraites sont ensuite enregistrées dans un fichier JSON nommé « news-aggregated.json », que vous trouverez dans le répertoire de votre projet actuel.", + "template_notes.nvidia_rtx_remix.0": "# 📖 README\nCe projet Langflow permet d'intégrer le kit d'outils RTX Remix d' NVIDIA via son API REST.\n\n## Conditions préalables\n\nAvant d'utiliser ce projet, assurez-vous d'avoir suivi les étapes suivantes :\n\n1. **Installer RTX Remix Toolkit**\nRTX Remix Toolkit doit être installé sur votre système. Suivez le guide d'installation disponible ici :\n[Installation de RTX Remix Toolkit]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/installation/install-toolkit.html )\n\n2. **Lancer RTX Remix Toolkit**\nAssurez-vous que l'application RTX Remix Toolkit est en cours d'exécution avant d'utiliser ce projet Langflow.\n\n3. **Créer/ouvrir un projet**\nVous devez avoir ouvert un projet RTX Remix dans le Toolkit. Découvrez ici comment configurer un projet :\n[Configurer un projet avec le kit d'outils RTX Remix]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/gettingstarted/learning-toolkitsetup.html )\n\n### Tutoriel de démarrage rapide\n\nPour vous lancer rapidement avec RTX Remix, suivez le tutoriel [Créer votre premier mod pour l'exemple RTX Remix]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/tutorials/tutorial-remixtool.html ).\n\nCe guide vous accompagne tout au long du processus d'installation des différents composants nécessaires, de leur configuration et de la mise en place du projet.\n\n## Pour commencer\n\nUne fois toutes les conditions préalables remplies, le projet Langflow devrait fonctionner sans configuration supplémentaire.\n\n### Vérification de la connexion\n\nPour vérifier que tout fonctionne correctement :\n\n1. Ouvrez le projet Langflow\n2. Recherchez le nœud **RTX Remix MCP Connection**\n3. Cliquez sur le **bouton Actualiser** du nœud\n4. Vérifiez que les différents outils de l'API REST s'affichent\n\nSi les outils de l'API REST s'affichent après l'actualisation, cela signifie que votre connexion à RTX Remix Toolkit fonctionne correctement et que vous pouvez commencer à utiliser les outils disponibles.\n\n## Ressources supplémentaires\n\n- [Documentation RTX Remix]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/ )\n- [Documentation MCP RTX Remix]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/howto/learning-mcp.html )\n- [Documentation de l'API REST RTX Remix]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/howto/learning-restapi.html )", + "template_notes.pok_dex_agent.0": "## Ouvre l'espace de jeu et pose toutes tes questions sur un Pokémon! ⚡ 🐹", + "template_notes.pok_dex_agent.1": "# 📖 README\nRassemblez des données sur les Pokémon à l'aide d'un **Agent** spécialisé et de l'API Pokédex.\n\n## Conditions préalables\n\n* Une [clé API OpenAI ]( https://platform.openai.com/ )\n\n## Démarrage rapide\n\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n2. Cliquez sur **Playground** et posez des questions sur votre Pokémon préféré.\nL'**Agent** interroge l'API du Pokédex et renvoie une entrée mise en forme.", + "template_notes.pok_dex_agent.2": "### Configurer votre fournisseur de modèles", + "template_notes.portfolio_website_code_generator.0": "### 💡 Téléchargez votre CV ici", + "template_notes.portfolio_website_code_generator.1": "# 📖 À LIRE : Votre CV téléchargé est analysé et structuré, puis converti en code HTML/CSS pour votre site web CV ! ✅ **Formats acceptés :** PDF ou TXT ✅ Pour une meilleure lisibilité, veuillez utiliser des titres clairs, des puces et une mise en forme appropriée. ### 📌 Champs de sortie structurés : 1. 🏷 **Nom complet** - Nom complet du candidat 2. 📧 **Adresse e-mail** - Adresse e-mail valide 3. 📞 **Numéro de téléphone** - Numéro de téléphone 4. 🔗 **LinkedIn** - URL du profil LinkedIn 5. 🖥 **GitHub** - URL du profil GitHub (le cas échéant) 6. 🌐 **Portfolio** - Site web personnel ou URL du portfolio 7. 🛂 **Statut de visa** - Informations sur l'autorisation de travail (le cas échéant) 8. 📝 **Résumé** - Bref résumé professionnel ou objectif de carrière 9. 💼 **Expérience** - Détails de l'expérience professionnelle (sous forme de dictionnaire) 10. 🎓 **Formation** - Informations sur la formation (sous forme de dictionnaire) 11. 🛠 **Compétences** - Compétences mentionnées dans le CV (séparées par des virgules) 12. 🚀 **Projets** - Titres, descriptions et détails des projets.", + "template_notes.portfolio_website_code_generator.2": "### 💡 Cliquez sur « Ouvrir la table » pour afficher le schéma", + "template_notes.portfolio_website_code_generator.3": "### 💡 Entrez ici votre clé API Anthropic", + "template_notes.portfolio_website_code_generator.4": "### Configurer votre fournisseur de modèles", + "template_notes.price_deal_finder.0": "### Configurer votre fournisseur de modèles", + "template_notes.price_deal_finder.1": "### 💡 Entrez ici votre clé API d' AgentQL", + "template_notes.price_deal_finder.2": "# 📖 README\nCe flux recherche et compare les prix d'un produit sur Internet.\n## Conditions préalables\n\n* **[Clé API AgentQL ]( https://dev.agentql.com/api-keys )**\n* **[Clé API OpenAI ]( https://platform.openai.com/ )**\n* **[Clé API de recherche TavilyAI ]( https://tavily.com/ )**\n\n## Démarrage rapide\n\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n2. Ajoutez votre [clé API AgentQL ]( https://dev.agentql.com/api-keys ) au composant **AgentQL**.\n3. Ajoutez votre [clé API de recherche TavilyAI ]( https://tavily.com/ ) au composant **Tavily AI Search**.\n4. Cliquez sur **Playground** et saisissez un produit dans la fenêtre de discussion. Par exemple, recherchez « \"iPhone 16 Pro 512 Go »)\n* Le composant **Agent** remplit le champ **Search Query** du composant **Tavily AI Search**, ainsi que les champs ** URL ** et **Query** du composant **Agent QL**.\n\n* L'**Agent** renvoie une réponse structurée à votre recherche dans le chat.", + "template_notes.price_deal_finder.3": "### 💡 Entrez ici votre clé de recherche Tavily AI", + "template_notes.research_agent.0": "# 📖 FICHE DE PRÉSENTATION\n\nBienvenue dans Research Agent! Ce processus vous aide à mener des recherches approfondies sur divers sujets à l'aide d'outils et d'analyses basés sur l'IA.\n\n## Démarrage rapide\n- Configurez votre **fournisseur de modèles** avec vos identifiants API.\n- Ajoutez votre **clé API Tavily** au composant Tavily AI Search.\n\n## Utilisation de Flow\n- Saisissez votre question ou votre sujet de recherche dans le nœud « Chat Input ».\n- Soyez précis et clair quant à ce que vous souhaitez étudier.", + "template_notes.research_translation_loop.0": "# 📖 README\nCe modèle traduit en portugais les résumés d'articles de recherche publiés sur ArXiv et les synthétise. \n Grâce au **mécanisme de boucle de Langflow**, le modèle parcourt plusieurs articles de recherche, les traduit à l'aide du composant de modèle « **OpenAI** », puis génère une version agrégée de tous les articles traduits.\n\n## Mise en route rapide\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API. \n2. Dans l'**espace de test**, saisissez une requête en rapport avec un sujet de recherche (par exemple, « Progrès en informatique quantique »). \n\n Le flux récupère une liste d'articles de recherche provenant du site ArXiv et correspondant à la requête. Chaque article de la liste obtenue est traité un par un à l'aide du **composant Loop** de Langflow. \n\n Le résumé de chaque article est traduit en portugais par le composant « **OpenAI** ». \n\n Une fois tous les documents traduits, le système les regroupe en un **fichier de sortie structuré unique**.", + "template_notes.saas_pricing.0": "# 📖 FICHE D'INFORMATION\nBienvenue sur le calculateur de tarifs d' SaaS! Ce guide vous aide à déterminer le prix d'abonnement mensuel optimal pour votre service logiciel.\n\n## Instructions\n\n1. Préparez vos données\n- Recueillez des informations sur les coûts mensuels d'infrastructure\n- Calculez les frais liés au service client\n- Estimez les coûts liés au développement continu\n- Déterminez la marge bénéficiaire souhaitée\n- Estimez le nombre d'abonnés\n\n2. Valeurs saisies\n- Saisissez les données recueillies dans les champs correspondants du nœud « Prompt »\n- Vérifiez bien l'exactitude de vos saisies\n\n3. Lancer le flux\n- Cliquez sur le bouton « Lancer » pour démarrer le processus de calcul\n- Le flux utilisera des invites de type « chaîne de pensée » pour guider l'IA à travers les différentes étapes\n\n4. Consultez les résultats\n- Examinez les données affichées dans le nœud « Chat Output »\n- Le résultat présentera une ventilation des coûts ainsi que le prix final de l'abonnement\n\n5. Ajuster et affiner\n- Si nécessaire, modifiez vos données pour explorer différents scénarios de tarification\n- Relancez le processus pour voir comment ces changements influencent le prix final\n\nN'oubliez pas : mettez régulièrement à jour vos coûts et vos estimations d'abonnés pour que votre modèle de tarification reste précis et compétitif! 💼📊", + "template_notes.search_agent.0": "# � README\nCe modèle relie le point de terminaison **Search Point** de [ ScrapeGraphAI ]( https://scrapegraphai.com ) à un composant **Agent**.\n\n## Conditions préalables\n\n* [Clé API OpenAI ]( https://platform.openai.com/docs/overview )\n* [Clé API ScrapeGraphAI ]( https://dashboard.scrapegraphai.com )\n\n## Démarrage rapide\n\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n\n2. Ajoutez votre clé API d' **ScrapeGraphAI ** au composant **ScrapeGraphSearchApi**.\n\n3. Ouvrez le **Playground** et posez une question à votre agent. L'agent utilise ScrapeGraph pour vous répondre.", + "template_notes.search_agent.1": "### Configurer votre fournisseur de modèles", + "template_notes.search_agent.2": "### Ajoutez ici votre clé API d' ScrapeGraphAI 👇", + "template_notes.seo_keyword_generator.0": "# 📖 FICHE DE LECTURE\nCe modèle génère des mots-clés stratégiques en fonction de votre produit et du profil de votre public.\n\n### Conditions préalables\n\n* [Clé API OpenAI ]( https://platform.openai.com/ )\n\n## Démarrage rapide\n\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n\n2. Dans le composant **Invite**, remplissez les champs suivants. Si vous le souhaitez, vous pouvez simplement exécuter le flux avec les valeurs d'exemple fournies.\n\n* Informations sur le produit\n* Problématiques\n* Objectifs\n* Public cible\n* Niveau d'expertise\n* Résultats de l'évaluation\n\n3. Ouvrez le **Playground**, puis cliquez sur **Exécuter le flux**. Le LLM génère des mots-clés à partir des informations que vous lui fournissez.", + "template_notes.seo_keyword_generator.1": "### Configurer votre fournisseur de modèles", + "template_notes.sequential_tasks_agents.0": "# 📖 FICHE DE LECTURE\nCe flux montre comment enchaîner plusieurs agents IA pour effectuer des recherches et des analyses approfondies. Chaque agent est spécialisé dans différents aspects du processus de recherche et s'appuie sur le travail de l'agent précédent.\n\n## Mise en route rapide\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n2. Ajoutez votre **clé API Tavily** au composant **Tavily AI Search**.\n3. Ouvrez le **Playground** et saisissez une requête pour exécuter le flux. Soyez précis et clair, et mentionnez les points clés que vous souhaitez voir analysés par les agents d'un point de vue financier.\nÉtant donné que ce flux intègre un agent d'analyse financière, les requêtes pertinentes devraient inclure un aspect financier, par exemple : « Dois-je investir dans Tesla (TSLA)? » « L'accent sur l'impact du développement de l'IA ». En revanche, demander à l'agent « Parlez-moi de Tesla » n'est pas aussi utile, car cela ne déclenche pas l'agent de recherche financière et ne fournit pas de pistes de recherche précises aux autres agents.\n\n## Étapes suivantes\nCe modèle prend l'analyse financière comme exemple. Essayez de l'adapter à d'autres tâches nécessitant un travail de recherche approfondi et faisant appel à plusieurs points de vue et sources de données.", + "template_notes.simple_agent.0": "# 📖 README\nExécutez un agent à l'aide des outils « URL » et «Calculator» mis à disposition. \nC'est l'agent qui décide quel outil utiliser pour résoudre un problème.\n## Mise en route rapide\n\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n2. Ouvre le Playground et discute avec l'Agent. Demandez des informations sur une recette, puis demandez à additionner deux nombres. Dans ses réponses, l'agent utilisera différents outils pour résoudre différents problèmes.\n\n## Prochaines étapes\nConnectez d'autres outils à l'Agent pour créer votre assistant idéal.\n\nPour en savoir plus, consultez la [documentation Langflow]( https://docs.langflow.org/agents-tool-calling-agent-component ).", + "template_notes.simple_agent.1": "### Configurer votre fournisseur de modèles", + "template_notes.social_media_agent.0": "### 💡 Entrez ici votre clé API Apify ", + "template_notes.social_media_agent.1": "### 💡 Entrez ici votre clé API Apify ", + "template_notes.social_media_agent.2": "# 📖 README\nExtrayez des données avec **Apify Actors** et analysez-les à l'aide d'un **Agent**.\n\n## Conditions préalables\n\n* Un [jeton API Apify]( https://docs.apify.com/platform/integrations/api#api-token )\n* Une [clé API OpenAI ]( https://platform.openai.com/ )\n\n## Démarrage rapide\n\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n2. Saisissez votre jeton API **Apify** dans les champs **Apify Token** des composants **Apify Actors**.\n3. Ouvrez le **Playground** et discutez avec l'agent. Par exemple, demandez-lui de récupérer la biographie d'un profil et la dernière vidéo à l'aide de cette instruction :\n```\nTrouve le profil TikTok de l'entreprise OpenAI à l'aide de la recherche sur Google, puis affiche-moi la biographie du profil et leur dernière vidéo.\n```", + "template_notes.social_media_agent.3": "### Configurer votre fournisseur de modèles", + "template_notes.text_sentiment_analysis.0": "# 📖 README\nCe flux traite des données textuelles, analyse le sentiment et fournit des informations structurées.\n\n## Prérequis\n\n* [Clé API OpenAI ]( https://platform.openai.com/docs/ )\n\n## Démarrage rapide\n\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n2. Dans le **composant Fichier**, chargez des données textuelles aux formats `.txt`, `.csv` ou `.json`.\n3. Ouvrez le **Playground** pour consulter l'analyse et les recommandations générées par le flux.\n\n## Comment ça marche\n\n1. Le composant **Data to Message** convertit les données brutes en messages structurés. \n\n2. La commande **Expert en PNL** permet d'effectuer une analyse des sentiments, tandis que la commande **Analyse des messages** résume les messages d'un forum de discussion.\n\n3. Le dernier **composant de prompt** génère un message de recommandation structuré afin de garantir que le modèle d'IA reçoive des données d'entrée correctement formatées. \n\n4. Le composant « **OpenAI » traite le texte et classe le sentiment comme **positif, neutre ou négatif**. \n\n", + "template_notes.text_sentiment_analysis.1": "### Configurer votre fournisseur de modèles", + "template_notes.text_sentiment_analysis.2": "### Configurer votre fournisseur de modèles", + "template_notes.text_sentiment_analysis.3": "### Configurer votre fournisseur de modèles", + "template_notes.travel_planning_agents.0": "# 📖 README\n\nLe système de planification de voyages est une solution intelligente qui utilise plusieurs composants Agent spécialisés pour vous aider à organiser des voyages exceptionnels. Imaginez chaque agent comme un expert en voyages spécialisé dans une partie de votre périple. Voici comment cela fonctionne :\nChaque agent dispose d'un rôle défini dans les **Instructions destinées aux agents** et des **Outils** correspondants sont joints. L'utilisateur soumet une requête via le **Chat Input**, et les trois agents élaborent un itinéraire complet en fonction de cette requête.\n\n## Mise en route rapide\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n2. Ajoutez votre clé **API de recherche** au composant API de recherche.\n2. Exécutez le flux dans le **Playground**.", + "template_notes.twitter_thread_generator.0": "# 📖 LIRE AVANT DE COMMENCER\nBienvenue dans le générateur de fils Twitter! Ce flux vous aide à créer des fils Twitter captivants en transformant vos données structurées en contenu attrayant.\n\n## Instructions\n\n1. Préparez vos données d'entrée\n- Remplissez le champ « Contexte » avec votre message principal ou votre récit\n- Définissez les « Directives de contenu » pour la structure et le style du fil de discussion\n- Précisez le « Type de profil » et les « Détails du profil » afin de refléter l'identité de votre marque\n- Définissez le « Ton et le style » pour orienter l'approche de communication\n- Choisissez le « Format de sortie » (fil de discussion) et la langue souhaitée\n\n2. Configurer l'invite\n- Le flux utilise un modèle d'invite spécifique pour générer du contenu\n- Assurez-vous que tous les champs de saisie sont connectés au nœud d'invite\n\n3. Lancer la génération\n- Exécutez le flux pour traiter vos données d'entrée\n- Le modèle d' OpenAI s créera le fil de discussion en fonction de vos spécifications\n\n4. Vérifier et affiner\n- Examinez le résultat dans le nœud « Chat Output »\n- Si nécessaire, modifiez vos paramètres d'entrée et relancez le processus pour obtenir de meilleurs résultats\n\n5. Finaliser et publier\n- Une fois que vous êtes satisfait, copiez le fil de discussion généré\n- Publiez-le sur Twitter en conservant la structure et le rythme\n\nN'oubliez pas : pour obtenir les meilleurs résultats, soyez précis dans votre contexte et vos consignes! 🚀\n", + "template_notes.vector_store_rag.0": "## 🐕 2. Flux Retriever\n\nCe flux répond à vos questions à l'aide de données contextuelles extraites de votre base de données vectorielle.\n\nOuvrez le **Playground** et demandez :\n\n```\nDe quoi traite ce document?\n```\n", + "template_notes.vector_store_rag.1": "# 📖 README\nLa génération augmentée par la recherche (RAG) est une méthode qui consiste à fournir un contexte supplémentaire à un grand modèle linguistique (LLM) en préchargeant une base de données vectorielle avec des représentations vectorielles de contenus pertinents. Lorsqu'un utilisateur discute avec le LLM, une _recherche par similarité_ permet de récupérer du contenu pertinent en comparant la représentation vectorielle de la requête de l'utilisateur à celles stockées dans la base de données vectorielle.\nPar exemple, un chatbot RAG pourrait être préchargé avec des données sur les produits, ce qui lui permettrait d'aider les clients à trouver des produits spécifiques en fonction de leurs requêtes.\nCe modèle comporte deux sous-flux. L'un des flux charge des données dans votre base de données vectorielle, tandis que l'autre est le flux de conversation piloté par l'utilisateur qui compare une nouvelle requête au contenu existant dans votre base de données vectorielle.\n\n## Mise en route rapide\n1. Configurez votre **fournisseur de modèles** à l'aide de vos identifiants API.\n2. Ajoutez un jeton d'application Astra aux composants de la base de données vectorielle **Astra DB**, ou remplacez ces composants par d'autres composants de base de données vectorielle disponibles dans le menu **Composants**.\n\n## Exécuter les flux\n1. Importez vos données dans une base de données vectorielle à l'aide du flux 📚 **Importer des données**. Sélectionnez un fichier à télécharger dans le composant **Fichier**, puis cliquez sur **Lire** ▶️ dans le composant **Astra DB** pour exécuter le flux **Charger les données**.\n2. Ouvre le **Playground** pour lancer une conversation avec le flux 🐕 **Retriever**.\n\nN'exécutez le flux **Charger les données** que lorsque vous devez alimenter votre base de données vectorielle avec du contenu de base, comme des données sur les produits.\nLe flux **Retriever** est le flux de discussion destiné aux utilisateurs. Ce processus génère une représentation vectorielle à partir de la saisie du chat, effectue une recherche par similarité dans la base de données vectorielle pour extraire le contenu pertinent, puis transmet la requête d'origine et le contenu extrait au modèle de langage de grande capacité (LLM), qui génère la réponse du chat envoyée à l'utilisateur.\n\n## Prochaines étapes\nFaites des essais en modifiant la consigne et les données chargées pour voir comment les réponses du modèle de langage grand format (LLM) évoluent.", + "template_notes.vector_store_rag.2": "## 📚 1. Chargement du flux de données\n\nExécutez ceci en premier! Charger les données à partir d'un fichier local et les intégrer dans la base de données vectorielle.\n\nSélectionnez une base de données et une collection, ou créez-en de nouvelles. \n\nCliquez sur **Exécuter le composant** dans le composant **Astra DB** pour charger vos données.\n\n\n### Prochaines étapes :\nFaites des essais en modifiant la requête et les données contextuelles pour voir comment les réponses du flux de recherche évoluent.", + "template_notes.vector_store_rag.3": "### 💡 Entrez ici votre clé API d' OpenAI 👇", + "template_notes.youtube_analysis.0": "# 📖 FICHE DE LECTURE\nCe flux effectue une analyse approfondie des vidéos de YouTube.\n1. Extraire les commentaires et les transcriptions des vidéos.\n2. Effectuer une analyse des sentiments sur les commentaires à l'aide d'un modèle de langage de grande capacité (LLM).\n3. Combiner le contenu des transcriptions et le ton des commentaires pour une analyse vidéo complète.\n## Démarrage rapide : configurez votre **fournisseur de modèle** avec vos identifiants API. Ajoutez votre **YouTube v3 **. Si vous n'avez pas de clé API YoutTube , créez-en une dans la [console Google Cloud ]( https://console.cloud.google.com ). Assurez-vous que l' URL de la vidéo YouTube saisie dans le chat est valide. Un exemple d' URL s est fourni dans le composant de saisie du chat.\n" } \ No newline at end of file diff --git a/src/backend/base/langflow/locales/ja.json b/src/backend/base/langflow/locales/ja.json index 6e7a04e8be..40ab15e7c4 100644 --- a/src/backend/base/langflow/locales/ja.json +++ b/src/backend/base/langflow/locales/ja.json @@ -4792,5 +4792,69 @@ "starter_flows.vector_store_rag.description": "リトリーバル・オーグメンテッド・ジェネレーション（RAG）を使用して、チャットコンテキスト用のデータを読み込みます。", "starter_flows.vector_store_rag.name": "Vector Store RAG", "starter_flows.youtube_analysis.description": "「 YouTube 」の分析フローは、動画のコメントや文字起こしデータを抽出し、感情の傾向やコンテンツのテーマを分析します。", - "starter_flows.youtube_analysis.name": "YouTube 分析" + "starter_flows.youtube_analysis.name": "YouTube 分析", + "template_notes.basic_prompt_chaining.0": "# 📖 README\nこのフローでは、3つのプロンプトと3つの言語モデルを連結する方法を示しています。\n各プロンプトは、前の出力を処理するように特別に設計されており、LLMへの各呼び出しは前の結果に基づいて行われます\n\n\n## 前提条件\n\n* [ OpenAI APIキー]( https://platform.openai.com/ )\n\n## クイックスタート\n\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n2 フローを実行するには、**Playground**を開いてください。 入力例を以下に示します。その他の提案については、以下に挙げます。\n\n 「技術に詳しくないユーザーでも暗号資産への投資を容易に行える、安全で使いやすい分散型金融（ DeFi ）プラットフォームへの需要が高まっている。」\n\n 「分散型ワークフォースにおけるリモートコラボレーションやバーチャルチームビルディングのための、没入型拡張現実（AR）体験の人気が高まっている。」\n\n 「都市居住者が限られたスペースで効率的に食料を自給できる、スマートで IoT-enabled な都市農業ソリューションの市場が拡大している。」\n\n 「サステナビリティ、ボディポジティブ、そして個人のスタイルの好みを考慮した、AIを活用したパーソナルスタイリングおよびショッピングアシスタントへの需要が高まりつつある。」\n\n", + "template_notes.basic_prompting.0": "# 📖 README\nこのテンプレートは、プロンプトによる追加の指示を含む標準的なチャットの流れを示しています。 プロンプトは、ユーザーがチャットで入力する標準的な内容に加え、大規模言語モデル（LLM）に対する指示や入力情報を提供します。 この例では、プロンプトでLLMの役割とキャラクターが説明されています。\n\n## クイックスタート\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n2 **Playground** を開いて、チャットを開始し、フローを実行します。\n\n## 次の手順\nプロンプトテンプレート、モデル、または**Temperature**などのモデル設定を変更し、入力内容の違いによって応答がどのように変化するかを確認してください。\n💡 一部のコンポーネント設定はデフォルトで非表示になっています。すべての設定を表示するには、各コンポーネントのヘッダーメニューにある**Controls**をクリックしてください。\n💡 テンプレート内で ` {variable} ` のような変数を作成するには、中括弧（{}）を使用します。これらの変数には、他のコンポーネントからの値、Langflowのグローバル変数、または実行時に値が代入されます。", + "template_notes.basic_prompting.1": "### モデルプロバイダーの設定", + "template_notes.blog_writer.0": "# 📖 README\nURLから取得したコンテンツと、ユーザーが指定した指示に基づいてブログ記事を作成します。\n\n## 前提条件\n\n* [ OpenAI APIキー]( https://platform.openai.com/ )\n\n## クイックスタート\n\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n2 ** URL ** コンポーネントに、コンテンツを取得したい URL を入力してください。 URLが ` http:// ` または ` https:// ` で始まることを確認してください。\n3. **プレイグラウンド**を開きます。 ブログ記事は、** URL ** コンポーネントによって取得されたコンテンツに基づいて作成されます。", + "template_notes.custom_component_generator.0": "# 📖 README\nこんにちは！ Langflow用のカスタムコンポーネントの作成をお手伝いします。 私を、あなたのアイデアを実際に動くコンポーネントへと形にするお手伝いができる技術パートナーだと思ってください！\n\n## クイックスタート\n\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n\n2. 💭 何を構築したいのか教えてください。\nそのコンポーネントに何をしてほしいかを、平易な言葉で説明してください。 例えば：\n- 「Slackにメッセージを送信できるコンポーネントが必要」\n- 「 CSV ファイルを処理できるツールを作りたい」\n- 「テキストを翻訳できるツールが必要」\n\n\n素晴らしいものを作る準備はできましたか？ 🚀 さあ、始めましょう！", + "template_notes.document_q_a.0": "# 📖 README\nこのフローはファイルを読み込み、LLMを使用して読み込んだドキュメントの内容に基づいて質問に回答します。\n\n## 前提条件\n\n* [ OpenAI APIキー]( https://platform.openai.com/ )\n\n## クイックスタート\n\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n2 **ファイル**コンポーネントで、読み込みたいファイルを選択してください。\n3 **Playground**を開いて、ドキュメントと対話してみましょう。", + "template_notes.financial_report_parser.0": "### モデルプロバイダーの設定", + "template_notes.financial_report_parser.1": "# 📖 README\nこのテンプレートは、指定された財務報告書のテキストから主要な財務指標を抽出します。 抽出されたデータは、チャットでの利用に適した形式に整えられています。\n\n## クイックスタート\n\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n2 **Playground** を開いて、チャットを開始し、フローを実行してください。\nこの例では、**Chat Input** コンポーネントには、サンプルの財務報告書が事前に読み込まれています。 **言語モデル**コンポーネントは、財務報告書から売上総利益、EBITDA、当期純利益、および営業費用の情報を特定し、取得します。 次に、**構造化出力**コンポーネントが、読みやすさとさらなる処理を容易にするため、抽出されたデータを構造化された形式に整えます。 最後に、**Parser**コンポーネントが、抽出されたデータをユーザーに返すメッセージに変換します。", + "template_notes.hybrid_search_rag.0": "# 📖 README\nハイブリッド検索は、ベクトル類似度検索と語彙検索を実行し、両方の検索結果を比較した上で、全体として最も関連性の高い結果を返します。\n\n## 前提条件\n\n* [ OpenAI APIキー]( https://platform.openai.com/ )\n* Astra DBコンポーネント用の[Astra DBアプリケーショントークン]( https://docs.datastax.com/en/astra-db-serverless/databases/create-database.html )。\n\n## クイックスタート\n\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n2 Astra DB コンポーネントに、Astra DB アプリケーショントークンを追加してください。\nこれにより、LangflowがAstraデータベースに接続されます。\n3 ハイブリッド対応のAstraコレクションを選択してください。\n詳細については、[Datastaxのドキュメント]( https://docs.datastax.com/en/astra-db-serverless/databases/hybrid-search.html )をご覧ください。\nベクトルデータベースが接続されると、ParserコンポーネントとAstra DBコンポーネントの間に接続が表示されます。\n4 **語彙用語**ポートと**解析済みテキスト**ポートが接続されていることを確認してください。\n5 Playgroundを開き、「自分のデータにはどのような特徴がありますか？」といった質問をしてみてください", + "template_notes.image_sentiment_analysis.0": "# 📖 README\nPlaygroundにアップロードされた画像を感情別に分類します。\n\n## 前提条件\n\n* [ OpenAI APIキー]( https://platform.openai.com/ )\n\n## クイックスタート\n\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n\n2 **Playground**を開き、チャットに画像を送信してください。 \n\nLLMが画像を分析します。 その感情は、**Structured Output** コンポーネントの出力スキーマに従って構造化されたテーブルとして出力され、その後、Playground で表示されるメッセージとして解析されます。", + "template_notes.instagram_copywriter.0": "# 📖 README\n\nInstagramコピーライターへようこそ！ このフローを使えば、AIが生成したコンテンツや画像のプロンプトを活用して、魅力的なInstagram投稿を作成できます。\n\n## クイックスタート\n- **モデルプロバイダー**をAPI認証情報で設定します。\n- **Tavily APIキー**を**Tavily AI Search**コンポーネントに追加します。\n\n## フローの使用方法\n**トピックを入力**\n- チャット入力欄に、投稿したいトピックの簡単な説明を入力してください。\n- 例：「瞑想とその効果について投稿を作成してください」", + "template_notes.invoice_summarizer.0": "# 📖 README\n**Needle Search API** と **Agent** を活用して、請求書データを迅速かつ正確に収集・要約しましょう。\n\n## 前提条件\n\n* [ Needle.ai ]( https://needle-ai.com ) でのデプロイから取得した **コレクション** および **API キー**\n* [ OpenAI API キー]( https://platform.openai.com/ )\n\n## クイックスタート\n\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n\n2 請求書をNeedle Collectionに読み込んでください。 \n\n3 **Needle Search** ツールに、**Needle Collection ID** と **Needle API Key** を入力してください。\n\n4 **Playground** を開き、請求書を照会してください。 **Agent** コンポーネントは、データ取得に適切なクエリと検索範囲を決定します。\n", + "template_notes.invoice_summarizer.1": "### モデルプロバイダーの設定", + "template_notes.invoice_summarizer.2": "### ここにNeedle Search APIキーを入力してください 👇", + "template_notes.knowledge_base.0": "# 📖 README\n既存のナレッジベースから取り込まれたナレッジの取得を処理するスタンドアロンコンポーネントです。 知識を検索するには：\n\n1. 「ナレッジベース」ドロップダウンからナレッジベースを選択してください。 表示されない場合は、「リストを更新」を選択してください。\n2 （任意）ナレッジベースで検索するクエリを入力してください。\n\nデフォルトでは5件の結果が表示されますが、コンポーネント上部の「コントロール」をクリックすることで設定を変更できます。\n", + "template_notes.market_research.0": "# 📖 README\nこのフローは、営業やビジネスインテリジェンスの目的で、企業に関する包括的な情報を収集するのに役立ちます。\n\n## 前提条件\n\n- **[Tavily APIキー]( https://docs.tavily.com/welcome )**\n- **[ OpenAI APIキー]( https://platform.openai.com/ )**\n\n## クイックスタート\n\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n2 **Tavily APIキー**を**Tavily Search**コンポーネントに追加してください。\n3 **チャット入力欄**に、調べたい会社名を入力してください。\n4 **Playground**を開いて、その会社について調べてみてください。 **構造化出力**コンポーネントは、LLMの生の応答を構造化されたデータに変換し、**パーサー**コンポーネントはそのデータをテキスト形式に変換して、**チャット出力**コンポーネントが表示できるようにします。", + "template_notes.meeting_summary.0": "### ここにAssembly AIのAPIキーと音声ファイルを入力してください", + "template_notes.meeting_summary.1": "### ここにAssembly AIのAPIキーを入力してください", + "template_notes.meeting_summary.2": "### モデルプロバイダーの設定", + "template_notes.meeting_summary.3": "### モデルプロバイダーの設定", + "template_notes.meeting_summary.4": "# 📖 README\nこのフローは、 **AssemblyAI** および **OpenAI GPT-4** を利用して、音声録音を簡潔な要約に変換することで、会議の内容を自動的に文字起こしし、要約します。\n\n## 前提条件\n\n- **[ AssemblyAI APIキー]( https://www.assemblyai.com/ )**\n- **[ OpenAI APIキー]( https://platform.openai.com/ )**\n\n## クイックスタート\n\n1. 音声ファイルをアップロードしてください。 一般的なオーディオファイル形式のほとんどが[対応しています]( https://github.com/langflow-ai/langflow/blob/main/src/backend/base/langflow/components/assemblyai/assemblyai_start_transcript.py#L27 )。\n2 サマリー生成フローを実行するには、**Playground**をクリックしてください。\n\nこのフローは、 **AssemblyAI** を使用して音声を文字起こしします。\nこの文字起こしは、AI処理に適した形式で作成されています。\n**GPT-4** モデルは、重要なポイントや洞察を抽出します。\n会議の概要は、チャットでやり取りしやすい形式で表示されます。\n\n\n\n", + "template_notes.memory_chatbot.0": "# 📖 README\nこのフローは、**Basic Prompting** テンプレートを拡張し、現在の会話のコンテキストとして最大100件の過去のチャットメッセージを取得できる **Message History** コンポーネントを追加したものです。\n\n## クイックスタート\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n2 **Playground**を開き、LLMに自分の名前を伝えてください。\n3 Playgroundで新しいチャットセッションを開始し、`what is my name` と入力してください。LLMは保存されたチャット履歴からあなたの名前を取得することができます。\n\n## 「メッセージ履歴」コンポーネントについて\n**言語モデル**および**エージェント**コンポーネントには、デフォルトで有効になっているチャット履歴機能が組み込まれており、その機能は**メッセージ履歴**コンポーネントと同じです。\n**メッセージ履歴**コンポーネントは、外部のチャット履歴データベースからチャット履歴を保存または取得する場合、あるいは現在のセッションコンテキスト外でチャット履歴を取得する必要がある場合（チャット以外のフロー内や、他のチャットからの履歴を別のセッションに提供する場合など）にのみ使用してください。 詳細については、「ストアチャットの履歴」 ( https://docs.langflow.org/memory#store-chat-memory ) をご覧ください。", + "template_notes.news_aggregator.0": "### モデルプロバイダーの設定", + "template_notes.news_aggregator.1": "### ここに AgentQL のAPIキーを入力してください", + "template_notes.news_aggregator.2": "# 📖 README\nこのフローは、 URL から構造化データを抽出し、JSON ファイルに保存します。\n\n## 前提条件\n\n* **[ AgentQL APIキー]( https://dev.agentql.com/api-keys )**\n* **[ OpenAI APIキー]( https://platform.openai.com/ )**\n\n## クイックスタート\n\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n2 **AgentQL** コンポーネントに、[ AgentQL APIキー]( https://dev.agentql.com/api-keys )を追加してください。\n3 「**Playground**」をクリックして、質問を入力してください。\n\n**Agent**コンポーネントは、 **AgentQL** コンポーネントの** URL **および**Query**フィールドにデータを入力し、質問に対して構造化された応答を返します。 抽出されたデータは、現在のプロジェクトディレクトリにある ` news-aggregated.json ` という名前の JSON ファイルに保存されます。", + "template_notes.nvidia_rtx_remix.0": "# 📖 README\nこのLangflowプロジェクトは、REST APIを通じて NVIDIA のRTX Remix Toolkitとの連携機能を提供します。\n\n## 前提条件\n\nこのプロジェクトを使用する前に、以下の手順を完了していることを確認してください：\n\n1. **RTX Remix Toolkit のインストール**\nシステムに RTX Remix Toolkit がインストールされている必要があります。 こちらのインストールガイドに従ってください：\n[RTX Remix Toolkit のインストール]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/installation/install-toolkit.html )\n\n2. **RTX Remix Toolkit を実行する**\nこの Langflow プロジェクトを使用する前に、RTX Remix Toolkit アプリケーションが実行されていることを確認してください。\n\n3. **プロジェクトの作成／開く**\nToolkit内でRTX Remixプロジェクトを開いておく必要があります。 プロジェクトの設定方法については、こちらをご覧ください：\n[RTX Remix Toolkit を使用したプロジェクトの設定]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/gettingstarted/learning-toolkitsetup.html )\n\n### クイックスタートチュートリアル\n\nRTX Remix をすぐに使い始めるには、[RTX Remix サンプル用の最初の MOD を作成する]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/tutorials/tutorial-remixtool.html ) チュートリアルに従ってください。\n\n必要な各種パーツのインストール、設定、そしてプロジェクトの立ち上げまでの手順を解説します。\n\n## はじめに\n\nすべての前提条件が満たされていれば、Langflowプロジェクトは追加の設定なしに動作するはずです。\n\n### 接続の確認\n\nすべてが正常に動作しているかを確認するには：\n\n1. Langflowプロジェクトを開く\n2. **RTX Remix MCP Connection** ノードを探します\n3. ノード上の**更新ボタン**をクリックしてください\n4. 各種REST APIツールが表示されることを確認してください\n\nページを更新した後にREST APIツールが表示されれば、RTX Remix Toolkitへの接続は正常に機能しており、利用可能なツールの使用を開始できます。\n\n## その他のリソース\n\n- [RTX Remix ドキュメント]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/ )\n- [RTX Remix MCP ドキュメント]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/howto/learning-mcp.html )\n- [RTX Remix REST API ドキュメント]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/howto/learning-restapi.html )", + "template_notes.pok_dex_agent.0": "## プレイグラウンドを開いて、ポケモンについて何でも聞いてみよう！ ⚡ 🐹", + "template_notes.pok_dex_agent.1": "# 📖 README\n専用の**エージェント**とポケモン図鑑APIを使って、ポケモンに関する情報を収集しましょう。\n\n## 前提条件\n\n* [ OpenAI APIキー]( https://platform.openai.com/ )\n\n## クイックスタート\n\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n2 「**プレイグラウンド**」をクリックして、お気に入りのポケモンについて聞いてみてください。\n**エージェント**はポケモン図鑑APIにクエリを送信し、フォーマットされたエントリを返します。", + "template_notes.pok_dex_agent.2": "### モデルプロバイダーの設定", + "template_notes.portfolio_website_code_generator.0": "### 💡 こちらから履歴書をアップロードしてください", + "template_notes.portfolio_website_code_generator.1": "# 📖 README\nアップロードされた履歴書は構造化された形式に解析され、あなた専用の履歴書サイト用のHTML/CSSコードとして出力されます！\n\n✅ **対応形式：** PDF または TXT\n✅ 読みやすさを確保するため、明確な見出し、箇条書き、適切な書式設定を行ってください。\n### 📌 構造化された出力項目：\n1. 🏷 **氏名** - 応募者のフルネーム\n2. 📧 **メールアドレス** - 有効なメールアドレス\n3. 📞 **電話番号** - 連絡先番号\n4. 🔗 **LinkedIn** - LinkedIn のプロフィール URL\n5. 🖥 **GitHub** - GitHub のプロフィール URL (該当する場合)\n6. 🌐 **ポートフォリオ** - 個人ウェブサイトまたはポートフォリオ URL\n7. 🛂 **ビザのステータス** - 就労許可の詳細（該当する場合）\n8. 📝 **概要** - 簡単な職務経歴の概要または志望動機\n9. 💼 **職務経験** - 職務経験の詳細（辞書形式）\n10. 🎓 **学歴** - 学歴の詳細（箇条書き形式）\n11. 🛠 **スキル** - 履歴書に記載されたスキル（カンマ区切り）\n12. 🚀 **プロジェクト** - プロジェクトのタイトル、概要、および詳細。", + "template_notes.portfolio_website_code_generator.2": "### 💡 「テーブルを開く」をクリックしてスキーマを表示する", + "template_notes.portfolio_website_code_generator.3": "### 💡 ここにAnthropic APIキーを入力してください", + "template_notes.portfolio_website_code_generator.4": "### モデルプロバイダーの設定", + "template_notes.price_deal_finder.0": "### モデルプロバイダーの設定", + "template_notes.price_deal_finder.1": "### 💡 ここに AgentQL のAPIキーを入力してください", + "template_notes.price_deal_finder.2": "# 📖 README\nこのフローは、ウェブ上で商品の価格を検索・比較します。\n## 前提条件\n\n* **[ AgentQL API キー]( https://dev.agentql.com/api-keys )**\n* **[ OpenAI API キー]( https://platform.openai.com/ )**\n* **[ TavilyAI 検索 API キー]( https://tavily.com/ )**\n\n## クイックスタート\n\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n2 **AgentQL** コンポーネントに、[ AgentQL APIキー]( https://dev.agentql.com/api-keys )を追加してください。\n3 **Tavily AI Search** コンポーネントに、[ TavilyAI Search API Key]( https://tavily.com/ ) を追加してください。\n4 「**Playground**」をクリックし、チャットに商品名を入力してください。 （例：「 \"iPhone 16 Pro 512 GB」と検索）\n* **Agent** コンポーネントは、**Tavily AI Search** コンポーネントの **Search Query** フィールド、および **Agent QL** コンポーネントの ** URL ** フィールドと **Query** フィールドに値を入力します。\n\n* **エージェント**は、チャットでの検索に対して構造化された応答を返します。", + "template_notes.price_deal_finder.3": "### 💡 ここにTavily AI Searchのキーを入力してください", + "template_notes.research_agent.0": "# 📖 README\n\nResearch Agentへようこそ！ このフローでは、AIを活用したツールや分析機能を用いて、さまざまなトピックについて詳細な調査を行うことができます。\n\n## クイックスタート\n- **モデルプロバイダー**をAPI認証情報で設定します。\n- **Tavily APIキー**をTavily AI Searchコンポーネントに追加します。\n\n## Flowの使い方\n- 「Chat Input」ノードに調査したい質問やトピックを入力してください。\n- 調査したい内容を具体的かつ明確に記述してください。", + "template_notes.research_translation_loop.0": "# 📖 README\nこのテンプレートは、 ArXiv にある研究論文の要約をポルトガル語に翻訳し、要約します。 \n **Langflowのループ機能**を使用して、このテンプレートは複数の研究論文を順次処理し、 **OpenAI** モデルコンポーネントで翻訳を行い、翻訳されたすべての論文を統合した結果を出力します。\n\n## クイックスタート\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。 \n2 **Playground** で、研究テーマに関連するクエリ（例：「量子コンピューティングの進歩」）を入力してください。 \n\n このフローは、 ArXiv からクエリに一致する研究論文のリストを取得します。 検索結果の一覧に含まれる各論文は、Langflowの**Loopコンポーネント**を使用して1つずつ処理されます。 \n\n 各論文の要旨は、 **OpenAI** モデルコンポーネントによってポルトガル語に翻訳されます。 \n\n すべての文書が翻訳されると、システムはそれらを**単一の構造化された出力**にまとめます。", + "template_notes.saas_pricing.0": "# 📖 README\nSaaS 価格計算ツールへようこそ！ このフローチャートは、ソフトウェアサービスの最適な月額利用料金を決定するのに役立ちます。\n\n## 手順\n\n1. データの準備\n- 月々のインフラコストに関する情報を収集する\n- カスタマーサポート費用を算出する\n- 継続的な開発コストを見積もる\n- 目標とする利益率を決定する\n- 予想加入者数を算出する\n\n2. 入力値\n- 収集したデータを「Prompt」ノードの各フィールドに入力してください\n- 入力内容の正確さを再確認してください\n\n3. フローを実行する\n- 「実行」ボタンをクリックして、計算プロセスを開始します\n- このフローでは、「Chain-of-Thought」プロンプトを使用して、AIを各ステップへと誘導します\n\n4. 結果を確認する\n- 「Chat Output」ノードの出力を確認してください\n- 結果には、費用の内訳と最終的なサブスクリプション料金が表示されます\n\n5. 調整と微調整\n- 必要に応じて入力内容を変更し、さまざまな価格設定のシナリオを検討してください\n- フローを再実行して、変更が最終価格にどのような影響を与えるかを確認してください\n\nポイント：価格設定モデルを正確かつ競争力のあるものに保つため、コストや加入者数の予測を定期的に更新しましょう！ 💼📊", + "template_notes.search_agent.0": "# � README\nこのテンプレートは、[ ScrapeGraphAI ]( https://scrapegraphai.com ) の **Search Point** エンドポイントを **Agent** コンポーネントに接続します。\n\n## 前提条件\n\n* [ OpenAI APIキー]( https://platform.openai.com/docs/overview )\n* [ ScrapeGraphAI APIキー]( https://dashboard.scrapegraphai.com )\n\n## クイックスタート\n\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n\n2 「 **ScrapeGraphSearchApi** 」コンポーネントに、** **ScrapeGraphAI のAPIキー**を追加してください。\n\n3 **プレイグラウンド**を開いて、エージェントに質問をしてみてください。 エージェントは、 ScrapeGraph をツールとして活用し、お客様への回答を行っています。", + "template_notes.search_agent.1": "### モデルプロバイダーの設定", + "template_notes.search_agent.2": "### ここに ScrapeGraphAI のAPIキーを入力してください 👇", + "template_notes.seo_keyword_generator.0": "# 📖 README\nこのテンプレートは、製品とターゲット層のプロファイルに基づいて、戦略的なキーワードを生成します。\n\n### 前提条件\n\n* [ OpenAI APIキー]( https://platform.openai.com/ )\n\n## クイックスタート\n\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n\n2 **プロンプト** コンポーネントで、以下のフィールドに入力してください。 必要に応じて、付属のサンプル値を使用してフローを実行してください。\n\n* 製品情報\n* 課題\n* 目標\n* 対象ユーザー\n* 必要な知識レベル\n* 成果物\n\n3. **Playground** を開き、**フローを実行**をクリックします。 LLMは、ユーザーの入力に基づいてキーワードを生成します。", + "template_notes.seo_keyword_generator.1": "### モデルプロバイダーの設定", + "template_notes.sequential_tasks_agents.0": "# 📖 README\nこのフローでは、包括的な調査と分析を行うために、複数のAIエージェントを連携させる方法について説明します。 各エージェントは、研究プロセスの異なる側面を専門としており、前のエージェントの成果を基に作業を進めます。\n\n## クイックスタート\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n2 **Tavily APIキー**を**Tavily AI Search**コンポーネントに追加してください。\n3 **Playground** を開き、クエリを入力してフローを実行します。 具体的かつ明確に記述し、財務的な観点からエージェントに分析してほしい重要な点を盛り込んでください。\nこのフローには財務分析エージェントが含まれているため、有用なクエリには「テスラ（TSLA）に投資すべきか？」といった財務的な側面を含める必要があります 「AI開発がもたらす影響に焦点を当てる」。 対照的に、「テスラについて教えて」とエージェントに尋ねても、それほど役に立ちません。なぜなら、その質問では金融リサーチエージェントが起動しない上、他のエージェントが調査するための具体的な論点も提示されないからです。\n\n## 今後の手順\nこのテンプレートでは、財務分析を例として挙げています。 複数の視点やデータソースを必要とする、その他の研究集約的な業務にも応用してみてください。", + "template_notes.simple_agent.0": "# 📖 README\nURL およびCalculatorツールが利用可能なエージェントを実行します。 \nエージェントは、問題を解決するためにどのツールを使用するかを決定します。\n## クイックスタート\n\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n2 「Playground」を開き、エージェントとチャットしてください。 あるレシピについて情報を尋ねた後、2つの数字を足すよう頼んでください。 回答において、エージェントは問題に応じてさまざまなツールを使用して解決にあたります。\n\n## 次のステップ\nエージェントにさらにツールを連携させて、自分だけの理想のアシスタントを作りましょう。\n\n詳細については、[Langflowのドキュメント]( https://docs.langflow.org/agents-tool-calling-agent-component )をご覧ください。", + "template_notes.simple_agent.1": "### モデルプロバイダーの設定", + "template_notes.social_media_agent.0": "### 💡 ここにApifyのAPIキーを入力してください ", + "template_notes.social_media_agent.1": "### 💡 ここにApifyのAPIキーを入力してください ", + "template_notes.social_media_agent.2": "# 📖 README\n**Apify Actors** を使用してデータを抽出し、**Agent** を使ってデータを分析します。\n\n## 前提条件\n\n* [Apify APIトークン]( https://docs.apify.com/platform/integrations/api#api-token )\n* [ OpenAI APIキー]( https://platform.openai.com/ )\n\n## クイックスタート\n\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n2 **Apify Actors** コンポーネントの **Apify Token** フィールドに、**Apify** API トークンを入力してください。\n3 **プレイグラウンド**を開いて、エージェントとチャットしてください。 たとえば、次のプロンプトを使って、プロフィール紹介文と最新の動画を取得させるように指示します：\n```\nGoogle の検索機能を使って、 OpenAI という企業の TikTok プロフィールを見つけ、そのプロフィール紹介文と最新の動画を表示してください。\n```", + "template_notes.social_media_agent.3": "### モデルプロバイダーの設定", + "template_notes.text_sentiment_analysis.0": "# 📖 README\nこのフローはテキストデータを処理し、感情分析を行い、構造化されたインサイトを提供します。\n\n## 前提条件\n\n* [ OpenAI APIキー]( https://platform.openai.com/docs/ )\n\n## クイックスタート\n\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n2 **ファイルコンポーネント**では、`.txt`、`.csv`、または`.json`形式のテキストデータを読み込みます。\n3 **Playground** を開くと、フローが生成した分析結果と推奨事項を確認できます。\n\n## 仕組み\n\n1. **Data to Message** コンポーネントは、生データを構造化されたメッセージに変換します。 \n\n2 **NLPエキスパート**のプロンプトは感情分析を行い、**メッセージの分析**プロンプトは掲示板のメッセージを要約します。\n\n3 最後の**プロンプトコンポーネント**は、AIモデルが適切な形式の入力を受け取れるよう、構造化された推奨プロンプトを作成します。 \n\n4 **OpenAI モデルコンポーネント**は、テキストを処理し、その感情を**「肯定的」、「中立」、「否定的」**に分類します。 \n\n", + "template_notes.text_sentiment_analysis.1": "### モデルプロバイダーの設定", + "template_notes.text_sentiment_analysis.2": "### モデルプロバイダーの設定", + "template_notes.text_sentiment_analysis.3": "### モデルプロバイダーの設定", + "template_notes.travel_planning_agents.0": "# 📖 README\n\nこの旅行計画システムは、いくつかの専用エージェントコンポーネントを活用して、素晴らしい旅行の計画を立てるのに役立つスマートな仕組みです。 各エージェントを、旅の一区間に特化した旅行の専門家だと考えてみてください。 仕組みは以下の通りです：\n各エージェントには、**エージェント向け指示書**に役割が定義されており、関連する**ツール**が添付されています。 ユーザーは**Chat Input**を通じてクエリを送信し、3つのエージェントがそのクエリに基づいて完全な旅行プランを作成します。\n\n## クイックスタート\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n2 Search API コンポーネントに **Search API** キーを追加してください。\n2 **Playground**でフローを実行します。", + "template_notes.twitter_thread_generator.0": "# 📖 README\nTwitterスレッドジェネレーターへようこそ！ このフローは、構造化された入力データを魅力的なコンテンツに変換することで、人々の関心を引くTwitterのスレッドを作成するのに役立ちます。\n\n## 手順\n\n1. 入力内容の準備\n- 「コンテキスト」に、主なメッセージやストーリーを入力してください\n- スレッドの構成やスタイルに関する「コンテンツガイドライン」を定義してください\n- ブランドアイデンティティを反映させるため、「プロフィールタイプ」と「プロフィール詳細」を指定してください\n- コミュニケーションのアプローチの指針となる「トーンとスタイル」を設定してください\n- 「出力形式」（スレッド）と希望の言語を選択してください\n\n2. プロンプトの設定\n- このフローでは、専用のプロンプトテンプレートを使用してコンテンツを生成します\n- すべての入力フィールドがプロンプトノードに接続されていることを確認してください\n\n3. 生成を実行\n- フローを実行して入力を処理します\n- 「 OpenAI 」モデルは、指定内容に基づいてスレッドを作成します\n\n4. 確認と調整\n- 「Chat Output」ノードの出力を確認する\n- 必要に応じて入力を調整し、より良い結果が得られるよう再実行する\n\n5. 最終確認と投稿\n- 内容に問題がなければ、生成されたスレッドをコピーします\n- 構成や流れを保ったまま、Twitterに投稿します\n\nポイント：最良の結果を得るためには、文脈やガイドラインを具体的に明記しましょう！ 🚀\n", + "template_notes.vector_store_rag.0": "## 🐕 2. Retriever Flow\n\nこのフローは、ベクトルデータベースから取得したコンテキストデータを用いて、ユーザーの質問に回答します。\n\n**Playground** を開き、次のように尋ねます。\n\n```\nこのドキュメントはどのような内容ですか？\n```\n", + "template_notes.vector_store_rag.1": "# 📖 README\nRetrieval Augmented Generation（RAG）とは、関連コンテンツの埋め込みデータをベクトルデータベースに事前に読み込むことで、大規模言語モデル（LLM）に追加の文脈情報を提供する手法です。 ユーザーがLLMとチャットを行う際、_類似性検索_によって、ユーザーのクエリの埋め込みベクトルとベクトルデータベース内の埋め込みベクトルとを比較し、関連するコンテンツが検索されます。\n例えば、RAGチャットボットにはあらかじめ商品データが読み込まれており、顧客の問い合わせに基づいて特定の商品を探す手助けをすることができます。\nこのテンプレートには2つのサブフローがあります。 一方のフローはベクトルストアにデータを読み込むものであり、もう一方は、新しいクエリをベクトルデータベース内の既存コンテンツと照合する、ユーザー主導のチャットフローです。\n\n## クイックスタート\n1. APIの認証情報を用いて**モデルプロバイダー**を設定してください。\n2 **Astra DB** ベクトルストアコンポーネントに Astra アプリケーショントークンを追加するか、**コンポーネント**メニューにある他のベクトルストアコンポーネントに置き換えてください。\n\n## フローを実行する\n1. 📚 **データの読み込み** フローを使用して、データをベクトルデータベースに読み込みます。 **File**コンポーネントでアップロードするファイルを選択し、**Astra DB**コンポーネントの**Play** ▶️をクリックして、**Load Data**フローを実行します。\n2 **Playground** を開いて、🐕 **Retriever** フローとのチャットを開始してください。\n\nベクターデータベースに製品データなどの基本コンテンツを入力する必要がある場合のみ、**Load Data**フローを実行してください。\n**Retriever** フローは、ユーザー向けのチャットフローです。 このフローでは、チャット入力から埋め込みベクトルを生成し、ベクトルデータベースに対して類似性検索を実行して関連コンテンツを取得します。その後、元のクエリと取得したコンテンツをLLMに渡すと、LLMがチャット応答を生成し、それをユーザーに送信します。\n\n## 次の手順\nプロンプトと読み込んだデータを変更して、LLMの応答がどのように変わるか試してみてください。", + "template_notes.vector_store_rag.2": "## 📚 1. データフローの読み込み\n\nまずこれを実行してください！ ローカルファイルからデータを読み込み、ベクトルデータベースに組み込む。\n\nデータベースとコレクションを選択するか、新しいものを作成してください。 \n\n**Astra DB** コンポーネントの **コンポーネントを実行** をクリックして、データを読み込んでください。\n\n\n### 次の手順：\nプロンプトとコンテキストデータを変更して、検索フローの応答がどのように変化するか試してみてください。", + "template_notes.vector_store_rag.3": "### 💡 ここに OpenAI のAPIキーを入力してください 👇", + "template_notes.youtube_analysis.0": "# 📖 README\nこのフローは、 YouTube の動画を包括的に分析します。\n1秒. 動画のコメントと文字起こしを抽出する。\n2 LLMを使用してコメントの感情分析を行う。\n3 動画の文字起こし内容とコメントの感情分析を組み合わせ、包括的な動画分析を行います。\n## クイックスタート\n- API 認証情報を使用して **Model Provider** を設定します。\n- **YouTube Data API の v3 key** を追加します。\n- YoutTube API キーをお持ちでない場合は、[ Google Cloud Console]( https://console.cloud.google.com ) で作成してください。\n- チャット入力が有効な YouTube video URL であることを確認してください。 チャット入力コンポーネントには、 URL のサンプルが用意されています。\n" } \ No newline at end of file diff --git a/src/backend/base/langflow/locales/pt.json b/src/backend/base/langflow/locales/pt.json index f13f312a82..e5e09e73da 100644 --- a/src/backend/base/langflow/locales/pt.json +++ b/src/backend/base/langflow/locales/pt.json @@ -4792,5 +4792,69 @@ "starter_flows.vector_store_rag.description": "Carregue seus dados para o contexto do chat com a Geração Aumentada por Recuperação.", "starter_flows.vector_store_rag.name": "Vector Store RAG", "starter_flows.youtube_analysis.description": "O fluxo de análise do YouTube extrai comentários e transcrições de vídeos, analisando padrões de sentimento e temas do conteúdo.", - "starter_flows.youtube_analysis.name": "YouTube Análise" + "starter_flows.youtube_analysis.name": "YouTube Análise", + "template_notes.basic_prompt_chaining.0": "# 📖 README\nEste fluxo demonstra como encadear três prompts e três modelos de linguagem.\nCada prompt é projetado especificamente para processar a saída anterior, com cada chamada ao LLM se baseando nos resultados anteriores\n\n\n## Pré-requisitos\n\n* [Chave de API do OpenAI ]( https://platform.openai.com/ )\n\n## Introdução rápida\n\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n2 Para executar o fluxo, abra o **Playground**. É fornecido um exemplo de entrada, com outras sugestões listadas abaixo.\n\n \"A crescente necessidade de plataformas de finanças descentralizadas ( DeFi ) seguras e fáceis de usar, que tornem os investimentos em criptomoedas acessíveis a usuários sem conhecimentos técnicos.\"\n\n \"A crescente popularidade das experiências imersivas de realidade aumentada (RA) para colaboração remota e formação de equipes virtuais em forças de trabalho distribuídas.\"\n\n \"O mercado em expansão de soluções inteligentes e de baixo consumo de água ( IoT-enabled ) para a agricultura urbana, que permitem aos moradores da cidade cultivar seus próprios alimentos de forma eficiente em espaços reduzidos.\"\n\n \"A crescente demanda por assistentes pessoais de estilo e compras baseados em IA que levem em conta a sustentabilidade, a positividade corporal e as preferências de estilo individuais.\"\n\n", + "template_notes.basic_prompting.0": "# 📖 README\nEste modelo demonstra um fluxo de bate-papo padrão com instruções adicionais fornecidas por um prompt. Os prompts fornecem instruções e dados para um Modelo de Linguagem de Grande Escala (LLM) além da entrada padrão fornecida pelo usuário no chat. Neste exemplo, o prompt descreve a função e a personalidade do LLM.\n\n## Introdução rápida\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n2 Abra o **Playground** para iniciar o chat e executar o fluxo.\n\n## Próximos passos\nAltere o modelo de prompt, o modelo ou as configurações do modelo, como **Temperatura**, e observe como as respostas mudam com essas diferentes entradas.\n💡 Algumas configurações dos componentes ficam ocultas por padrão; para visualizar todas as configurações, clique em **Controles** no menu do cabeçalho de cada componente.\n💡 Você pode usar chaves para criar variáveis no seu modelo, como ` {variable} `. Elas podem ser preenchidas a partir de outros componentes, com variáveis globais do Langflow ou em tempo de execução.", + "template_notes.basic_prompting.1": "### Configure seu provedor de modelos", + "template_notes.blog_writer.0": "# 📖 README\nCrie uma postagem de blog usando conteúdo obtido a partir de URLs e instruções fornecidas pelo usuário.\n\n## Pré-requisitos\n\n* Uma [chave de API do OpenAI ]( https://platform.openai.com/ )\n\n## Introdução rápida\n\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n2 No componente ** URL **, insira os URLs dos quais deseja obter conteúdo. Certifique-se de que eles comecem com ` http:// ` ou ` https:// `.\n3. Abra o **Playground**. Uma postagem no blog é criada a partir do conteúdo obtido pelo componente ** URL **.", + "template_notes.custom_component_generator.0": "# 📖 README\nOlá! Estou aqui para ajudá-lo a criar componentes personalizados para o Langflow. Pense em mim como seu parceiro técnico, capaz de ajudar a transformar suas ideias em componentes funcionais!\n\n## Introdução rápida\n\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n\n2. 💭 Me diga o que você quer construir.\nBasta descrever, em linguagem simples, o que você quer que seu componente faça. Por exemplo:\n- \"Preciso de um componente que envie mensagens no Slack\"\n- \"Quero criar uma ferramenta capaz de processar arquivos do tipo ` CSV `\"\n- \"Preciso de algo que possa traduzir textos\"\n\n\nPronto para criar algo incrível? 🚀 Vamos começar!", + "template_notes.document_q_a.0": "# 📖 README\nEste fluxo carrega um arquivo e utiliza um LLM para responder a perguntas com base no conteúdo do documento carregado.\n\n## Pré-requisitos\n\n* Uma [chave de API do OpenAI ]( https://platform.openai.com/ )\n\n## Introdução rápida\n\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n2 No componente **Arquivo**, selecione o arquivo que deseja carregar.\n3. Abra o **Playground** e interaja com seu documento.", + "template_notes.financial_report_parser.0": "### Configure seu provedor de modelos", + "template_notes.financial_report_parser.1": "# 📖 README\nEste modelo extrai os principais indicadores financeiros a partir do texto de um determinado relatório financeiro. Os dados extraídos são estruturados e formatados para uso em chats.\n\n## Introdução rápida\n\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n2 Abra o **Playground** para iniciar o chat e executar o fluxo.\nNeste exemplo, o componente **Chat Input** vem pré-carregado com um relatório financeiro de amostra. O componente **Modelo de Linguagem** identifica e extrai as informações relativas à margem bruta, ao EBITDA, ao lucro líquido e às despesas operacionais do relatório financeiro. Em seguida, o componente **Saída Estruturada** formata os dados extraídos em um formato estruturado para facilitar a leitura e o processamento posterior. Por fim, o componente **Parser** converte os dados extraídos em mensagens a serem exibidas ao usuário.", + "template_notes.hybrid_search_rag.0": "# 📖 README\nA pesquisa híbrida realiza uma pesquisa de similaridade vetorial e uma pesquisa lexical, compara os resultados de ambas as pesquisas e, em seguida, retorna os resultados mais relevantes no geral.\n\n## Pré-requisitos\n\n* Uma [chave de API do OpenAI ]( https://platform.openai.com/ )\n* Um [token de aplicativo do Astra DB]( https://docs.datastax.com/en/astra-db-serverless/databases/create-database.html ) para o componente Astra DB.\n\n## Introdução rápida\n\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n2 No componente Astra DB, insira seu token de aplicativo do Astra DB.\nIsso conecta o Langflow ao seu banco de dados Astra.\n3. Escolha uma versão do Astra que seja compatível com a tecnologia híbrida.\nPara obter mais informações, consulte a [documentação do Datastax]( https://docs.datastax.com/en/astra-db-serverless/databases/hybrid-search.html ).\nA conexão é estabelecida entre o componente Parser e o componente Astra DB quando um banco de dados vetorial é conectado.\n4 Certifique-se de que as portas **Termos lexicais** e **Texto analisado** estejam conectadas.\n5 Abra o Playground e faça uma pergunta, como \"Quais são as características dos meus dados?\"", + "template_notes.image_sentiment_analysis.0": "# 📖 README\nClassifique as imagens enviadas para o Playground por sentimento.\n\n## Pré-requisitos\n\n* [Chave da API do OpenAI ]( https://platform.openai.com/ )\n\n## Introdução rápida\n\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n\n2 Abra o **Playground** e envie uma imagem para o chat. \n\nO LLM analisa a imagem. O sentimento é gerado em uma tabela estruturada de acordo com o esquema de saída do componente **Saída Estruturada** e, em seguida, analisado para formar uma mensagem a ser exibida no Playground.", + "template_notes.instagram_copywriter.0": "# 📖 README\n\nBem-vindo ao Instagram Copywriter! Este fluxo ajuda você a criar publicações atraentes no Instagram com conteúdo gerado por IA e sugestões de imagens.\n\n## Introdução rápida\n- Configure seu **Provedor de modelo** com suas credenciais de API.\n- Adicione sua **chave de API do Tavily** ao componente **Tavily AI Search**.\n\n## Usando o Flow\n**Insira seu tópico**\n- No campo de entrada do chat, digite uma breve descrição do tópico sobre o qual deseja publicar.\n- Exemplo: \"Crie uma publicação sobre meditação e seus benefícios\"", + "template_notes.invoice_summarizer.0": "# 📖 README\nUtilize a **API de pesquisa do Needle** e um **Agente** para coletar e resumir os dados das suas faturas com rapidez e precisão.\n\n## Pré-requisitos\n\n* Uma **Coleção** e uma **chave de API** da sua implantação do [ Needle.ai ]( https://needle-ai.com )\n* Uma [chave de API do OpenAI ]( https://platform.openai.com/ )\n\n## Introdução rápida\n\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n\n2 Carregue suas faturas na sua coleção do Needle. \n\n3. Na ferramenta **Needle Search**, insira seu **ID da coleção Needle** e sua **chave API Needle**.\n\n4 Abra o **Playground** e consulte suas faturas. O componente **Agent** determina a consulta correta e o tamanho da pesquisa para a recuperação de dados.\n", + "template_notes.invoice_summarizer.1": "### Configure seu provedor de modelos", + "template_notes.invoice_summarizer.2": "### Insira aqui sua chave da API do Needle Search 👇", + "template_notes.knowledge_base.0": "# 📖 README\nUm componente independente é responsável pela recuperação de conhecimentos importados de bases de conhecimento existentes. Para recuperar conhecimento:\n\n1. Selecione sua base de conhecimento no menu suspenso \"Base de conhecimento\". Se você não estiver vendo, selecione \"Atualizar lista\".\n2 (Opcional) Insira uma consulta de pesquisa a ser realizada na base de conhecimento.\n\nObserve que, por padrão, são exibidos 5 resultados, o que pode ser configurado clicando em “Controles” na parte superior do componente.\n", + "template_notes.market_research.0": "# 📖 README\nEste fluxo ajuda você a reunir informações completas sobre empresas para fins de vendas e inteligência de negócios.\n\n## Pré-requisitos\n\n- **[Chave API do Tavily]( https://docs.tavily.com/welcome )**\n- **[Chave API do OpenAI ]( https://platform.openai.com/ )**\n\n## Introdução rápida\n\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n2 Adicione sua **chave da API do Tavily** ao componente **Tavily Search**.\n3. No **campo de entrada do chat**, digite o nome da empresa que você deseja pesquisar.\n4 Acesse o **Playground** e pesquise sobre a empresa. O componente **Saída Estruturada** transforma a resposta bruta do LLM em dados estruturados, e o componente **Analisador** apresenta os dados como texto para que o componente **Saída do Chat** os exiba.", + "template_notes.meeting_summary.0": "### Insira aqui sua chave da API do Assembly AI e seu arquivo de áudio", + "template_notes.meeting_summary.1": "### Insira aqui sua chave da API da Assembly AI", + "template_notes.meeting_summary.2": "### Configure seu provedor de modelos", + "template_notes.meeting_summary.3": "### Configure seu provedor de modelos", + "template_notes.meeting_summary.4": "# 📖 README\nEste fluxo transcreve e resume automaticamente as reuniões, convertendo gravações de áudio em resumos concisos usando **AssemblyAI** e **OpenAI GPT-4**.\n\n## Pré-requisitos\n\n- **[Chave de API do AssemblyAI ]( https://www.assemblyai.com/ )**\n- **[Chave de API do OpenAI ]( https://platform.openai.com/ )**\n\n## Introdução rápida\n\n1. Carregue um arquivo de áudio. Os formatos de arquivo de áudio mais comuns são [compatíveis]( https://github.com/langflow-ai/langflow/blob/main/src/backend/base/langflow/components/assemblyai/assemblyai_start_transcript.py#L27 ).\n2 Para executar o fluxo do gerador de resumos, clique em **Playground**.\n\nO fluxo transcreve o áudio usando o **AssemblyAI**.\nA transcrição está formatada para processamento por IA.\nO modelo “ **GPT-4** ” extrai pontos-chave e insights.\nOs detalhes resumidos da reunião são exibidos em um formato adequado para conversas por chat.\n\n\n\n", + "template_notes.memory_chatbot.0": "# 📖 README\nEste fluxo amplia o modelo **Basic Prompting** ao adicionar um componente **Histórico de mensagens** capaz de recuperar até 100 mensagens de chat anteriores como contexto para a conversa atual.\n\n## Introdução rápida\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n2 Abra o **Playground** e diga seu nome ao LLM.\n3. Inicie uma nova sessão de bate-papo no Playground e pergunte: `qual é o meu nome`. O LLM consegue recuperar seu nome a partir do histórico de bate-papo armazenado.\n\n## Sobre o componente **Histórico de mensagens**\nOs componentes **Modelo de linguagem** e **Agente** possuem uma memória de chat integrada, ativada por padrão e com o mesmo funcionamento do componente **Histórico de mensagens**.\nUtilize o componente **Histórico de mensagens** apenas quando desejar armazenar ou recuperar memórias de bate-papo de um banco de dados externo de memórias de bate-papo, ou quando precisar recuperar memórias de bate-papo fora do contexto da sessão atual, como em um fluxo que não seja de bate-papo ou ao fornecer memórias de outros bate-papos para uma sessão diferente. Para obter mais informações, consulte [Salvar o histórico do chat]( https://docs.langflow.org/memory#store-chat-memory ).", + "template_notes.news_aggregator.0": "### Configure seu provedor de modelos", + "template_notes.news_aggregator.1": "### Insira aqui sua chave de API do AgentQL", + "template_notes.news_aggregator.2": "# 📖 README\nEste fluxo extrai dados estruturados de um arquivo URL e os salva em um arquivo JSON.\n\n## Pré-requisitos\n\n* **[Chave da API do AgentQL ]( https://dev.agentql.com/api-keys )**\n* **[Chave da API do OpenAI ]( https://platform.openai.com/ )**\n\n## Introdução rápida\n\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n2 Adicione sua [Chave de API do AgentQL ]( https://dev.agentql.com/api-keys ) ao componente **AgentQL**.\n3. Clique em **Playground** e digite uma pergunta.\n\nO componente **Agent** preenche os campos ** URL ** e **Query** do componente **AgentQL** e retorna uma resposta estruturada à sua pergunta. Em seguida, os dados extraídos são salvos em um arquivo JSON chamado ` news-aggregated.json `, que pode ser encontrado no diretório atual do seu projeto.", + "template_notes.nvidia_rtx_remix.0": "# 📖 README\nEste projeto Langflow oferece uma integração com o RTX Remix Toolkit da NVIDIA por meio de sua API REST.\n\n## Pré-requisitos\n\nAntes de usar este projeto, certifique-se de ter concluído as seguintes etapas:\n\n1. **Instalar o RTX Remix Toolkit**\nÉ necessário ter o RTX Remix Toolkit instalado no seu sistema. Siga o guia de instalação aqui:\n[Instalando o RTX Remix Toolkit]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/installation/install-toolkit.html )\n\n2. **Execute o RTX Remix Toolkit**\nCertifique-se de que o aplicativo RTX Remix Toolkit esteja em execução antes de usar este projeto do Langflow.\n\n3. **Criar/Abrir um projeto**\nÉ necessário ter um projeto do RTX Remix aberto no Toolkit. Saiba como configurar um projeto aqui:\n[Configurando um projeto com o RTX Remix Toolkit]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/gettingstarted/learning-toolkitsetup.html )\n\n### Tutorial de início rápido\n\nPara começar a usar o RTX Remix rapidamente, siga o tutorial [Criando seu primeiro mod para o exemplo do RTX Remix]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/tutorials/tutorial-remixtool.html ).\n\nEle orienta o usuário pelo processo de instalação das diversas peças necessárias, configuração das mesmas e colocação do projeto em funcionamento.\n\n## Introdução\n\nUma vez cumpridos todos os pré-requisitos, o projeto Langflow deve funcionar sem necessidade de configuração adicional.\n\n### Testando a conexão\n\nPara verificar se tudo está funcionando corretamente:\n\n1. Abra o projeto Langflow\n2. Localize o nó **RTX Remix MCP Connection**\n3. Clique no **botão Atualizar** no nó\n4. Verifique se as diversas ferramentas da API REST aparecem\n\nSe as ferramentas da API REST aparecerem após a atualização, sua conexão com o RTX Remix Toolkit está funcionando corretamente e você pode começar a usar as ferramentas disponíveis.\n\n## Recursos adicionais\n\n- [Documentação do RTX Remix]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/ )\n- [Documentação do RTX Remix MCP]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/howto/learning-mcp.html )\n- [Documentação da API REST do RTX Remix]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/howto/learning-restapi.html )", + "template_notes.pok_dex_agent.0": "## Acesse o playground e pergunte o que quiser sobre um Pokémon! ⚡ 🐹", + "template_notes.pok_dex_agent.1": "# 📖 README\nReúna informações sobre Pokémon com um **Agente** especializado e a API da Pokédex.\n\n## Pré-requisitos\n\n* Uma [chave de API do OpenAI ]( https://platform.openai.com/ )\n\n## Introdução rápida\n\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n2 Clique em **Playground** e pergunte sobre seu Pokémon favorito.\nO **Agente** consulta a API do Pokedex e retorna uma entrada formatada.", + "template_notes.pok_dex_agent.2": "### Configure seu provedor de modelos", + "template_notes.portfolio_website_code_generator.0": "### 💡 Envie seu currículo aqui", + "template_notes.portfolio_website_code_generator.1": "# 📖 README\nSeu currículo enviado é convertido para um formato estruturado e gerado como código HTML/CSS para o seu próprio site de currículo!\n\n✅ **Formatos aceitos:** PDF ou TXT\n✅ Para garantir a legibilidade, inclua títulos claros, marcadores e formatação adequada.\n### 📌 Campos de saída estruturados:\n1. 🏷 **Nome completo** - Nome completo do candidato\n2. 📧 **E-mail** - Um endereço de e-mail válido\n3. 📞 **Número de telefone** - Número de contato\n4. 🔗 **LinkedIn** - Perfil no LinkedIn URL\n5. 🖥 **GitHub** - Perfil no GitHub URL (se aplicável)\n6. 🌐 **Portfólio** - Site pessoal ou portfólio URL\n7. 🛂 **Status do visto** - Detalhes da autorização de trabalho (se aplicável)\n8. 📝 **Resumo** - Um breve resumo profissional ou declaração de objetivos\n9. 💼 **Experiência** - Detalhes da experiência profissional (em formato de dicionário)\n10. 🎓 **Formação** - Detalhes da formação (em formato de dicionário)\n11. 🛠 **Habilidades** - Habilidades mencionadas no currículo (separadas por vírgulas)\n12. 🚀 **Projetos** - Títulos, descrições e detalhes dos projetos.", + "template_notes.portfolio_website_code_generator.2": "### 💡 Clique em “Abrir tabela” para visualizar o esquema", + "template_notes.portfolio_website_code_generator.3": "### 💡 Insira aqui sua chave da API da Anthropic", + "template_notes.portfolio_website_code_generator.4": "### Configure seu provedor de modelos", + "template_notes.price_deal_finder.0": "### Configure seu provedor de modelos", + "template_notes.price_deal_finder.1": "### 💡 Insira aqui sua chave da API do AgentQL", + "template_notes.price_deal_finder.2": "# 📖 README\nEste fluxo pesquisa e compara preços de um produto na internet.\n## Pré-requisitos\n\n* **[Chave da API do AgentQL ]( https://dev.agentql.com/api-keys )**\n* **[Chave da API do OpenAI ]( https://platform.openai.com/ )**\n* **[Chave da API de pesquisa do TavilyAI ]( https://tavily.com/ )**\n\n## Introdução rápida\n\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n2 Adicione sua [Chave de API do AgentQL ]( https://dev.agentql.com/api-keys ) ao componente **AgentQL**.\n3. Adicione sua [Chave de API de pesquisa do TavilyAI ]( https://tavily.com/ ) ao componente **Tavily AI Search**.\n4 Clique em **Playground** e digite o nome de um produto no chat. Por exemplo, pesquise “ \"iPhone 16 Pro 512 GB”)\n* O componente **Agent** preenche o campo **Search Query** do componente **Tavily AI Search**, bem como os campos ** URL ** e **Query** do componente **Agent QL**.\n\n* O **Agente** retorna uma resposta estruturada à sua pesquisa no chat.", + "template_notes.price_deal_finder.3": "### 💡 Insira aqui sua chave de pesquisa da Tavily AI", + "template_notes.research_agent.0": "# 📖 README\n\nBem-vindo ao Research Agent! Este fluxo ajuda você a realizar pesquisas aprofundadas sobre diversos temas utilizando ferramentas e análises baseadas em IA.\n\n## Introdução rápida\n- Configure seu **Provedor de modelo** com suas credenciais de API.\n- Adicione sua **chave de API do Tavily** ao componente Tavily AI Search.\n\n## Como usar o Flow\n- Digite sua pergunta de pesquisa ou tema no nó \"Chat Input\".\n- Seja específico e claro sobre o que deseja investigar.", + "template_notes.research_translation_loop.0": "# 📖 README\nEste modelo traduz para o português e resume os resumos de artigos científicos disponíveis em ArXiv. \n Usando o **mecanismo de loop do Langflow**, o modelo percorre vários artigos científicos, traduz-os com o componente de modelo **OpenAI** e gera uma versão agregada de todos os artigos traduzidos.\n\n## Introdução rápida\n1. Configure seu **Provedor de modelos** com suas credenciais de API. \n2 No **Playground**, digite uma consulta relacionada a um tema de pesquisa (por exemplo, “Avanços na computação quântica”). \n\n O fluxo obtém uma lista de artigos científicos do site ArXiv que correspondem à consulta. Cada artigo da lista recuperada é processado um por um usando o **componente Loop** do Langflow. \n\n O resumo de cada artigo é traduzido para o português pelo componente de modelo **OpenAI**. \n\n Assim que todos os documentos forem traduzidos, o sistema os agrupa em um **único documento estruturado**.", + "template_notes.saas_pricing.0": "# 📖 README\nBem-vindo à Calculadora de Preços do SaaS! Este fluxo ajuda você a determinar o preço ideal da assinatura mensal para o seu serviço de software.\n\n## Instruções\n\n1. Prepare seus dados\n- Reúna informações sobre os custos mensais de infraestrutura\n- Calcule as despesas com atendimento ao cliente\n- Faça uma estimativa dos custos de desenvolvimento contínuo\n- Defina a margem de lucro desejada\n- Determine o número estimado de assinantes\n\n2. Valores de entrada\n- Insira os dados coletados nos campos correspondentes no nó Prompt\n- Verifique se os dados inseridos estão corretos\n\n3. Executar o fluxo\n- Clique no botão \"Executar\" para iniciar o processo de cálculo\n- O fluxo utilizará prompts do tipo \"Cadeia de Pensamento\" para orientar a IA ao longo das etapas\n\n4. Analise os resultados\n- Verifique os dados exibidos no nó “Chat Output”\n- O resultado mostrará um detalhamento dos custos e o preço final da assinatura\n\n5. Ajustar e aperfeiçoar\n- Se necessário, modifique seus dados para explorar diferentes cenários de preços\n- Execute o fluxo novamente para ver como as alterações afetam o preço final\n\nLembre-se: atualize regularmente seus custos e estimativas de assinantes para manter seu modelo de preços preciso e competitivo! 💼📊", + "template_notes.search_agent.0": "# � README\nEste modelo conecta o endpoint **Search Point** de [ ScrapeGraphAI ]( https://scrapegraphai.com ) a um componente **Agent**.\n\n## Pré-requisitos\n\n* [Chave da API do OpenAI ]( https://platform.openai.com/docs/overview )\n* [Chave da API do ScrapeGraphAI ]( https://dashboard.scrapegraphai.com )\n\n## Introdução rápida\n\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n\n2 Adicione sua **chave de API do **ScrapeGraphAI ** ao componente **ScrapeGraphSearchApi**.\n\n3. Abra o **Playground** e faça uma pergunta ao seu agente. O agente utiliza o site ScrapeGraph como ferramenta para responder às suas perguntas.", + "template_notes.search_agent.1": "### Configure seu provedor de modelos", + "template_notes.search_agent.2": "### Insira aqui sua chave da API do ScrapeGraphAI 👇", + "template_notes.seo_keyword_generator.0": "# 📖 README\nEste modelo cria palavras-chave estratégicas com base no seu produto e no perfil do seu público.\n\n### Pré-requisitos\n\n* [Chave da API do OpenAI ]( https://platform.openai.com/ )\n\n## Introdução rápida\n\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n\n2 No componente **Prompt**, preencha os seguintes campos. Se preferir, basta executar o fluxo com os valores de exemplo incluídos.\n\n* Informações sobre o produto\n* Pontos críticos\n* Objetivos\n* Público-alvo\n* Nível de conhecimento\n* Resultado da revisão\n\n3. Abra o **Playground** e clique em **Executar fluxo**. O LLM gera palavras-chave com base nas suas entradas.", + "template_notes.seo_keyword_generator.1": "### Configure seu provedor de modelos", + "template_notes.sequential_tasks_agents.0": "# 📖 README\nEste fluxo demonstra como encadear vários agentes de IA para realizar pesquisas e análises abrangentes. Cada agente é especializado em diferentes aspectos do processo de pesquisa, dando continuidade ao trabalho do agente anterior.\n\n## Introdução rápida\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n2 Adicione sua **chave de API do Tavily** ao componente **Tavily AI Search**.\n3. Abra o **Playground** e insira uma consulta para executar o fluxo. Seja específico e claro, e inclua os aspectos principais que você deseja que os agentes analisem do ponto de vista financeiro.\nComo esse fluxo inclui um agente de análise financeira, as consultas úteis devem incluir um aspecto financeiro, como \"Devo investir na Tesla (TSLA)? \"Foco no impacto do desenvolvimento da IA\". Por outro lado, perguntar ao agente: “Fale-me sobre a Tesla” não é tão útil, pois isso não aciona o agente de pesquisa financeira nem fornece pontos específicos para os outros agentes pesquisarem.\n\n## Próximos passos\nEste modelo utiliza a análise financeira como exemplo. Tente adaptar essa abordagem a outras tarefas que exijam muita pesquisa e que requeiram múltiplas perspectivas e fontes de dados.", + "template_notes.simple_agent.0": "# 📖 README\nExecute um agente com as ferramentas \" URL \" e \"Calculator\" disponíveis para uso. \nO agente decide qual ferramenta usar para resolver um problema.\n## Introdução rápida\n\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n2 Abra o Playground e converse com o Agente. Peça algumas informações sobre uma receita e, em seguida, peça para somar dois números. Nas respostas, o agente utilizará diferentes ferramentas para resolver diferentes problemas.\n\n## Próximos passos\nConecte mais ferramentas ao Agente para criar seu assistente ideal.\n\nPara mais informações, consulte a [documentação do Langflow]( https://docs.langflow.org/agents-tool-calling-agent-component ).", + "template_notes.simple_agent.1": "### Configure seu provedor de modelos", + "template_notes.social_media_agent.0": "### 💡 Insira aqui sua chave de API da Apify ", + "template_notes.social_media_agent.1": "### 💡 Insira aqui sua chave de API da Apify ", + "template_notes.social_media_agent.2": "# 📖 README\nExtraia dados com o **Apify Actors** e analise-os com um **Agent**.\n\n## Pré-requisitos\n\n* Um [token da API Apify]( https://docs.apify.com/platform/integrations/api#api-token )\n* Uma [chave da API OpenAI ]( https://platform.openai.com/ )\n\n## Introdução rápida\n\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n2 Insira seu token de API **Apify** nos campos **Apify Token** dos componentes **Apify Actors**.\n3. Abra o **Playground** e converse com o agente. Por exemplo, peça para ele recuperar a biografia de um perfil e o vídeo mais recente usando este comando:\n```\nEncontre o perfil da empresa OpenAI no TikTok usando a pesquisa do Google e, em seguida, mostre-me a biografia do perfil e o vídeo mais recente.\n```", + "template_notes.social_media_agent.3": "### Configure seu provedor de modelos", + "template_notes.text_sentiment_analysis.0": "# 📖 README\nEste fluxo processa dados de texto, analisa o sentimento e fornece insights estruturados.\n\n## Pré-requisito\n\n* [Chave da API do OpenAI ]( https://platform.openai.com/docs/ )\n\n## Introdução rápida\n\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n2 No **Componente de Arquivo**, carregue dados de texto nos formatos `.txt`, `.csv` ou `.json`.\n3. Abra o **Playground** para ver a análise e as recomendações geradas pelo fluxo.\n\n## Como funciona\n\n1. O componente **Data to Message** converte dados brutos em mensagens estruturadas. \n\n2 O prompt **especialista em PNL** oferece análise de sentimento, enquanto o prompt **Analisando mensagens** resume as mensagens de um fórum de discussão.\n\n3. O **Componente de Solicitação** final cria uma solicitação de recomendação estruturada para garantir que o modelo de IA receba uma entrada bem formatada. \n\n4 O **OpenAI ** processa o texto e classifica o sentimento como **Positivo, Neutro ou Negativo**. \n\n", + "template_notes.text_sentiment_analysis.1": "### Configure seu provedor de modelos", + "template_notes.text_sentiment_analysis.2": "### Configure seu provedor de modelos", + "template_notes.text_sentiment_analysis.3": "### Configure seu provedor de modelos", + "template_notes.travel_planning_agents.0": "# 📖 README\n\nO sistema de planejamento de viagens é uma configuração inteligente que utiliza vários componentes especializados do Agent para ajudar a planejar viagens incríveis. Imagine cada agente como um especialista em viagens dedicado a uma parte específica da sua viagem. Funciona assim:\nCada agente tem uma função definida nas **Instruções do agente** e as **ferramentas** relevantes anexadas. O usuário envia uma consulta por meio do **Chat Input**, e os três agentes elaboram um plano de viagem completo com base na consulta do usuário.\n\n## Introdução rápida\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n2 Adicione sua chave da **API de Pesquisa** ao componente da API de Pesquisa.\n2 Execute o fluxo no **Playground**.", + "template_notes.twitter_thread_generator.0": "# 📖 README\nBem-vindo ao Gerador de Tópicos do Twitter! Este fluxo ajuda você a criar threads atraentes no Twitter, transformando suas entradas estruturadas em conteúdo envolvente.\n\n## Instruções\n\n1. Prepare suas informações de entrada\n- Preencha o campo \"Contexto\" com sua mensagem principal ou história\n- Defina as \"Diretrizes de conteúdo\" para a estrutura e o estilo da conversa\n- Especifique o \"Tipo de perfil\" e os \"Detalhes do perfil\" para refletir a identidade da sua marca\n- Defina o \"Tom e estilo\" para orientar a abordagem de comunicação\n- Escolha o \"Formato de saída\" (conversa) e o idioma desejado\n\n2. Configurar o prompt\n- O fluxo utiliza um modelo de prompt específico para gerar conteúdo\n- Certifique-se de que todos os campos de entrada estejam conectados ao nó do prompt\n\n3. Executar a geração\n- Execute o fluxo para processar suas entradas\n- O modelo OpenAI criará o thread com base nas suas especificações\n\n4. Revisar e aperfeiçoar\n- Analise o resultado no nó “Chat Output”\n- Se necessário, ajuste suas entradas e execute novamente para obter melhores resultados\n\n5. Finalizar e publicar\n- Quando estiver satisfeito, copie o tópico gerado\n- Publique no Twitter, mantendo a estrutura e o fluxo\n\nLembre-se: seja específico no contexto e nas orientações para obter os melhores resultados! 🚀\n", + "template_notes.vector_store_rag.0": "## 🐕 2. Fluxo de recuperação\n\nEste fluxo responde às suas perguntas com dados contextuais recuperados do seu banco de dados vetorial.\n\nAbra o **Playground** e pergunte:\n\n```\nSobre o que trata este documento?\n```\n", + "template_notes.vector_store_rag.1": "# 📖 README\nA Geração Aumentada por Recuperação (RAG) é uma forma de fornecer contexto adicional a um Grande Modelo de Linguagem (LLM) através do pré-carregamento de um banco de dados vetorial com embeddings de conteúdo relevante. Quando um usuário conversa com o LLM, uma _busca por similaridade_ recupera conteúdo relevante comparando a representação da consulta do usuário com as representações contidas no banco de dados de vetores.\nPor exemplo, um chatbot RAG pode ser pré-carregado com dados de produtos e, assim, ajudar os clientes a encontrar produtos específicos com base em suas consultas.\nEste modelo possui dois subfluxos. Um fluxo carrega dados no seu armazenamento vetorial, e o outro é o fluxo de chat orientado pelo usuário, que compara uma nova consulta com o conteúdo existente no seu banco de dados vetorial.\n\n## Introdução rápida\n1. Configure seu **Provedor de modelos** com suas credenciais de API.\n2 Adicione um token de aplicativo Astra aos componentes do armazenamento vetorial **Astra DB** ou substitua esses componentes por outros componentes de armazenamento vetorial disponíveis no menu **Componentes**.\n\n## Execute os fluxos\n1. Carregue seus dados em um banco de dados vetorial com o fluxo 📚 **Carregar dados**. Selecione um arquivo para enviar no componente **Arquivo** e, em seguida, clique em **Reproduzir** ▶️ no componente **Astra DB** para executar o fluxo **Carregar dados**.\n2 Abra o **Playground** para iniciar um bate-papo com o fluxo 🐕 **Retriever**.\n\nExecute o fluxo **Carregar dados** apenas quando precisar preencher seu banco de dados vetorial com conteúdo de referência, como dados de produtos.\nO fluxo **Retriever** é o fluxo de chat voltado para o usuário. Esse fluxo gera uma representação vetorial a partir da entrada do chat, realiza uma pesquisa de similaridade no banco de dados de vetores para recuperar conteúdo relevante e, em seguida, encaminha a consulta original e o conteúdo recuperado para o LLM, que produz a resposta do chat enviada ao usuário.\n\n## Próximos passos\nFaça um teste alterando o prompt e os dados carregados para ver como as respostas do LLM mudam.", + "template_notes.vector_store_rag.2": "## 📚 1. Carregar fluxo de dados\n\nExecute isto primeiro! Carregar dados de um arquivo local e incorporá-los ao banco de dados vetorial.\n\nSelecione um banco de dados e uma coleção, ou crie novos. \n\nClique em **Executar componente** no componente **Astra DB** para carregar seus dados.\n\n\n### Próximos passos:\nExperimente alterar o prompt e os dados contextuais para ver como as respostas do fluxo de recuperação se alteram.", + "template_notes.vector_store_rag.3": "### 💡 Insira aqui sua chave da API do OpenAI 👇", + "template_notes.youtube_analysis.0": "# 📖 README\nEste fluxo realiza uma análise abrangente dos vídeos do YouTube.\n1 Extrair comentários e transcrições de vídeos.\n2 Realizar uma análise de sentimento nos comentários usando LLM.\n3. Combine o conteúdo da transcrição com o tom dos comentários para uma análise abrangente do vídeo.\n## Início rápido - Configure seu **Provedor de Modelo** com suas credenciais de API. - Adicione sua **YouTube v3 **. - Se você não tiver uma chave da API YoutTube , crie uma no [Console Google Cloud ]( https://console.cloud.google.com ). - Certifique-se de que o campo de entrada do chat seja um URL de vídeo YouTube válido. Um exemplo de ` URL ` é fornecido no componente de entrada do chat.\n" } \ No newline at end of file diff --git a/src/backend/base/langflow/locales/zh-Hans.json b/src/backend/base/langflow/locales/zh-Hans.json index 4091f57631..f71cce4cbf 100644 --- a/src/backend/base/langflow/locales/zh-Hans.json +++ b/src/backend/base/langflow/locales/zh-Hans.json @@ -4792,5 +4792,69 @@ "starter_flows.vector_store_rag.description": "使用检索增强生成技术加载聊天上下文数据。", "starter_flows.vector_store_rag.name": "Vector Store RAG", "starter_flows.youtube_analysis.description": "YouTube 分析流程可提取视频评论和文字记录，并分析情感模式及内容主题。", - "starter_flows.youtube_analysis.name": "YouTube 分析" + "starter_flows.youtube_analysis.name": "YouTube 分析", + "template_notes.basic_prompt_chaining.0": "# 📖 README\n此流程演示了如何串联三个提示词和三个语言模型。\n每个提示词都专门设计用于处理之前的输出，每次调用大型语言模型（LLM）都会基于之前的结果进行构建\n\n\n## 先决条件\n\n* [ OpenAI API 密钥]( https://platform.openai.com/ )\n\n## 快速入门\n\n1. 使用您的 API 凭据配置 **模型提供程序**。\n2、 要运行该流程，请打开 **Playground**。 以下提供了一个示例输入，其他建议列于下方。\n\n “市场对安全且易于使用的去中心化金融（ DeFi ）平台的需求日益增长，这类平台能让不具备技术背景的用户也能轻松进行加密货币投资。”\n\n “沉浸式增强现实（AR）体验在分布式团队的远程协作和虚拟团队建设中的应用日益普及。”\n\n “智能、 IoT-enabled 的城市农业解决方案市场正在不断扩大，这些方案使城市居民能够在狭小空间内高效地种植自己的食物。”\n\n “市场对人工智能驱动的个人造型和购物助手的需求日益增长，这类助手能够兼顾可持续性、身体自信以及个人的风格偏好。”\n\n", + "template_notes.basic_prompting.0": "# 📖 README\n此模板演示了一个标准聊天流程，其中包含由提示词提供的附加说明。 提示词为大型语言模型（LLM）提供了超出标准用户聊天输入范围的指令和输入。 在此示例中，提示词描述了大型语言模型（LLM）的角色和形象。\n\n## 快速入门\n1. 使用您的 API 凭据配置 **模型提供程序**。\n2、 打开 **Playground** 以开始聊天并运行流程。\n\n## 下一步\n修改提示词模板、模型或模型设置（例如 **Temperature**），然后观察这些不同的输入如何改变响应结果。\n💡 某些组件设置默认处于隐藏状态；要查看所有设置，请点击每个组件顶部菜单中的 **Controls**。\n💡 您可以在模板中使用大括号创建变量，例如 ` {variable} `。这些变量可通过其他组件、Langflow全局变量或运行时进行赋值。", + "template_notes.basic_prompting.1": "### 配置模型提供程序", + "template_notes.blog_writer.0": "# 📖 README\n根据从 URL 获取的内容和用户提供的说明，生成一篇博客文章。\n\n## 先决条件\n\n* 一个 [ OpenAI API 密钥]( https://platform.openai.com/ )\n\n## 快速入门\n\n1. 使用您的 API 凭据配置 **模型提供程序**。\n2、 在 ** URL ** 组件中，输入您想要获取内容的 URL。 请确保它们以 ` http:// ` 或 ` https:// ` 开头。\n3. 打开**Playground**。 这篇博客文章的内容来源于** URL **组件获取的数据。", + "template_notes.custom_component_generator.0": "# 📖 README\n你好！ 我在此协助您为 Langflow 创建自定义组件。 请把我当作您的技术合作伙伴，我将帮助您将创意转化为可运行的组件！\n\n## 快速入门\n\n1. 使用您的 API 凭据配置 **模型提供程序**。\n\n2. 💭 告诉我你想打造什么。\n只需用通俗易懂的语言描述一下您希望该组件实现的功能。 例如：\n- “我需要一个能发送 Slack 消息的组件”\n- “我想创建一个能处理 CSV 文件的工具”\n- “我需要一个能翻译文本的工具”\n\n\n准备好打造一款超棒的产品了吗？🚀 让我们开始吧！", + "template_notes.document_q_a.0": "# 📖 README\n此流程会加载一个文件，并利用大型语言模型（LLM）根据所加载文档的内容回答问题。\n\n## 先决条件\n\n* 一个 [ OpenAI API 密钥]( https://platform.openai.com/ )\n\n## 快速入门\n\n1. 使用您的 API 凭据配置 **模型提供程序**。\n2、 在 **文件** 组件中，选择要加载的文件。\n3。 打开 **Playground**，与你的文档互动。", + "template_notes.financial_report_parser.0": "### 配置模型提供程序", + "template_notes.financial_report_parser.1": "# 📖 README\n此模板可从给定的财务报告文本中提取关键财务指标。 提取的数据已按聊天应用的格式进行结构化和排版。\n\n## 快速入门\n\n1. 使用您的 API 凭据配置 **模型提供程序**。\n2、 打开 **Playground** 以开始聊天并运行流程。\n在此示例中，**Chat Input** 组件已预先加载了一份示例财务报告。 **语言模型**组件能够从财务报告中识别并提取毛利润、息税折旧及摊销前利润（EBITDA）、净利润和营业费用等信息。 然后，**结构化输出**组件会将提取的数据格式化为结构化格式，以便于阅读和后续处理。 最后，**Parser** 组件将提取的数据转换为消息，并返回给用户。", + "template_notes.hybrid_search_rag.0": "# 📖 README\n混合搜索会同时执行向量相似度搜索和词汇搜索，对比两种搜索的结果，然后返回总体相关性最高的搜索结果。\n\n## 先决条件\n\n* 一个 [ OpenAI API 密钥]( https://platform.openai.com/ )\n* 用于 Astra DB 组件的 [Astra DB 应用程序令牌]( https://docs.datastax.com/en/astra-db-serverless/databases/create-database.html )。\n\n## 快速入门\n\n1. 使用您的 API 凭据配置 **模型提供程序**。\n2、 在 Astra DB 组件中，添加您的 Astra DB 应用程序令牌。\n这将 Langflow 连接到您的 Astra 数据库。\n3。 请选择支持混合动力功能的Astra系列。\n如需了解更多信息，请参阅 [Datastax 文档]( https://docs.datastax.com/en/astra-db-serverless/databases/hybrid-search.html )。\n连接向量数据库时，Parser 组件与 Astra DB 组件之间会建立连接。\n4. 请确保 **词汇项** 和 **解析后的文本** 端口已连接。\n5 打开 Playground 并提出一个问题，例如“我的数据有哪些特征？”", + "template_notes.image_sentiment_analysis.0": "# 📖 README\n根据情感对上传至 Playground 的图片进行分类。\n\n## 先决条件\n\n* [ OpenAI API 密钥]( https://platform.openai.com/ )\n\n## 快速入门\n\n1. 使用您的 API 凭据配置 **模型提供程序**。\n\n2、 打开**Playground**，然后将一张图片发送到聊天窗口。 \n\n该LLM对图像进行分析。 情感分析结果将根据**结构化输出**组件的输出模式输出到一个结构化表格中，然后被解析为一条消息，供 Playground 显示。", + "template_notes.instagram_copywriter.0": "# 📖 README\n\n欢迎使用 Instagram 文案撰写工具！ 此流程可帮助您利用 AI 生成的内容和图片提示，制作引人入胜的 Instagram 帖子。\n\n## 快速入门\n- 使用您的 API 凭据配置 **模型提供商**。\n- 将您的 **Tavily API 密钥** 添加到 **Tavily AI Search** 组件中。\n\n## 使用 Flow\n**输入主题**\n- 在聊天输入框中，简要描述您想要发布的主题。\n- 示例：“发布一篇关于冥想及其益处的文章”", + "template_notes.invoice_summarizer.0": "# 📖 README\n利用 **Needle Search API** 和 **Agent**，快速准确地收集并汇总您的发票数据。\n\n## 先决条件\n\n* 来自您 [ Needle.ai ]( https://needle-ai.com ) 部署的 **集合** 和 **API 密钥**\n* 一个 [ OpenAI API 密钥]( https://platform.openai.com/ )\n\n## 快速入门\n\n1. 使用您的 API 凭据配置 **模型提供程序**。\n\n2、 将您的发票导入 Needle 收款账户。 \n\n3。 在 **Needle Search** 工具中，添加您的 **Needle 集合 ID** 和 **Needle API 密钥**。\n\n4. 打开 **Playground** 并查询您的发票。 **Agent** 组件负责确定用于数据检索的正确查询和搜索范围。\n", + "template_notes.invoice_summarizer.1": "### 配置模型提供程序", + "template_notes.invoice_summarizer.2": "### 请在此处添加您的 Needle Search API 密钥 👇", + "template_notes.knowledge_base.0": "# 📖 README\n一个独立组件负责从现有知识库中检索已导入的知识。 获取知识：\n\n1. 请从“知识库”下拉菜单中选择您的知识库。 如果看不到，请选择“刷新列表”。\n2、 （可选）输入要用于检索知识库的搜索查询。\n\n请注意，默认情况下会返回 5 条结果，您可以通过点击组件顶部的“控件”进行配置。\n", + "template_notes.market_research.0": "# 📖 README\n此流程可帮助您收集有关企业的全面信息，用于销售和商业智能分析。\n\n## 先决条件\n\n- **[Tavily API 密钥]( https://docs.tavily.com/welcome )**\n- **[ OpenAI API 密钥]( https://platform.openai.com/ )**\n\n## 快速入门\n\n1. 使用您的 API 凭据配置 **模型提供程序**。\n2、 将您的 **Tavily API 密钥** 添加到 **Tavily Search** 组件中。\n3。 在**聊天输入框**中，输入您想查询的公司名称。\n4. 打开**Playground**并了解该公司。 **结构化输出**组件将大型语言模型（LLM）的原始响应转换为结构化数据，而**解析器**组件则将数据以文本形式呈现，供**聊天输出**组件进行展示。", + "template_notes.meeting_summary.0": "### 请在此处添加您的 Assembly AI API 密钥和音频文件", + "template_notes.meeting_summary.1": "### 请在此处添加您的 Assembly AI API 密钥", + "template_notes.meeting_summary.2": "### 配置模型提供程序", + "template_notes.meeting_summary.3": "### 配置模型提供程序", + "template_notes.meeting_summary.4": "# 📖 README\n此流程通过 **AssemblyAI** 和 **OpenAI GPT-4** ，将音频录音转换为简明摘要，从而自动转录并总结会议内容。\n\n## 先决条件\n\n- **[ AssemblyAI API 密钥]( https://www.assemblyai.com/ )**\n- **[ OpenAI API 密钥]( https://platform.openai.com/ )**\n\n## 快速入门\n\n1. 上传音频文件。 [支持]( https://github.com/langflow-ai/langflow/blob/main/src/backend/base/langflow/components/assemblyai/assemblyai_start_transcript.py#L27 )大多数常见的音频文件格式。\n2、 要运行摘要生成器流程，请点击 **Playground**。\n\n该流程使用 **AssemblyAI** 对音频进行转录。\n该文字记录已按AI处理要求进行格式化。\n**GPT-4** 模型能够提炼出关键要点和洞见。\n会议摘要以适合聊天的方式呈现。\n\n\n\n", + "template_notes.memory_chatbot.0": "# 📖 README\n此流程在 **基本提示** 模板的基础上，新增了一个 **消息历史记录** 组件，该组件可检索多达 100 条之前的聊天消息，作为当前对话的上下文。\n\n## 快速入门\n1. 使用您的 API 凭据配置 **模型提供程序**。\n2、 打开**Playground**，然后告诉LLM你的名字。\n3。 在“Playground”中开启一个新的聊天会话，然后输入 `what is my name`。大型语言模型（LLM）能够从存储的聊天记录中检索到你的名字。\n\n## 关于“消息历史记录”组件\n**语言模型**和**智能代理**组件内置了聊天记录功能，该功能默认处于启用状态，其功能与**“消息历史记录”**组件相同。\n仅当您需要从外部聊天记录数据库中存储或检索聊天记录，或者需要在当前会话上下文之外检索聊天记录时（例如在非聊天流程中，或将其他聊天的记录提供给不同的会话），才应使用 **消息历史记录** 组件。 如需了解更多信息，请参阅 [保存聊天记录]( https://docs.langflow.org/memory#store-chat-memory )。", + "template_notes.news_aggregator.0": "### 配置模型提供程序", + "template_notes.news_aggregator.1": "### 请在此处添加您的 AgentQL API密钥", + "template_notes.news_aggregator.2": "# 📖 README\n此流程从 URL 中提取结构化数据，并将其保存为 JSON 文件。\n\n## 先决条件\n\n* **[ AgentQL API 密钥]( https://dev.agentql.com/api-keys )**\n* **[ OpenAI API 密钥]( https://platform.openai.com/ )**\n\n## 快速入门\n\n1. 使用您的 API 凭据配置 **模型提供程序**。\n2、 将您的 [ AgentQL API 密钥]( https://dev.agentql.com/api-keys ) 添加到 **AgentQL** 组件中。\n3。 点击**游乐场**并输入一个问题。\n\n**Agent** 组件会为 **AgentQL** 组件的 ** URL ** 和 **Query** 字段填充数据，并针对您的问题返回结构化的响应。 随后，提取的数据将保存到 JSON 文件 ` news-aggregated.json ` 中，该文件位于您当前的项目目录下。", + "template_notes.nvidia_rtx_remix.0": "# 📖 README\n此 Langflow 项目通过其 REST API 提供了对 NVIDIA RTX Remix Toolkit 的集成。\n\n## 先决条件\n\n在使用本项目之前，请确保已完成以下步骤：\n\n1. **安装 RTX Remix Toolkit**\n您的系统上必须已安装 RTX Remix Toolkit。 请按照此处的安装指南操作：\n[安装 RTX Remix Toolkit]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/installation/install-toolkit.html )\n\n2. **运行 RTX Remix Toolkit**\n在使用此 Langflow 项目之前，请确保 RTX Remix Toolkit 应用程序已运行。\n\n3. **创建/打开项目**\n您必须在 Toolkit 中打开一个 RTX Remix 项目。 点击此处了解如何设置项目：\n[使用 RTX Remix 工具包设置项目]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/gettingstarted/learning-toolkitsetup.html )\n\n### 快速入门教程\n\n若要快速入门 RTX Remix，请按照 [为 RTX Remix 示例制作首个模组]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/tutorials/tutorial-remixtool.html ) 教程进行操作。\n\n该过程包括安装所需的各种组件、进行配置，以及让项目顺利运行。\n\n## 入门指南\n\n只要满足所有先决条件，Langflow 项目即可正常运行，无需额外配置。\n\n### 测试连接\n\n要验证一切是否正常运行：\n\n1. 打开 Langflow 项目\n2. 找到 **RTX Remix MCP Connection** 节点\n3. 点击节点上的**刷新按钮**\n4. 确认各种 REST API 工具是否显示\n\n如果刷新后 REST API 工具显示出来，说明您与 RTX Remix Toolkit 的连接正常，您可以开始使用这些工具。\n\n## 其他资源\n\n- [RTX Remix 文档]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/ )\n- [RTX Remix MCP 文档]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/howto/learning-mcp.html )\n- [RTX Remix REST API 文档]( https://docs.omniverse.nvidia.com/kit/docs/rtx_remix/latest/docs/howto/learning-restapi.html )", + "template_notes.pok_dex_agent.0": "## 打开游乐场，尽情提问关于宝可梦的任何问题吧！⚡ 🐹", + "template_notes.pok_dex_agent.1": "# 📖 README\n使用专用的**Agent**和宝可梦图鉴API收集宝可梦相关研究资料。\n\n## 先决条件\n\n* 一个 [ OpenAI API 密钥]( https://platform.openai.com/ )\n\n## 快速入门\n\n1. 使用您的 API 凭据配置 **模型提供程序**。\n2、 点击**游乐场**，询问你最喜欢的宝可梦。\n该**代理**会查询宝可梦图鉴 API，并返回格式化的条目。", + "template_notes.pok_dex_agent.2": "### 配置模型提供程序", + "template_notes.portfolio_website_code_generator.0": "### 💡 请在此上传您的简历", + "template_notes.portfolio_website_code_generator.1": "# 📖 读我文件\n您上传的简历将被解析为结构化格式，并输出为 HTML/CSS 代码，供您制作个人简历网站！\n\n✅ **支持的格式：** PDF 或 TXT\n✅ 为确保可读性，请提供清晰的标题、项目符号和正确的格式。\n### 📌 结构化输出字段：\n1. 🏷 **全名** - 求职者全名\n2. 📧 **电子邮箱** - 有效的电子邮箱地址\n3. 📞 **电话号码** - 联系电话\n4. 🔗 **LinkedIn** - LinkedIn 个人主页 URL\n5. 🖥 **GitHub** - GitHub 个人主页 URL （如适用）\n6. 🌐 **作品集** - 个人网站或作品集 URL\n7. 🛂 **签证状态** - 工作许可详情（如适用）\n8. 📝 **简介** - 简短的职业简介或求职目标\n9. 💼 **工作经历** - 工作经历详情（采用词典格式）\n10. 🎓 **教育背景** - 教育经历详情（采用词典格式）\n11. 🛠 **技能** - 简历中提及的技能（以逗号分隔）\n12. 🚀 **项目** - 项目的名称、描述及详情。", + "template_notes.portfolio_website_code_generator.2": "### 💡 点击“打开表”以查看模式", + "template_notes.portfolio_website_code_generator.3": "### 💡 请在此处添加您的 Anthropic API 密钥", + "template_notes.portfolio_website_code_generator.4": "### 配置模型提供程序", + "template_notes.price_deal_finder.0": "### 配置模型提供程序", + "template_notes.price_deal_finder.1": "### 💡 请在此处添加您的 AgentQL API密钥", + "template_notes.price_deal_finder.2": "# 📖 README\n此流程用于在网络上搜索并比较某款产品的价格。\n## 先决条件\n\n* **[ AgentQL API 密钥]( https://dev.agentql.com/api-keys )**\n* **[ OpenAI API 密钥]( https://platform.openai.com/ )**\n* **[ TavilyAI 搜索 API 密钥]( https://tavily.com/ )**\n\n## 快速入门\n\n1. 使用您的 API 凭据配置 **模型提供程序**。\n2、 将您的 [ AgentQL API 密钥]( https://dev.agentql.com/api-keys ) 添加到 **AgentQL** 组件中。\n3。 将您的 [ TavilyAI 搜索 API 密钥]( https://tavily.com/ ) 添加到 **Tavily AI Search** 组件中。\n4. 点击 **Playground**，并在聊天框中输入产品名称。 例如，搜索“ \"iPhone 16 Pro 512 GB”\n* **Agent** 组件会将内容填入 **Tavily AI Search** 组件的 **Search Query** 字段，以及 **Agent QL** 组件的 ** URL ** 和 **Query** 字段。\n\n* 该**机器人**会在聊天中针对您的搜索返回结构化的回复。", + "template_notes.price_deal_finder.3": "### 💡 请在此处添加您的 Tavily AI Search 密钥", + "template_notes.research_agent.0": "# 📖 README\n\n欢迎使用 Research Agent！ 此流程可帮助您利用人工智能驱动的工具和分析方法，对各类主题进行深入研究。\n\n## 快速入门\n- 使用您的 API 凭据配置 **模型提供商**。\n- 将您的 **Tavily API 密钥** 添加到 Tavily AI Search 组件中。\n\n## 使用 Flow\n- 在“聊天输入”节点中输入您的研究问题或主题。\n- 请明确具体地说明您想研究的内容。", + "template_notes.research_translation_loop.0": "# 📖 README\n此模板将 ArXiv 上的研究论文摘要翻译成葡萄牙语，并对其进行概括。 \n 利用**Langflow的循环机制**，该模板会遍历多篇研究论文，使用 **OpenAI** 模型组件对其进行翻译，并输出所有已翻译论文的汇总版本。\n\n## 快速入门\n1. 使用您的 API 凭据配置 **模型提供程序**。 \n2、 在 **Playground** 中，输入与研究主题相关的查询（例如，“量子计算的进展”）。 \n\n 该流程从 ArXiv 获取与查询条件匹配的研究论文列表。 检索到的列表中的每篇论文都会使用 Langflow 的 **Loop 组件** 逐一处理。 \n\n 每篇论文的摘要均由 **OpenAI** 模型组件翻译成葡萄牙语。 \n\n 所有文档翻译完成后，系统会将其整合为一份**结构化的输出文件**。", + "template_notes.saas_pricing.0": "# 📖 README\n欢迎使用 SaaS 定价计算器！ 此流程可帮助您确定软件服务的最佳月度订阅价格。\n\n## 说明\n\n1. 准备数据\n- 收集每月基础设施成本的相关信息\n- 计算客户支持费用\n- 估算持续开发成本\n- 确定目标利润率\n- 确定预计订阅用户数量\n\n2. 输入值\n- 将收集到的数据输入到“Prompt”节点的相应字段中\n- 仔细核对输入内容的准确性\n\n3. 运行流程\n- 点击“运行”按钮以启动计算过程\n- 该流程将采用“思维链”引导方式，引导 AI 逐步完成操作\n\n4. 查看结果\n- 检查“Chat Output”节点中的输出内容\n- 结果将显示费用明细及最终订阅价格\n\n5. 调整与优化\n- 如有需要，请修改输入参数以探索不同的定价方案\n- 重新运行流程，查看更改对最终价格的影响\n\n请记住：定期更新成本和订阅用户预估数据，以确保定价模型的准确性和竞争力！💼📊", + "template_notes.search_agent.0": "# � README\n此模板将 [ ScrapeGraphAI ]( https://scrapegraphai.com ) 中的 **Search Point** 端点连接到 **Agent** 组件。\n\n## 先决条件\n\n* [ OpenAI API 密钥]( https://platform.openai.com/docs/overview )\n* [ ScrapeGraphAI API 密钥]( https://dashboard.scrapegraphai.com )\n\n## 快速入门\n\n1. 使用您的 API 凭据配置 **模型提供程序**。\n\n2、 将您的 **ScrapeGraphAI API 密钥** 添加到 **ScrapeGraphSearchApi** 组件中。\n\n3。 打开**Playground**，并向您的代理提问。 客服人员使用 ScrapeGraph 作为工具来回复您。", + "template_notes.search_agent.1": "### 配置模型提供程序", + "template_notes.search_agent.2": "### 请在此处添加您的 ScrapeGraphAI API 密钥 👇", + "template_notes.seo_keyword_generator.0": "# 📖 README\n此模板会根据您的产品和受众画像生成战略关键词。\n\n### 先决条件\n\n* [ OpenAI API 密钥]( https://platform.openai.com/ )\n\n## 快速入门\n\n1. 使用您的 API 凭据配置 **模型提供程序**。\n\n2、 在 **提示** 组件中，请填写以下字段。 您也可以直接使用附带的示例值运行该流程。\n\n* 产品信息\n* 痛点\n* 目标\n* 目标受众\n* 专业水平\n* 评审结果\n\n3. 打开 **Playground**，然后点击 **运行流程**。 该LLM会根据您的输入生成关键词。", + "template_notes.seo_keyword_generator.1": "### 配置模型提供程序", + "template_notes.sequential_tasks_agents.0": "# 📖 README\n此流程演示了如何串联多个 AI 代理，以进行全面的研究和分析。 每个代理专攻研究过程中的不同环节，并在前一个代理工作的基础上继续推进。\n\n## 快速入门\n1. 使用您的 API 凭据配置 **模型提供程序**。\n2、 将您的 **Tavily API 密钥** 添加到 **Tavily AI Search** 组件中。\n3。 打开 **Playground**，并输入查询以运行流程。 请具体、清晰地说明，并列出您希望经纪人从财务角度分析的关键方面。\n由于该流程包含一个财务分析代理，因此有用的查询应涉及财务方面，例如“我应该投资特斯拉（TSLA）吗？” “聚焦人工智能发展的影响”。 相比之下，询问智能助手“跟我说说特斯拉”则没有那么有用，因为这既不会触发财经研究助手，也不会为其他助手提供具体的调研方向。\n\n## 后续步骤\n本模板以财务分析为例。 不妨尝试将其应用于其他需要多角度和多数据源的科研密集型任务。", + "template_notes.simple_agent.0": "# 📖 README\n运行一个代理，并提供 URL 和Calculator工具供其使用。 \n代理决定使用哪种工具来解决问题。\n## 快速入门\n\n1. 使用您的 API 凭据配置 **模型提供程序**。\n2、 打开“游乐场”，与特工聊天。 请提供一份食谱的相关信息，然后请计算两个数字的和。 在处理请求时，代理将使用不同的工具来解决不同的问题。\n\n## 下一步\n将更多工具连接到代理，打造您专属的完美助手。\n\n更多信息，请参阅 [Langflow 文档]( https://docs.langflow.org/agents-tool-calling-agent-component )。", + "template_notes.simple_agent.1": "### 配置模型提供程序", + "template_notes.social_media_agent.0": "### 💡 请在此处添加您的 Apify API 密钥 ", + "template_notes.social_media_agent.1": "### 💡 请在此处添加您的 Apify API 密钥 ", + "template_notes.social_media_agent.2": "# 📖 README\n使用 **Apify Actors** 提取数据，并通过 **Agent** 分析数据。\n\n## 先决条件\n\n* 一个 [Apify API 令牌]( https://docs.apify.com/platform/integrations/api#api-token )\n* 一个 [ OpenAI API 密钥]( https://platform.openai.com/ )\n\n## 快速入门\n\n1. 使用您的 API 凭据配置 **模型提供程序**。\n2、 请在 **Apify Actors** 组件的 **Apify Token** 字段中输入您的 **Apify** API 令牌。\n3。 打开**Playground**，并与客服进行聊天。 例如，使用以下提示语让它检索个人资料简介和最新视频：\n```\n使用 Google 搜索功能查找公司 OpenAI 的 TikTok 个人资料，然后向我展示该个人资料的简介及其最新视频。\n```", + "template_notes.social_media_agent.3": "### 配置模型提供程序", + "template_notes.text_sentiment_analysis.0": "# 📖 README\n此流程处理文本数据，分析情感倾向，并提供结构化的洞察。\n\n## 先决条件\n\n* [ OpenAI API 密钥]( https://platform.openai.com/docs/ )\n\n## 快速入门\n\n1. 使用您的 API 凭据配置 **模型提供程序**。\n2、 在 **文件组件** 中，加载 `.txt`、`.csv` 或 `.json` 格式的文本数据。\n3。 打开 **Playground**，查看流程生成的分析和建议。\n\n## 工作原理\n\n1. **数据转消息**组件将原始数据转换为结构化消息。 \n\n2、 **NLP 专家**提示词用于情感分析，而 **分析消息**提示词则用于总结讨论板上的消息。\n\n3。 最后一个**提示组件**会生成一个结构化的推荐提示，以确保AI模型接收到的输入格式正确。 \n\n4. **OpenAI 模型组件**对文本进行处理，并将情感分类为**积极、中性或消极**。 \n\n", + "template_notes.text_sentiment_analysis.1": "### 配置模型提供程序", + "template_notes.text_sentiment_analysis.2": "### 配置模型提供程序", + "template_notes.text_sentiment_analysis.3": "### 配置模型提供程序", + "template_notes.travel_planning_agents.0": "# 📖 README\n\n该旅行规划系统是一个智能平台，它利用多个专门的 Agent 组件来帮助规划精彩的旅程。 试想，每位客服专员都像是一位专注于您旅程中某个环节的旅行专家。 具体操作如下：\n每位代理在**代理指南**中都有明确的角色定义，并附有相关的**工具**。 用户通过**聊天输入**提交查询，三个智能助手会根据用户的查询制定完整的旅行计划。\n\n## 快速入门\n1. 使用您的 API 凭据配置 **模型提供程序**。\n2、 将您的 **搜索 API** 密钥添加到搜索 API 组件中。\n2、 在 **Playground** 中运行该流程。", + "template_notes.twitter_thread_generator.0": "# 📖 README\n欢迎使用 Twitter 推文生成器！ 此流程可将您的结构化输入转化为引人入胜的内容，助您创建精彩的 Twitter 系列推文。\n\n## 说明\n\n1. 准备输入内容\n- 在“背景”中填写您的核心信息或故事\n- 制定“内容指南”，明确帖子结构和风格\n- 指定“个人资料类型”和“个人资料详情”，以体现您的品牌形象\n- 设置“语气与风格”，指导沟通方式\n- 选择“输出格式”（帖子）和所需语言\n\n2. 配置提示词\n- 该流程使用专用的提示词模板来生成内容\n- 确保所有输入字段均已连接到提示词节点\n\n3. 运行生成\n- 执行流程以处理您的输入\n- “ OpenAI ”模型将根据您的配置创建线程\n\n4. 检查与优化\n- 检查“Chat Output”节点的输出结果\n- 如有必要，调整输入参数并重新运行以获得更佳结果\n\n5. 最终定稿并发布\n- 确认无误后，复制生成的推文\n- 发布到 Twitter，保持原有结构和行文逻辑\n\n请记住：为获得最佳效果，请在上下文和指导原则中具体说明！🚀\n", + "template_notes.vector_store_rag.0": "## 🐕 2. 检索流程\n\n该流程会利用从您的矢量数据库中检索到的上下文数据来回答您的问题。\n\n打开 **Playground** 并询问：\n\n```\n本文档讲的是什么？\n```\n", + "template_notes.vector_store_rag.1": "# 📖 README\n检索增强生成（RAG）是一种通过预先将相关内容的嵌入向量加载到向量数据库中，从而为大型语言模型（LLM）提供额外上下文的方法。 当用户与大型语言模型（LLM）进行对话时，系统会通过“相似度搜索”功能，将用户查询的嵌入向量与向量数据库中的嵌入向量进行比对，从而检索出相关内容。\n例如，RAG 聊天机器人可以预先加载产品数据，然后根据客户的查询帮助他们查找特定产品。\n该模板包含两个子流程。 一种流程将数据加载到向量存储中，另一种则是用户驱动的聊天流程，该流程会将新查询与向量数据库中的现有内容进行比对。\n\n## 快速入门\n1. 使用您的 API 凭据配置 **模型提供程序**。\n2、 将 Astra 应用程序令牌添加到 **Astra DB** 向量存储组件中，或通过 **组件** 菜单中的其他向量存储组件替换这些组件。\n\n## 运行流程\n1. 使用 📚 **加载数据** 流程将数据加载到向量数据库中。 在 **文件** 组件中选择要上传的文件，然后点击 **Astra DB** 组件上的 **播放** ▶️ 按钮，以运行 **加载数据** 流程。\n2、 打开 **Playground**，开始与 🐕 **Retriever** 流程进行对话。\n\n仅在需要向矢量数据库填充基准内容（例如产品数据）时，才运行 **Load Data** 流程。\n**Retriever** 流程是面向用户的聊天流程。 该流程会根据聊天输入生成一个向量表示，对向量数据库进行相似度搜索以检索相关内容，然后将原始查询和检索到的内容传递给大型语言模型（LLM），该模型会生成聊天回复并发送给用户。\n\n## 下一步\n尝试修改提示词和加载的数据，观察大型语言模型的响应会发生怎样的变化。", + "template_notes.vector_store_rag.2": "## 📚 1. 加载数据流\n\n请先运行此操作！ 从本地文件加载数据，并将其嵌入向量数据库中。\n\n选择一个数据库和一个集合，或创建新的。 \n\n点击 **Astra DB** 组件上的 **运行组件** 以加载您的数据。\n\n\n### 下一步：\n尝试修改提示词和上下文数据，观察检索流程的响应会发生怎样的变化。", + "template_notes.vector_store_rag.3": "### 💡 请在此处添加您的 OpenAI API 密钥 👇", + "template_notes.youtube_analysis.0": "# 📖 README\n此流程对 YouTube 上的视频进行全面分析。\n1 提取视频评论和文字记录。\n2、 使用大型语言模型（LLM）对评论进行情感分析。\n3。 结合字幕内容与评论情绪，实现全面的视频分析。\n## 快速入门\n- 使用您的 API 凭据配置 **模型提供程序**。\n- 添加您的 **YouTube Data API v3 密钥**\n- 如果您还没有 YoutTube API 密钥，请在 [ Google Cloud 控制台]( https://console.cloud.google.com ) 中创建一个。\n- 确保聊天输入是一个有效的 YouTube 视频 URL。 聊天输入组件中提供了一个 URL 示例。\n" } \ No newline at end of file diff --git a/src/backend/base/langflow/utils/i18n.py b/src/backend/base/langflow/utils/i18n.py index a225c9b2f5..59dbaae4fc 100644 --- a/src/backend/base/langflow/utils/i18n.py +++ b/src/backend/base/langflow/utils/i18n.py @@ -85,6 +85,30 @@ def translate_starter_flows(flow_reads: list, locale: str) -> list: return result +def translate_flow_notes(nodes: list[dict], flow_name: str, locale: str) -> list[dict]: + """Return a copy of nodes with note node descriptions translated for locale. + + For each noteNode, looks up template_notes.{flow_key}.{index} and substitutes + the translated markdown. Falls back to the original description if no translation exists. + Never mutates the input list. + """ + import copy as _copy + + flow_key = _safe_flow_key(flow_name) + result = [] + note_index = 0 + for node in nodes: + if node.get("type") == "noteNode": + node = _copy.deepcopy(node) + description = node.get("data", {}).get("node", {}).get("description", "") + key = f"template_notes.{flow_key}.{note_index}" + translated = translate(key, locale, description) + node["data"]["node"]["description"] = translated + note_index += 1 + result.append(node) + return result + + def translate_component_dict(all_types: dict[str, Any], locale: str) -> dict[str, Any]: """Return a copy of all_types with display_names substituted for locale.