Flowise 可视化 AI 工作流¶

为什么要学 Flowise¶

Flowise 是一个开源的拖拽式 AI 工作流构建工具，让你无需编写代码就能构建 LLM 应用、RAG 系统、AI Agent 和复杂的对话流程。通过可视化画布连接各种组件（模型、向量库、工具、解析器等），几分钟内就能搭建出完整的 AI 应用并通过 API 暴露给其他系统使用。对于快速原型开发和非工程师团队来说，Flowise 极大地降低了 AI 应用开发门槛。

核心概念¶

概念	白话解释	用途
Canvas	可视化画布	拖拽节点并连线构建工作流
Node	功能节点	每个组件（LLM、工具、解析器等）
Chatflow	对话流	面向对话场景的工作流
Agentflow	Agent 流	带决策和工具调用的智能体流
Credential	凭据管理	安全存储 API Key 等敏感信息
Variable	变量	在节点间传递数据
API Endpoint	接口	每个 Flow 自动生成 REST API

安装配置¶

NPM 安装¶

npm install -g flowise
npx flowise start

# 带参数启动
npx flowise start --PORT=3000 --FLOWISE_USERNAME=admin --FLOWISE_PASSWORD=pass123

Docker 部署¶

docker run -d \
  --name flowise \
  -p 3000:3000 \
  -v $PWD/flowise-data:/root/.flowise \
  -e FLOWISE_USERNAME=admin \
  -e FLOWISE_PASSWORD=admin123 \
  flowiseai/flowise

Docker Compose（生产环境）¶

version: '3.8'
services:
  flowise:
    image: flowiseai/flowise
    ports:
      - "3000:3000"
    volumes:
      - flowise-data:/root/.flowise
    environment:
      - FLOWISE_USERNAME=admin
      - FLOWISE_PASSWORD=${FLOWISE_PASSWORD}
      - DATABASE_TYPE=postgres
      - DATABASE_HOST=postgres
      - DATABASE_PORT=5432
      - DATABASE_USER=flowise
      - DATABASE_PASSWORD=${DB_PASSWORD}
      - DATABASE_NAME=flowise
      - SECRETKEY_PATH=/root/.flowise
      - LOG_LEVEL=info
    depends_on:
      - postgres
    restart: unless-stopped

  postgres:
    image: postgres:16-alpine
    environment:
      - POSTGRES_USER=flowise
      - POSTGRES_PASSWORD=${DB_PASSWORD}
      - POSTGRES_DB=flowise
    volumes:
      - postgres-data:/var/lib/postgresql/data
    restart: unless-stopped

volumes:
  flowise-data:
  postgres-data:

快速上手¶

构建第一个 Chatflow¶

打开 http://localhost:3000
点击 "Add New" 创建 Chatflow
从左侧面板拖入节点：
ChatOpenAI / ChatOllama（LLM 节点）
ConversationChain（对话链）
BufferMemory（对话记忆）
连接节点：Memory → Chain ← LLM
点击保存，然后使用右上角的聊天测试

构建 RAG 问答流¶

节点连接逻辑：

文档加载器 → 文本分割器 → 向量存储（嵌入时）
                                ↓
用户问题 → 检索器 → 对话检索链 ← LLM
                                ↑
                            聊天记忆

步骤： 1. 拖入 PDF Loader 节点，上传文档 2. 拖入 Recursive Text Splitter 3. 拖入 In-Memory Vector Store + OpenAI Embeddings 4. 拖入 Conversational Retrieval QA Chain 5. 拖入 ChatOllama + Buffer Memory 6. 按逻辑连线

通过 API 调用¶

import requests

FLOW_ID = "your-chatflow-id"  # 从 UI 复制
API_URL = f"http://localhost:3000/api/v1/prediction/{FLOW_ID}"

response = requests.post(API_URL, json={
    "question": "文档中提到了哪些关键技术？",
    "overrideConfig": {
        "temperature": 0.5
    }
})

print(response.json()["text"])

进阶用法¶

Agent Flow 构建¶

构建一个能搜索网页和执行代码的 Agent：

1. 拖入 Tool Agent 节点
2. 拖入工具节点：
   - SerpAPI（网页搜索）
   - Calculator（计算器）
   - Custom Tool（自定义 API 调用）
3. 拖入 ChatModel
4. 连接：Tools → Agent ← LLM

自定义工具节点¶

// Custom Tool 的函数体
const fetch = require('node-fetch');

const response = await fetch('https://api.example.com/data', {
    headers: { 'Authorization': `Bearer ${$vars.API_KEY}` }
});
const data = await response.json();
return JSON.stringify(data);

条件分支¶

使用 IfElse 条件节点：
- 条件：用户问题是否包含"价格"
- True 分支 → 产品数据库检索
- False 分支 → 通用知识库问答

嵌入到网站¶

<!-- Flowise 提供的嵌入聊天组件 -->
<script type="module">
  import Chatbot from "https://cdn.jsdelivr.net/npm/flowise-embed/dist/web.js"
  Chatbot.init({
    chatflowid: "your-chatflow-id",
    apiHost: "http://localhost:3000",
    theme: {
      button: { backgroundColor: "#3B81F6" },
      chatWindow: {
        welcomeMessage: "你好！有什么可以帮你的？",
        backgroundColor: "#ffffff"
      }
    }
  })
</script>

导出与版本管理¶

# 导出 Chatflow（JSON 格式）
curl http://localhost:3000/api/v1/chatflows/export/FLOW_ID \
  -H "Authorization: Bearer token" \
  -o chatflow-backup.json

# 导入
curl -X POST http://localhost:3000/api/v1/chatflows/import \
  -H "Authorization: Bearer token" \
  -F "file=@chatflow-backup.json"

Webhook 与事件¶

# 配置 Webhook 通知
# 在 Flow 中使用 Webhook 节点
# 支持：
# - 消息发送后回调
# - Agent 工具调用日志
# - 错误告警

常见问题¶

Q: 节点连线报错"类型不匹配"？¶

确保输出类型和输入类型匹配。比如： - ChatModel 输出 → 需要连到接受 BaseChatModel 的输入 - VectorStore 输出 → 需要连到 Retriever 或接受 VectorStore 的输入

Q: 如何使用本地 Ollama 模型？¶

添加 ChatOllama 节点
Base URL 填 http://localhost:11434（Docker 中用 http://host.docker.internal:11434）
Model Name 填你已拉取的模型名

Q: 每次重启数据丢失？¶

确保正确挂载了数据卷。默认 SQLite 数据库在 ~/.flowise/。生产环境建议使用 PostgreSQL。

Q: 能否团队协作？¶

支持多用户：设置 FLOWISE_USERNAME 和 FLOWISE_PASSWORD。企业版提供更细粒度的权限控制。

Q: 性能问题怎么处理？¶

复杂 Flow 拆分为多个子 Flow
使用 Redis 缓存常见查询
向量库使用外部 Qdrant/Weaviate 替代 In-Memory

参考资源¶

GitHub：https://github.com/FlowiseAI/Flowise
文档：https://docs.flowiseai.com/
模板市场：https://flowiseai.com/marketplace
YouTube 教程：https://www.youtube.com/@FlowiseAI
Discord：https://discord.gg/jbaHfsRVBW