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。

Flowise 架构图
Flowise 可视化画布中连接的 LLM 节点 —— 每个节点对应一个 LangChain 类

Flowise 画布演示
Flowise 拖拽式界面实战 —— 不写一行代码即可构建 RAG 流水线

核心组件 #

  1. 聊天模型(Chat Models) —— LLM 引擎(OpenAI GPT-4o、Claude、Ollama 本地模型、Hugging Face、Bedrock、Gemini)
  2. Embedding —— 将文本转换为向量以实现语义搜索(OpenAI、HuggingFace、Cohere)
  3. 向量数据库(Vector Stores) —— 持久化存储 Embedding 以供检索(Chroma、Qdrant、Weaviate、Pinecone、pgvector)
  4. 文档加载器(Document Loaders) —— 从 PDF、网页、文本文件、Notion、Confluence 导入数据
  5. Chains —— 编排多步骤 LLM 操作(对话检索 QA、LLM Chain)
  6. Agents —— 自主选择工具的自主推理系统(ReAct、OpenAI Functions)
  7. 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
PORTHTTP 服务端口3000
DATABASE_TYPE数据库引擎(sqlite, postgres)sqlite
DATABASE_PATHSQLite 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 qwen2:7bllama3.1:8b

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:

  1. 拖拽 PDF LoaderText File 节点
  2. 连接到 Text Splitter 节点(chunk size 设为 1000,overlap 设为 200)
  3. 连接到 OpenAI Embeddings(或 Ollama Embeddings)节点
  4. 连接到 Chroma 向量数据库节点
  5. 添加 Conversational Retrieval QA Chain 节点
  6. Chat Model(ChatOpenAI 或 ChatOllama)连接到 Chain
  7. 点击 SaveRun

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:

Flowise 嵌入组件
可自定义主题的嵌入聊天组件 —— 一个 script 标签即可部署到任意网站

<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50-200SQLite 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FlowiseDifyn8nLangChain
GitHub Stars52,94850,000+49,500110,000+
许可证MITApache-2.0Fair-codeMIT
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)通过 webhook需手动构建
REST API(自动生成)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 GB4 GB300 MBN/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:

  1. 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。

  2. 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。

  3. 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。

  4. 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。

  5. 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。

  6. 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。

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:

  1. 使用 Docker 本地部署 Flowise(docker run -p 3000:3000 flowiseai/flowise
  2. 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
  3. 导出 REST API 并在测试页面嵌入聊天组件
  4. 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 #

  1. Flowise 官方文档 —— 安装、配置和 API 参考的完整文档
  2. Flowise GitHub 仓库 —— 源代码、Issues 和 Releases
  3. Flowise 云版定价 —— 云托管套餐和企业功能
  4. LangChain 文档 —— Flowise 底层框架
  5. Ollama 下载 —— 私有化 LLM 运行时
  6. Chroma 数据库 —— 开源向量数据库
  7. Qdrant 向量数据库 —— 高性能向量搜索
  8. Flowise vs Dify 对比 —— ToolHalla 详细对比
  9. Flowise 嵌入组件文档 —— 嵌入聊天机器人的 NPM 包
  10. DigitalOcean Docker 部署指南 —— Ubuntu 服务器 Docker 安装教程

💬 留言讨论