Activepieces + Ertas

在 Activepieces 上使用 Ertas 訓練的模型建構智慧自動化工作流程，在每個步驟中實現自託管、隱私優先的 AI 處理。

Overview

Activepieces 是一個開源自動化平台，提供視覺化工作流程建構器，用於連接應用程式和自動化商業流程。與 Zapier 和 Make 等商業替代方案類似，Activepieces 提供觸發器-動作模型，並擁有數百個預建連接器。其獨特之處在於自託管部署模式：組織可以在自己的基礎設施上運行 Activepieces，確保所有流經自動化工作流程的資料都留在其網路範圍內。

這種自託管架構使 Activepieces 非常適合需要 AI 自動化但無法將資料傳送到第三方服務的組織。與本地部署的 Ertas 訓練模型結合使用時，整個自動化管線——觸發器、AI 處理和動作——都在組織的基礎設施內運行。電子郵件內容、客戶資料或商業文件在任何時候都不會離開網路。這對於醫療保健、法律、金融和政府等行業來說是關鍵需求，因為資料主權法規使得基於雲端的 AI 自動化平台不適合處理敏感工作流程。

How Ertas Integrates

Ertas 訓練的模型透過 HTTP 請求元件或自訂程式碼元件連接到 Activepieces。在內部網路上透過 Ollama 或任何 OpenAI 相容伺服器部署微調模型後，您可以在 Activepieces 流程中新增一個 HTTP POST 步驟，呼叫模型的聊天完成端點。由於 Activepieces 和推理伺服器都在您的基礎設施上運行，AI 呼叫是本地網路請求——快速、免費且完全私密。

Ertas-Activepieces 技術堆疊建立了一個完全自託管的 AI 自動化平台。以一家需要自動分類傳入案件文件、擷取關鍵實體並將其路由到適當業務群組的律師事務所為例。Activepieces 監控電子信箱或檔案共享以獲取新文件，Ertas 訓練的法律模型處理每份文件進行分類和擷取，Activepieces 將結果路由到正確的團隊頻道——整個工作流程在本地運行，零外部 API 呼叫。事務所可以稽核每個步驟、控制資料保留並展示完全的法規遵循。同樣的模式適用於處理轉介的醫療機構、分類交易的金融公司，以及任何需要對敏感資料進行智慧自動化的組織。

Getting Started

1
在 Ertas Studio 中微調模型
針對您的特定自動化任務訓練模型——文件分類、實體擷取、內容生成或文字分析。
2
在本地同時部署 Activepieces 和您的模型
透過 Docker 在您的基礎設施上運行 Activepieces。透過 Ollama 在同一網路上部署 Ertas 訓練的模型，實現低延遲的私密推理。
3
建立帶有觸發器的工作流程
從觸發器開始建構 Activepieces 流程——新電子郵件、檔案上傳、webhook、排程任務或任何受支援的事件來源。
4
新增 HTTP 請求步驟進行 AI 處理
新增一個 HTTP 請求元件，向您的本地模型端點發送 POST 請求。將請求主體結構化為 OpenAI 相容的聊天完成呼叫，包含觸發器資料。
5
將結果路由到下游動作
使用模型的回應驅動後續流程步驟——路由文件、更新資料庫、發送通知或觸發額外處理。

json

{
  "step": "HTTP Request",
  "method": "POST",
  "url": "http://ollama-server:11434/v1/chat/completions",
  "headers": {
    "Content-Type": "application/json"
  },
  "body": {
    "model": "ertas-classifier-7b",
    "messages": [
      {
        "role": "system",
        "content": "Classify the document into one of: contract, invoice, correspondence, legal-filing. Return JSON: {category, confidence, summary}"
      },
      {
        "role": "user",
        "content": "{{trigger.document_text}}"
      }
    ],
    "temperature": 0.0,
    "max_tokens": 200
  }
}

Activepieces 中的 HTTP 請求步驟呼叫本地部署的 Ertas 訓練模型，在完全自託管的管線中進行文件分類。