LangChain 自动化

适合以下人群使用此工作流：

- 市场研究人员：需要分析大量调查数据并提取见解。
- 数据分析师：希望通过自动化流程来处理和分析数据。
- 企业决策者：需要从客户反馈中获得深刻见解以指导业务决策。
- 研究人员：希望利用机器学习和自然语言处理技术来挖掘数据中的模式和趋势。

该工作流为这些用户提供了一个高效的工具，以便他们能够从调查结果中提取有价值的信息。

该工作流解决了以下问题：

- 数据处理复杂性：手动分析调查结果非常耗时且容易出错。此工作流自动化了数据加载、处理和分析的整个过程。
- 洞察力缺乏：通过对大量的调查反馈进行向量化和聚类分析，用户能够发现潜在的模式和趋势，从而获得更深入的见解。
- 信息整合难度：该工作流将数据从多个来源（如 Google Sheets 和 Qdrant）整合在一起，使得分析过程更加流畅和高效。

工作流过程的详细说明：

1. 手动触发：用户手动启动工作流以导入调查结果。
2. 获取调查结果：从 Google Sheets 中提取调查结果。
3. 转换为问答对：将调查结果转换为问答对，以便后续处理。
4. 提取问题：从调查头部提取所有问题。
5. 问题分批处理：将问题分批处理，以便逐一分析。
6. 查找所有答案：针对每个问题，查找对应的答案。
7. 应用 K-means 聚类算法：对答案进行聚类分析，以识别相似回答的组。
8. 生成调查见解：利用自然语言处理技术生成对每个问题的总结和见解。
9. 导出结果到 Google Sheets：将生成的见解和分析结果导出到 Google Sheets 中，便于后续查看和分享。

用户如何自定义和调整此工作流：

- 修改数据源：用户可以更改 Google Sheets 的文档 ID 和工作表名称，以适应不同的调查数据。
- 调整聚类参数：在 K-means 聚类算法中，用户可以根据需要调整聚类的数量，以获得更精确的结果。
- 自定义见解生成：用户可以修改 LLM 的提示模板，以便生成更符合特定需求的见解。
- 添加或删除节点：用户可以根据自己的需求添加新的节点或删除不必要的节点，以优化工作流的效率和效果。