Flowise: 52K+ Stars 可视化拖拽构建 AI Agent — 2026 5分钟快速上手指南
Flowise 是一个开源可视化 LLM 工作流与 AI Agent 构建工具。支持 LangChain、Ollama、OpenAI、Qdrant、Weaviate、Chroma 等 200+ 集成。本文涵盖 Docker 安装、生产环境加固、API 部署及客观局限性分析。
- ⭐ 52948
- MIT
- 更新于 2026-05-19
{{< resource-info >}}
引言 #
开发基于大语言模型(LLM)的应用曾经意味着需要编写数百行 Python 代码,手动连接模型、向量数据库、检索链和记忆模块。Flowise 的出现彻底改变了这一局面。凭借 52,948 个 GitHub Stars 和活跃的开发者社区,Flowise 是一款开源可视化构建工具,让你通过拖拽节点、连接组件的方式构建 AI Agent 和 RAG 流水线 —— 完全不需要编写代码。无论你是想快速搭建一个客服机器人原型,还是在 $5/月的 VPS 上部署文档问答系统,本指南将带你从零开始,在五分钟内完成生产级 Flowise 环境搭建。
Flowise 是什么? #
Flowise 是一款基于 LangChain 的开源可视化 LLM 工作流与 AI Agent 构建工具。它提供了一个节点式画布,每个组件(聊天模型、Embedding、向量数据库、工具、Agent、Chain)都被封装成一个可拖拽的节点,通过连线即可形成可执行的流水线。Flowise 支持超过 200 个 LangChain 集成,包括 OpenAI、Anthropic、Ollama、Qdrant、Weaviate 和 Chroma,是目前集成能力最丰富的可视化 AI 构建工具之一。
Flowise 的工作原理 #
Flowise 采用模块化架构,可视化节点与 LangChain 类一一映射。理解这个架构能帮助你构建更复杂的流程并更快定位问题。


核心组件 #
- 聊天模型(Chat Models) —— LLM 引擎(OpenAI GPT-4o、Claude、Ollama 本地模型、Hugging Face、Bedrock、Gemini)
- Embedding —— 将文本转换为向量以实现语义搜索(OpenAI、HuggingFace、Cohere)
- 向量数据库(Vector Stores) —— 持久化存储 Embedding 以供检索(Chroma、Qdrant、Weaviate、Pinecone、pgvector)
- 文档加载器(Document Loaders) —— 从 PDF、网页、文本文件、Notion、Confluence 导入数据
- Chains —— 编排多步骤 LLM 操作(对话检索 QA、LLM Chain)
- Agents —— 自主选择工具的自主推理系统(ReAct、OpenAI Functions)
- Memory —— 在多轮对话中保持上下文(Buffer Memory、Window Buffer、Redis-backed)
三种构建模式 #
Flowise 提供三种可视化构建器:
- Assistant —— 面向初学者的聊天机器人构建器,支持 RAG。上传文档、配置回复并部署。
- Chatflow —— 完整节点式画布,可精确控制每个组件的自定义对话式 AI。
- Agentflow —— 多步骤 Agent 工作流,支持条件逻辑、循环、工具调用和人工审批。
每个构建的 Flow 都会自动暴露 REST API 端点和可嵌入的聊天组件,实现一键部署。
安装与配置 #
Flowise 提供四种安装方式,分别适合不同的环境和技能水平。
方式一:NPM(本地开发最快) #
需要 Node.js v18.15.0 或 v20+。这是从安装到运行最快的路径。
# 全局安装 Flowise
npm install -g flowise
# 或安装指定版本
npm install -g flowise@3.1.2
# 启动 Flowise
npx flowise start
在浏览器中打开 http://localhost:3000。首次启动会在 ~/.flowise 自动创建 SQLite 数据库。
方式二:Docker(推荐用于生产环境) #
这是最可靠的部署方式。Flowise 在 Docker Hub 提供官方镜像,支持多架构。
# 拉取并运行官方镜像
docker run -d -p 3000:3000 \
--name flowise \
-e FLOWISE_USERNAME=admin \
-e FLOWISE_PASSWORD=secure-password \
flowiseai/flowise:latest
访问 http://localhost:3000,使用你设置的凭据登录。
方式三:Docker Compose(生产级,带数据库) #
对于需要持久化的部署环境,使用 Docker Compose 配合 PostgreSQL 和卷挂载。
# docker-compose.yml
version: '3.8'
services:
flowise:
image: flowiseai/flowise:latest
ports:
- "3000:3000"
environment:
- PORT=3000
- DATABASE_TYPE=postgres
- DATABASE_HOST=postgres
- DATABASE_PORT=5432
- DATABASE_NAME=flowise
- DATABASE_USER=flowise
- DATABASE_PASSWORD=${DB_PASSWORD:-changeme}
- FLOWISE_USERNAME=${FLOWISE_USER:-admin}
- FLOWISE_PASSWORD=${FLOWISE_PASS:-changeme}
- SECRETKEY_PATH=/root/.flowise
- JWT_AUTH_TOKEN_SECRET=${JWT_SECRET:-random-secret-change-in-prod}
- JWT_REFRESH_TOKEN_SECRET=${JWT_REFRESH:-another-random-secret}
volumes:
- flowise_data:/root/.flowise
depends_on:
- postgres
restart: unless-stopped
postgres:
image: postgres:16-alpine
environment:
- POSTGRES_USER=flowise
- POSTGRES_PASSWORD=${DB_PASSWORD:-changeme}
- POSTGRES_DB=flowise
volumes:
- postgres_data:/var/lib/postgresql/data
restart: unless-stopped
volumes:
flowise_data:
postgres_data:
启动命令:
docker compose up -d
方式四:部署到 DigitalOcean 云服务器 #
如果你想在可靠的云 VPS 上托管 Flowise,可以在几分钟内部署到 DigitalOcean。
# 在全新的 Ubuntu 24.04 服务器上(2 vCPU / 2GB RAM / $12/月)
apt update && apt install -y docker.io docker-compose
# 克隆 Flowise 仓库
git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise/docker
# 复制环境变量模板
cp .env.example .env
# 编辑配置文件
nano .env
DigitalOcean 部署的 .env 示例:
PORT=3000
DATABASE_TYPE=sqlite
DATABASE_PATH=/root/.flowise
SECRETKEY_PATH=/root/.flowise
LOG_PATH=/root/.flowise/logs
BLOB_STORAGE_PATH=/root/.flowise/storage
FLOWISE_USERNAME=admin
FLOWISE_PASSWORD=your-secure-password-here
JWT_AUTH_TOKEN_SECRET=$(openssl rand -hex 32)
JWT_REFRESH_TOKEN_SECRET=$(openssl rand -hex 32)
启动服务:
docker compose up -d
环境变量参考表 #
| 变量 | 说明 | 默认值 |
|---|---|---|
PORT | HTTP 服务端口 | 3000 |
DATABASE_TYPE | 数据库引擎(sqlite, postgres) | sqlite |
DATABASE_PATH | SQLite 文件路径 | ~/.flowise |
FLOWISE_USERNAME | 管理员用户名 | — |
FLOWISE_PASSWORD | 管理员密码 | — |
JWT_AUTH_TOKEN_SECRET | 访问令牌密钥 | 自动生成 |
JWT_REFRESH_TOKEN_SECRET | 刷新令牌密钥 | 自动生成 |
BLOB_STORAGE_PATH | 文件上传存储路径 | ~/.flowise/storage |
DISABLE_FLOWISE_TELEMETRY | 关闭匿名遥测 | false |
与主流工具集成 #
OpenAI 集成 #
大多数用户从 OpenAI 模型开始。在 Flowise UI 的 Credentials 中配置 API Key,然后在 Flow 中使用 ChatOpenAI 节点。
# 可选:将 OpenAI API Key 设置为环境变量
export OPENAI_API_KEY=sk-your-key-here
Ollama(本地大模型) #
使用 Ollama 运行本地模型可以消除 API 费用并确保数据不出服务器。此方案非常适合对隐私敏感的部署场景。
# docker-compose-ollama.yml
version: '3.8'
services:
ollama:
image: ollama/ollama:latest
ports:
- "11434:11434"
volumes:
- ollama_data:/root/.ollama
restart: unless-stopped
flowise:
image: flowiseai/flowise:latest
ports:
- "3000:3000"
environment:
- PORT=3000
- OLLAMA_BASE_URL=http://ollama:11434
depends_on:
- ollama
restart: unless-stopped
volumes:
ollama_data:
拉取模型并开始使用:
# 拉取轻量级测试模型
docker exec -it ollama ollama pull qwen2:7b
# 或拉取 Llama 3
docker exec -it ollama ollama pull llama3.1:8b
在 Flowise 画布中,选择 ChatOllama 节点,将模型名设置为 qwen2:7b 或 llama3.1:8b。
Chroma 向量数据库(RAG 设置) #
对于生产级 RAG 流水线,Chroma 提供了一个轻量级向量数据库,与 Flowise 无缝协作。
# 添加到 docker-compose.yml
chroma:
image: chromadb/chroma:latest
ports:
- "8000:8000"
volumes:
- chroma_data:/chroma/chroma
restart: unless-stopped
在 Flowise 中构建 RAG 流水线:
- 拖拽 PDF Loader 或 Text File 节点
- 连接到 Text Splitter 节点(chunk size 设为 1000,overlap 设为 200)
- 连接到 OpenAI Embeddings(或 Ollama Embeddings)节点
- 连接到 Chroma 向量数据库节点
- 添加 Conversational Retrieval QA Chain 节点
- 将 Chat Model(ChatOpenAI 或 ChatOllama)连接到 Chain
- 点击 Save 和 Run
Qdrant(可扩展向量搜索) #
对于高吞吐量的混合搜索 RAG 场景,Qdrant 的性能优于内存存储。
# 在 compose 文件中添加 Qdrant
qdrant:
image: qdrant/qdrant:latest
ports:
- "6333:6333"
- "6334:6334"
volumes:
- qdrant_data:/qdrant/storage
restart: unless-stopped
在 Flowise 中使用 Qdrant 向量数据库节点,host 设置为 http://qdrant:6333。
Weaviate(企业级向量数据库) #
weaviate:
image: semitechnologies/weaviate:latest
ports:
- "8080:8080"
environment:
QUERY_DEFAULTS_LIMIT: 25
AUTHENTICATION_ANONYMOUS_ACCESS_ENABLED: 'true'
PERSISTENCE_DATA_PATH: '/var/lib/weaviate'
volumes:
- weaviate_data:/var/lib/weaviate
restart: unless-stopped
API 部署 #
每个 Flow 都会自动暴露 REST API。导出你的 Chatflow 并在任意地方集成。
# 使用 curl 测试已部署的 Flow
curl -X POST "http://localhost:3000/api/v1/prediction/your-chatflow-id" \
-H "Content-Type: application/json" \
-d '{
"question": "退货政策是什么?",
"overrideConfig": {
"sessionId": "user_001"
}
}'
响应示例:
{
"text": "根据我们的文档,退货政策允许在购买后 30 天内凭原始收据退货。",
"sourceDocuments": [
{
"pageContent": "购买后 30 天内接受退货...",
"metadata": { "source": "return-policy.pdf", "page": 3 }
}
]
}
Python SDK 示例:
import requests
FLOWISE_API = "http://localhost:3000/api/v1/prediction/your-chatflow-id"
def ask(question, session_id="user_001"):
resp = requests.post(FLOWISE_API, json={
"question": question,
"overrideConfig": {"sessionId": session_id}
})
return resp.json()["text"]
answer = ask("你们有哪些配送方式?")
print(answer)
嵌入网站 #
Flowise 为任意 Chatflow 生成 JavaScript 嵌入代码。将其粘贴到任意 HTML 页面即可:

<script type="module">
import Chatbot from 'https://cdn.jsdelivr.net/npm/flowise-embed/dist/web.js';
Chatbot.init({
chatflowid: 'your-chatflow-id',
apiHost: 'https://your-flowise-server.com',
theme: {
button: {
backgroundColor: '#3B81F6',
right: 20,
bottom: 20,
size: 'medium'
},
chatWindow: {
title: '客服助手',
welcomeMessage: '你好!有什么可以帮您的?',
backgroundColor: '#ffffff',
height: 700,
width: 400
}
}
});
</script>
基准测试 / 实际应用场景 #
根据社区报告和我们的实际测试,Flowise 的性能表现如下:
| 指标 | 数值 | 说明 |
|---|---|---|
| Docker 冷启动时间 | 3-5 秒 | 在 2 vCPU VPS 上 |
| 首响延迟 | 1.5-3 秒 | 使用 GPT-4o,取决于 prompt |
| RAG 查询端到端延迟 | 2-4 秒 | Chroma 向量库,1K chunks |
| 并发用户数 | 50-200 | SQLite 后端;更大规模请使用 PostgreSQL |
| 内存占用(空闲) | ~180 MB | 单容器 |
| 内存占用(活跃) | 300-600 MB | 取决于模型和上下文 |
| RAG Flow 搭建时间 | 10-15 分钟 | 从空白画布到可用聊天机器人 |
| 最低 VPS 配置 | 1 vCPU / 1 GB RAM | $4-5/月的 VPS 即可运行 |
| 推荐生产配置 | 2 vCPU / 4 GB RAM | 配合 PostgreSQL 使用 |
对比:Flowise vs 替代方案 #
| 特性 | Flowise | Dify | n8n | LangChain |
|---|---|---|---|---|
| GitHub Stars | 52,948 | 50,000+ | 49,500 | 110,000+ |
| 许可证 | MIT | Apache-2.0 | Fair-code | MIT |
| 可视化构建器 | 拖拽画布 | 应用中心式 UI | 工作流编辑器 | 纯代码 |
| 主要场景 | LLM 聊天机器人 & RAG | 全栈 AI 应用 | 工作流自动化 | 代码优先 SDK |
| LangChain 原生 | 是(直接映射) | 自定义抽象层 | 通过 AI 节点 | 它就是 LangChain |
| LLM 支持 | 200+(全部 LangChain) | 50+ | 70+ AI 节点 | 所有提供商 |
| 向量数据库 | Chroma, Qdrant, Weaviate, Pinecone, pgvector | 内置知识库 | 通过 LangChain 节点 | 全部 |
| 本地 LLM (Ollama) | 原生节点 | 原生集成 | 通过 HTTP 请求 | 原生 |
| 可嵌入聊天组件 | 是(自动生成) | 是 | 通过 webhook | 需手动构建 |
| REST API(自动生成) | 是 | 是 | 是 | 需手动构建 |
| 多 Agent 工作流 | Agentflow(顺序) | 工作流编排 | 是(AI 节点) | LangGraph |
| 调度/触发器 | 有限 | 有限 | 完整(cron、webhook) | 手动 |
| 自托管复杂度 | 低(单容器) | 中等(多服务) | 低-中等 | N/A(库) |
| 最低内存 | ~1 GB | 4 GB | 300 MB | N/A |
| 云版起步价 | $35/月 | $59/月 | ~$24/月 | N/A |
| 非技术用户体验 | 良好 | 优秀 | 良好 | 需要编程 |
如何选择 #
- Flowise:适合构建对话式 AI(聊天机器人、RAG)的团队,追求从原型到部署的最快路径,同时保持完整的 LangChain 兼容性。
- Dify:当你需要全栈 AI 应用平台,内置知识管理、Prompt 版本控制和团队协作时选择。
- n8n:当你的 AI Agent 是更广泛自动化流水线的一部分,需要 400+ SaaS 集成、调度和错误处理时选择。
- LangChain:当你需要完全的代码控制、Prompt 版本管理和 CI/CD 集成时直接使用。
高级用法 / 生产环境加固 #
安全检查清单 #
在将 Flowise 暴露到公网之前,请完成以下步骤:
# 1. 启用身份验证(必须)
FLOWISE_USERNAME=admin
FLOWISE_PASSWORD=$(openssl rand -base64 24)
# 2. 设置强 JWT 密钥
JWT_AUTH_TOKEN_SECRET=$(openssl rand -hex 64)
JWT_REFRESH_TOKEN_SECRET=$(openssl rand -hex 64)
# 3. 使用反向代理启用 HTTPS
# Nginx 配置片段:
server {
listen 443 ssl http2;
server_name flowise.yourdomain.com;
ssl_certificate /path/to/cert.pem;
ssl_certificate_key /path/to/key.pem;
location / {
proxy_pass http://localhost:3000;
proxy_http_version 1.1;
proxy_set_header Upgrade $http_upgrade;
proxy_set_header Connection "upgrade";
proxy_set_header Host $host;
proxy_set_header X-Real-IP $remote_addr;
}
}
# 4. 如需要可关闭遥测
DISABLE_FLOWISE_TELEMETRY=true
# 5. 为嵌入组件设置 CORS
CORS_ORIGINS=https://yourdomain.com,https://app.yourdomain.com
队列模式扩展 #
对于高流量部署,Flowise 支持基于 Redis 的队列处理与工作进程。
# docker-compose-queue.yml
version: '3.8'
services:
redis:
image: redis:alpine
restart: unless-stopped
flowise:
image: flowiseai/flowise:latest
ports:
- "3000:3000"
environment:
- PORT=3000
- QUEUE_NAME=flowise-queue
- QUEUE_REDIS_URL=redis://redis:6379
restart: unless-stopped
flowise-worker:
image: flowiseai/flowise-worker:latest
environment:
- QUEUE_NAME=flowise-queue
- QUEUE_REDIS_URL=redis://redis:6379
restart: unless-stopped
水平扩展工作进程:
docker compose -f docker-compose-queue.yml up -d --scale flowise-worker=3
备份策略 #
# 备份 SQLite 数据库
docker exec flowise tar czf /tmp/backup.tar.gz /root/.flowise
docker cp flowise:/tmp/backup.tar.gz ./flowise-backup-$(date +%Y%m%d).tar.gz
# 备份 PostgreSQL
docker exec flowise-postgres pg_dump -U flowise flowise > flowise-db-$(date +%Y%m%d).sql
# 通过 cron 实现每日自动备份(添加到 crontab)
0 2 * * * /usr/local/bin/backup-flowise.sh >> /var/log/flowise-backup.log 2>&1
Docker 监控 #
# 查看实时日志
docker compose logs -f flowise
# 检查资源使用
docker stats flowise
# 健康检查端点
curl http://localhost:3000/api/v1/ping
局限性 / 客观评估 #
Flowise 并非适用于所有 AI 项目。以下情况不建议使用 Flowise:
复杂多 Agent 编排:Flowise Agentflow 支持顺序 Agent,但循环式多 Agent 模式(如 LangGraph 或 AutoGen 中的模式)需要变通方案。构建研究型 Agent 或辩论式多 Agent 系统的团队应考虑直接使用 LangGraph。
非聊天类工作流:Flowise 针对对话式 AI 优化。批量文档处理、ETL 流水线或定时数据转换更适合由 n8n 或 Python 脚本处理。
版本控制:可视化 Flow 无法像代码一样在 Git 中进行 diff 比较。大型团队协作需要手动导出和版本化 JSON Flow 定义。
高级调试:虽然 Flowise 显示执行日志,但缺乏 Dify 原生提供的节点级时间分解和 token 使用量追踪。调试复杂的检索失败需要阅读原始日志。
企业治理:RBAC 存在于 Pro 版本中,但审计追踪、合规框架(ISO 42001、欧盟 AI 法案)和集群管理并非一等功能。受监管行业可能需要额外的治理层。
LangChain 依赖:Flowise 继承了 LangChain 的限制。如果 LangChain 停止支持某个模型或引入破坏性变更,Flowise 也会受到影响。对于 LangChain 用户这是优势,对其他人则是约束。
常见问题 #
没有 Node.js 的服务器如何安装 Flowise? #
使用 Docker。官方 flowiseai/flowise 镜像已打包所有依赖。一条 docker run 命令即可运行,无需在宿主机上安装 Node.js、pnpm 或任何构建工具。
Flowise 能否与 Llama 或 Qwen 等本地大模型配合工作? #
可以。Flowise 原生集成 Ollama。启动 Ollama 容器(或本地实例),拉取任意 GGUF 模型,然后在 Flowise 画布中选择 ChatOllama 节点。你的数据永远不会离开服务器 —— 无需 API Key。
构建 RAG 聊天机器人时,Flowise 与 Dify 如何选择? #
Flowise 搭建更快(单容器,无需数据库),并对每个 LangChain 组件提供精确控制。Dify 的知识库 UI 更精致,自动分块且调试体验更好。追求速度和 LangChain 兼容性选 Flowise;追求团队协作和内置知识管理选 Dify。
Flowise 可以免费商用吗? #
可以。Flowise 采用 MIT 许可证发布。你可以自托管、修改、嵌入商业产品、销售基于它的服务 —— 全部无需支付许可费。云托管版本有付费套餐,起步价 $35/月。
Flowise 生产环境的最低服务器配置是什么? #
$5/月的 VPS(1 vCPU / 1 GB RAM)配合 SQLite 即可处理中小型工作负载。生产环境配合 PostgreSQL 和多用户并发,建议分配 2 vCPU 和 4 GB RAM。Flowise 容器本身空闲时占用约 180 MB;通过 Ollama 自托管的 LLM 消耗资源最多。
可以将 Flowise 聊天机器人导出为 API 吗? #
每个 Chatflow 和 Agentflow 都会自动获得 REST API 端点,路径为 /api/v1/prediction/{flow-id}。UI 会生成 curl、Python 和 JavaScript 代码片段。你也可以一键导出可嵌入的聊天组件。
如何将 Flowise 升级到新版本? #
Docker 部署:拉取最新镜像并重启:
docker pull flowiseai/flowise:latest
docker compose up -d
NPM 安装:运行 npm update -g flowise。升级前始终备份 ~/.flowise 目录。
部分链接为联盟链接。我们可能获得佣金,但你无需支付额外费用。我们只推荐我们实际使用过的工具和服务。
结论 #
Flowise 消除了从想法到部署 AI Agent 之间的障碍。凭借 52,948 个 GitHub Stars、MIT 许可证以及与 LangChain 组件模型直接映射的可视化画布,它是开发者的务实选择 —— 在不编写样板代码的前提下交付 LLM 驱动的聊天机器人和 RAG 系统。
从 npx flowise start 开始本地原型。使用 Docker Compose 配合 PostgreSQL 进入生产。连接 Ollama 实现完全私有、无需 API Key 的部署。需要扩展时,添加 Redis 队列工作进程和水平工作副本。
本周行动清单:
- 使用 Docker 本地部署 Flowise(
docker run -p 3000:3000 flowiseai/flowise) - 使用 PDF 加载器、文本分割器和 Chroma 向量库构建你的第一条 RAG 流水线
- 导出 REST API 并在测试页面嵌入聊天组件
- 加入 FlowiseAI Telegram 群组 获取社区支持和每周技巧
推荐部署与基础设施 #
上述工具想要落地生产,靠谱的基础设施是前提。dibi8 自己也在用的两个选择:
- DigitalOcean — 新用户 60 天 $200 免费额度,14+ 全球节点。运行开源 AI 工具的首选。
- HTStack — 香港 VPS,国内访问低延迟,dibi8.com 自己也跑在它上面,生产环境验证过。
Aff 链接 — 不增加你的成本,但能帮 dibi8 持续运营。
来源与延伸阅读 #
- Flowise 官方文档 —— 安装、配置和 API 参考的完整文档
- Flowise GitHub 仓库 —— 源代码、Issues 和 Releases
- Flowise 云版定价 —— 云托管套餐和企业功能
- LangChain 文档 —— Flowise 底层框架
- Ollama 下载 —— 私有化 LLM 运行时
- Chroma 数据库 —— 开源向量数据库
- Qdrant 向量数据库 —— 高性能向量搜索
- Flowise vs Dify 对比 —— ToolHalla 详细对比
- Flowise 嵌入组件文档 —— 嵌入聊天机器人的 NPM 包
- DigitalOcean Docker 部署指南 —— Ubuntu 服务器 Docker 安装教程
💬 留言讨论