FlowiseAI/Flowise · 上手攻略

• 仓库：FlowiseAI/Flowise
• 链接：https://github.com/FlowiseAI/Flowise
• 分类：ai
• 作者：Jay
• 更新：2026-07-08

这是什么

Flowise 是一款开源可视化 AI Agent 构建平台（Apache 2.0 许可证，TypeScript + React + Node.js），Stars 54410，周增+189。它的核心理念是：把 AI 工作流的编排从代码层面搬到画布上，通过拖拽节点的方式构建 AI Agent、RAG 流水线、聊天机器人等复杂 AI 应用，无需写代码也能玩转 LLM。

形象地说，它就是 AI 版的"流水线工厂"——各种 LLM、向量数据库、工具、记忆模块都是零件，你在画布上拼装它们，Flowise 负责运行和暴露 API。

解决什么问题

• AI 应用开发门槛高：传统方式需要写代码调用 LangChain/HuggingFace，Flowise 用可视化界面让非工程师也能快速搭建 AI 应用。
• LangChain 学习曲线陡：LangChain 功能强大但 API 复杂，Flowise 在其基础上封装了可视化层，降低了学习成本。
• 快速原型验证：想验证一个 RAG 方案是否有效？拖几个节点，5 分钟跑起来。
• 部署和扩展：一键 Docker 部署，支持 API、CLI、JS/Python SDK，提供企业级 RBAC、SSO、限流等安全能力。
• LLM 选型自由：支持 100+ 模型，OpenAI、Anthropic、本地 Llama/Ollama 等均可接入。

快速安装

方式一：npx 免安装（最简，Node.js >= 20）

# 安装
npm install -g flowise

# 启动
npx flowise start

# 访问
open http://localhost:3000

方式二：Docker 部署（推荐生产环境）

# docker-compose 一键启动
git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise
cd docker
cp .env.example .env
docker compose up -d

# 访问
open http://localhost:3000

方式三：单独 Docker 镜像

# 构建本地镜像
docker build --no-cache -t flowise .

# 运行
docker run -d --name flowise -p 3000:3000 flowise

⚠️ pnpm build 时如果遇到 JavaScript heap out of memory，需要增加 Node 堆内存： bash export NODE_OPTIONS="--max-old-space-size=4096" pnpm build

方式四：本地开发模式

# 安装 pnpm
npm i -g pnpm

# 克隆并安装
git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise
pnpm install

# 各自件分别构建
pnpm build

# 启动
pnpm start
# 开发模式（热重载）
pnpm dev   # 访问 http://localhost:8080

核心用法

三种 Builder：Assistant / Chatflow / Agentflow

Flowise 提供三个层级的可视化构建器，按复杂度递增：

1. Assistant（最简单）

适合：构建基础聊天机器人、RAG 问答助手。

拖入节点：Chatflow → 选择 LLM → 连接向量数据库（上传文档）→ 配置提示词 → 保存发布。

2. Chatflow（中等）

适合：单 Agent 系统、带记忆的聊天机器人、Graph RAG、含 Reranker/Retriever 的复杂 RAG。

支持分支/循环/路由逻辑，可用表达式自定义行为。

3. Agentflow（最强大）

适合：多 Agent 协作、复杂工作流编排。

是 Chatflow + Assistant 的超集，可协调多个 Agent 协同完成任务。

核心节点类型

发布为 API

在 Flowise UI 右上方点击「API Docs」，可看到自动生成的 Swagger 文档，每个 Chatflow/Agentflow 都有对应的 REST API：

# 示例：调用 Chatflow
curl -X POST http://localhost:3000/api/v1/prediction/{chatflow_id} \
  -H "Content-Type: application/json" \
  -d '{"question": "基于上传的文档回答：什么是 RAG？"}'

JavaScript SDK

npm install flowise-sdk

import { FlowiseSDK } from 'flowise-sdk';

const sdk = new FlowiseSDK({ baseUrl: 'http://localhost:3000' });

// 创建 chat session
const chatId = await sdk.createChatSession({ chatflowId: 'your-chatflow-id' });

// 发送消息
const response = await sdk.predict({
  chatflowId: 'your-chatflow-id',
  question: '上传的文档里讲了什么？',
  chatId,
});

console.log(response);

Python SDK

pip install flowise

from flowise import Flowise

client = Flowise(base_url="http://localhost:3000")

response = client.predict(
    chatflow_id="your-chatflow-id",
    question="基于上传的文档回答：什么是 RAG？"
)
print(response)

部署为企业级服务

官方支持多种部署方案：

企业功能（需商业授权）：RBAC、SSO、加密凭证管理、限流、受限域名。

典型适用场景

坑与注意

1. Node.js 版本要求：必须 >= 20.0.0，旧版 Node.js 不支持。建议用 nvm 管理版本。

2. 内存占用：大型工作流 + 向量检索 + LLM 调用，同时跑建议 4GB+ 内存。pnpm build 阶段如遇 OOM，用 NODE_OPTIONS="--max-old-space-size=4096"。

3. 凭证安全：在 Flowise UI 中配置的 API Key 等凭证默认加密存储，但开源版建议配合反向代理和访问控制，生产环境慎将端口直接暴露公网。

4. LangChain 版本绑定：Flowise 内部封装了 LangChain，其行为受 LangChain 版本影响。升级前建议在测试环境验证现有工作流。

5. MCP 支持：MCP Client/Server 节点是较新功能，生态仍在完善，部分 MCP Server 连接可能需要额外配置。

6. 向量数据库选择：默认使用内置的低价向量存储，生产环境建议替换为专用向量库（Pinecone、Chroma、Milvus、Qdrant 等），Flowise 均支持连接。

7. 中文 LLM 支持：支持通过 Ollama 接入本地中文模型（如中文 Llama/Qwen），但 Ollama 默认端口 11434 需要单独配置。

8. 社区生态 vs Dify：同赛道的 Dify（Stars 148k）更偏向应用层，Flowise 更偏向开发者工作流编排。按需选择。

9. 镜像构建时间：官方 Docker 镜像较大（数 GB），国内下载可能慢，建议配置 Docker 镜像加速。

与同类对比

Flowise 的差异化在于开发者友好 + LangChain 生态 + 完全开源。Dify 更偏向不懂代码的用户，Flowise 则更接近 LangChain 的灵活性，同时有可视化的便利。

一句话推荐结论

想快速把 LLM、RAG、记忆、工具链拼成一个能跑的应用，又不想陷进 LangChain 的 API 迷宫？Flowise 就是那个让你在画布上拖拽几下就能上线的工具——开源、免费、Docker 一键部署，开发者验证想法的首选。

来源：GitHub README（FlowiseAI/Flowise）、官方文档 https://docs.flowiseai.com/、repo_cards 采集于 2026-07-08