Activepieces + Ertas

在 Activepieces 上构建智能自动化工作流，使用 Ertas 训练的模型实现自托管、隐私优先的 AI 处理。

Overview

Activepieces 是一个开源自动化平台，提供可视化工作流构建器，用于连接应用程序和自动化业务流程。与 Zapier 和 Make 等商业替代方案类似，Activepieces 提供了触发器-动作模型以及数百个预构建的连接器。其最大的特点在于自托管部署模式：组织可以在自己的基础设施上运行 Activepieces，确保所有通过自动化工作流流转的数据都保留在其网络边界内。

这种自托管架构使 Activepieces 成为需要 AI 自动化但无法将数据发送到第三方服务的组织的理想选择。当与本地部署的 Ertas 训练模型结合使用时，整个自动化管道——触发器、AI 处理和动作——都在组织的基础设施内运行。邮件内容、客户数据或业务文档在任何时候都不会离开网络。对于医疗、法律、金融和政府等行业来说，数据主权法规使基于云的 AI 自动化平台不适用于敏感工作流，这是一项关键需求。

How Ertas Integrates

Ertas 训练的模型通过 Activepieces 的 HTTP 请求组件或自定义代码组件进行连接。在通过 Ollama 或任何兼容 OpenAI 的服务器在内部网络上部署微调模型后，您可以在 Activepieces 工作流中添加一个 HTTP POST 步骤来调用模型的聊天补全端点。由于 Activepieces 和推理服务器都在您的基础设施上运行，AI 调用是一个本地网络请求——快速、免费且完全私密。

Ertas-Activepieces 技术栈创建了一个完全自托管的 AI 自动化平台。例如，一家律师事务所需要自动分类传入的案件文档、提取关键实体，并将其路由到适当的执业组。通过 Activepieces 监控邮箱或文件共享中的新文档、Ertas 训练的法律模型处理每个文档进行分类和提取，以及 Activepieces 将结果路由到正确的团队频道——整个工作流在本地运行，完全没有外部 API 调用。该事务所可以审计每一个步骤，控制数据保留，并展示完全的合规性。同样的模式适用于处理转介的医疗机构、分类交易的金融公司，以及任何需要对敏感数据进行智能自动化的组织。

Getting Started

1
在 Ertas Studio 中微调模型
针对您的特定自动化任务训练模型——文档分类、实体提取、内容生成或文本分析。
2
在本地同时部署 Activepieces 和您的模型
通过 Docker 在您的基础设施上运行 Activepieces。在同一网络上通过 Ollama 部署 Ertas 训练的模型，实现低延迟、私密的推理。
3
使用触发器创建工作流
构建一个 Activepieces 工作流，从您的触发器开始——新邮件、文件上传、Webhook、定时任务或任何支持的事件源。
4
添加 HTTP 请求步骤进行 AI 处理
添加一个 HTTP 请求组件，向您的本地模型端点发送 POST 请求。将请求体构造为兼容 OpenAI 的聊天补全调用，包含触发器数据。
5
将结果路由到下游动作
使用模型的响应驱动后续工作流步骤——路由文档、更新数据库、发送通知或触发额外处理。

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 HTTP 请求步骤调用本地部署的 Ertas 训练模型，在完全自托管的管道中进行文档分类。