引言
LLMs 在 XML 比较中的关键作用
大型语言模型（LLMs）革新了文本数据的处理与分析方式，其应用范畴已延伸至 XML 等结构化数据格式的理解。以下是 LLMs 在比较 KNIME 工作流方面的具体作用：
- 自然语言理解：LLMs 能够解读 XML 标签和属性的语义，使其不仅能理解数据结构，还能把握数据含义，这对于理解工作流中环境的变化至关重要。
- 环境感知：在对比两个 XML 文件时，LLMs 可借助对环境的理解，识别差异及其产生的影响。例如，工具配置的变更可能在工作流中引发下游效应。
- 提示工程：用户通过设计特定提示，可引导 LLMs 聚焦于 XML 的特定方面，如工具配置或连接，这种有针对性的方式能在比较过程中生成更具相关性的见解。
- 错误检测：LLMs 可以通过将预期配置与实际 XML 表示进行比较，协助识别工作流中可能存在的错误或不一致之处。
前期准备要点
在开启 AI 的有趣应用之前，有几个关键要点需要考虑：
- XML 结构：深入熟悉 KNIME XML 文件中的常见元素，如工具、连接和配置设置等，这些元素是进行比较工作的基础。
- LLM 训练：探讨如何对 LLMs 进行微调或通过提示使其理解特定的 XML 结构，由于 LLMs 并非完美无缺，需要进行微调才能获得期望的输出。
- 比较技术：探索比较 XML 文件的不同策略，包括差异的可视化呈现和优化报告的生成。
- 用户体验：思考这种方法如何提升用户体验，尤其是对于可能不熟悉 XML 的用户。
使用 LLMs 比较 KNIME 工作流的方法
第一步：从 KNIME 工作流中提取 XML
假设有两个需要比较的工作流，在此示例中，创建了两个名为 WF1 和 WF1_v2 的工作流，它们包含一些工具和随机过程。拥有两个工作流后，可通过记事本或记事本 ++ 打开它们，并将其保存为 XML 文件。
第二步：加载 XML 文件
接下来，将 XML 文件加载到所选的 LLM 中，这里选择使用 Poe！启动该过程的提示如下：
- 初始提示：“目标：通过 XML 差异比较两个 KNIME 工作流之间的差异。行动：我将提供两个用于比较的工作流 XML。”
- 高级提示：“WF1_xml 包含原始工作流，WF1_v2_xml 是 WF1 的修改版本。请研究这些文件，并简要概述两者的差异。”
加载 XML 文件后，查看 LLM 生成的输出，重点关注其关于变化、影响以及任何潜在错误的见解。此外，还可以尝试使用不同的提示词，以下是一些示例： - 这两个工作流 XML 之间的显著差异是什么？
- 解释工具配置更改可能对整体工作流程的影响。
- 根据以下 XML 结构识别任何潜在错误。
高级功能
可视化差异
为了更深入地理解比较结果，需要对练习的输出进行更多思考，可从比较的 XML 中生成可视化和报告。尽管 LLMs 能够生成图像，但可能会出现乱码文字的问题。鉴于此，不妨转向 Python 代码，使用 Python 代码不仅便于测试和查看结果，而且代码还附带了一些文档。运行 Python 代码后，可查看输出，该代码突出了 WF1 和 WF1_v2 的位置，并指出了在过滤器工具中进行的表达式更改，为进一步研究提供了方向，需要进行更多实验。
差异说明
可视化差异有助于快速掌握整体情况，但细节往往决定成败。设想这样一种场景：在一个工作流中，有超过 100 个工具，每个工具在表达式、设置和工具配置的选择方面都发生了变化，这将使比较工作变得困难重重。而 LLMs 在此就能发挥重要作用，可尝试提出如下目标：“我希望有一个报告，列出在表达式、工具配置、工具位置以及工具容器是否存在等方面的差异。请列出它们并解释发生了什么变化，并对变化进行分析 —— 是否优化了 —— 并解释为什么推荐这些更改。”
结论
将人工智能集成到 KNIME 工作流程分析中，能够提升工作效率和分析的清晰度。通过使用大型语言模型（LLMs）检查 XML 文件，我们可以轻松识别变化，并深入了解数据处理过程。这种方法简化了工作流程的比较，并使文档流程化。建议采用这些技术来优化 KNIME 项目，改进数据管理实践。如今，每个人都可以使用这个解决方案，开启更高效的数据工作之旅。
