LuAITools.com
Submit
AI 智能体

Flowise

Flowise 是可视化AI应用开发平台，支持通过拖拽方式构建LLM工作流、RAG应用和AI Agent。

#可视化AI#Agent开发#RAG#工作流#LLM应用#开源
访问官网

🧩 工具概览：Flowise 是什么

Flowise 是一款开源的拖拽式可视化 LLM 应用构建器，由 FlowiseAI 团队开发，于 2023 年正式开源。它获得了 Y Combinator S23 批次的支持，核心团队分布在新加坡和美国。产品本质上是把 LangChain 的代码能力封装成了一套可视化界面，官方文档里直接把它描述为“构建 AI Agent 和 LLM 工作流的开源生成式 AI 开发平台”。

它主要解决的问题是：让不写代码或不想写代码的人，也能搭出能用的 LLM 应用。以前做一个 RAG 问答机器人，你得写 LangChain 代码、配向量数据库、调各种参数。Flowise 把这些步骤变成了画布上的节点，拖出来、连起来、填参数，就能跑。

Flowise 提供了三种可视化构建器，从简单到复杂分别是 Assistant、Chatflow 和 Agentflow。Assistant 面向新手，能按指令回答问题、调用工具、从上传文件里检索知识。Chatflow 更灵活一些，适合做单 Agent 系统和聊天机器人，支持 Graph RAG、Reranker 等进阶技术。Agentflow 是前两者的超集，可以构建多 Agent 系统和复杂的工作流编排。

Flowise
Flowise

⚙️ 核心功能：10 个你会实际用到的能力

  • 拖拽式可视化画布：把 LLM、工具、数据源、逻辑节点拖到画布上，连线就能构建流程。不需要写代码。
  • RAG 知识库搭建：内置文档加载器、文本分割器、Embedding 模型和向量数据库节点，可以快速搭一个能读 PDF、Excel 的问答机器人。支持 Pinecone、Qdrant、Chroma 等主流向量库。
  • 多模型支持：兼容 OpenAI、Anthropic、Hugging Face 等 100 多个 LLM 和 Embedding 模型，也支持通过自定义节点接入本地部署的私有大模型。
  • API 与 SDK 暴露：每个流程都可以一键暴露为 REST API，或者用 TypeScript、Python SDK 集成到自己的应用里。也支持嵌入聊天组件。
  • Agent 工具调用：可以给 Agent 挂上搜索、计算、HTTP 请求等工具，让它在回答问题时主动调用外部能力。也支持 MCP 协议接入。
  • 结构化输出：可以让 LLM 按预设的 JSON schema 输出结果，方便把模型输出直接传给下游系统或写入数据库。
  • Human-in-the-Loop：支持在流程中插入人工审核节点，让 Agent 在执行关键操作前先等人确认。这在同类可视化工具里不算常见。
  • 执行日志与可观测性：完整记录每次执行的链路，支持 Prometheus、OpenTelemetry 等观测工具，方便排查问题。
  • 模板市场：内置大量预建模板，比如“带记忆的对话 Agent”“PDF 问答机器人”，可以直接拿来改。
  • 自托管部署：除了官方云服务，也支持用 Docker 或 npm 部署到自己的服务器，数据完全在自己手里。

✨ 它跟同类工具比，特别在哪

Flowise 最核心的差异点是“LangChain 的可视化 UI”这个定位。市面上做可视化 LLM 构建器的工具有不少，但 Flowise 是跟 LangChain 生态绑定最紧的一个。它的节点设计、概念命名、组件逻辑都跟 LangChain.js 高度一致。如果你以后想从可视化切换到代码模式，迁移成本相对低一些。

第二个差异点是轻量和自托管的友好度。Flowise 的安装很简单，有 Node.js 环境的话一条 npm 命令就能跑起来。Docker 部署也很直接。对于想“数据不出自己服务器”的团队，自托管门槛不高。官方数据提到它的内存占用不到 1GB，在同类工具里算轻的。

第三个差异点是Human-in-the-Loop 的支持。有学术论文在对比多个 GenAI 工作流工具时专门提到，Flowise 允许暂停工作流执行以等待人工审批或输入，这个能力在大多数可视化 LLM 构建器里是比较少见的。

但也要客观说，Flowise 的短板在规模化。当流程变得复杂时，可视化画布会变得难以维护和调试，可靠性不如代码优先的方案。2026 年初还披露过一个 CVSS 10.0 级别的 RCE 漏洞，这对安全敏感的场景是个警示。

🏢 适合哪些实际工作场景

快速搭建 RAG 问答机器人：这是 Flowise 最常见的用法。把内部文档、产品手册、知识库上传进去，连上向量数据库和 LLM，几分钟就能得到一个能回答业务问题的聊天机器人。适合做原型验证或者内部工具。

多 Agent 工作流编排：官方有一个“Deep Research”的多 Agent 教程，用 Planner Agent 拆解任务、SubAgent 并行研究、Writer Agent 合成报告。这种复杂流程用 Agentflow 可以比较直观地搭出来。

自动化数据处理管道：把 LLM 的输出结构化后，通过 HTTP 节点发送到外部 API 或数据库。比如从用户输入里提取事件信息，自动写入日历系统。

内部工具和原型验证：对 AI 应用开发团队来说，Flowise 可以快速把想法变成可演示的东西。先搭一个流程验证可行性，再决定要不要用代码重构。

不太适合的场景：需要高并发、高稳定性的生产级系统。复杂可视化流程在规模化时容易变脆弱。需要通用工作流自动化（邮件、数据库同步、Webhook 等非 AI 任务）：n8n 在这方面更强。代码优先、需要细粒度控制的团队：直接用 LangChain 或 LangGraph 更合适。

🚀 怎么用起来：从安装到第一个流程

第一步：选择部署方式。如果你只是想快速体验，用 Flowise Cloud 最省事。如果你想自己控制数据，用 npm 或 Docker 自托管。

第二步：安装（自托管方式）。npm 方式最简单：先确保 Node.js 版本在 18.15.0 或 20 以上，然后执行 npm install -g flowise，再运行 npx flowise start。服务器会跑在 http://localhost:3000。Docker 方式的话，克隆仓库后进入 docker 目录，复制 .env.example 为 .env，然后 docker compose up -d。

第三步：创建第一个流程。登录后新建一个 Chatflow，你会看到一个空白画布和左侧的节点面板。从面板里拖一个 Start 节点出来，再拖一个 LLM 节点（比如 ChatOpenAI），然后拖一个 Prompt Template 节点。把 Start 连到 Prompt，Prompt 连到 LLM。在 LLM 节点的 API Key 字段填入你的 OpenAI key（或其他模型提供商的 key）。点右上角的保存，然后在聊天窗口测试。

第四步：加 RAG 能力（进阶）。要做一个能读文档的机器人，你需要加：一个 Document Loader（上传 PDF 或从 URL 加载）、一个 Text Splitter（把文档切块）、一个 Embedding 模型、一个 Vector Store（比如 Chroma）。把 Document Loader 连到 Text Splitter，再连到 Vector Store，然后从 Vector Store 拉一条线到 LLM 节点。这样 LLM 回答时就会从向量库里检索相关内容。

第五步：暴露为 API。流程调试好后，点 API 按钮，Flowise 会给你一个 URL 和 curl 示例。把这个 URL 集成到你的前端或后端就行。

💡 让 Flowise 更好用的几个实用技巧

先用 Assistant 快速验证，再决定要不要上 Chatflow。Assistant 是三种构建器里最简单的，适合快速测试一个想法。如果 Assistant 能满足需求，就不需要用 Chatflow 重搭一遍。只有当 Assistant 不够灵活（比如需要自定义检索逻辑、多步 Agent）时，再迁移到 Chatflow。

用 Flow State 在节点之间传递数据。Flowise 的 Flow State 可以让你在 Start 节点初始化变量，然后在后续节点里读取和更新。这在做多步处理时很有用，比如先把 LLM 的输出存到 state 里，下一个节点再拿出来用。

结构化输出要定义清晰的 JSON Schema。如果你需要 LLM 输出 JSON 给下游用，在 LLM 节点里配好 JSON Schema 和描述。Schema 写得越具体，LLM 的输出越稳定。描述字段不要省，它会影响模型的理解。

复杂流程拆成多个 Chatflow 或者用子流程。不要把几十个节点全塞在一个画布里。按功能拆成多个独立的流程，用 API 或者工具节点互相调用。这样调试和维护都会轻松很多。

注意安全漏洞。2026 年初披露的 CVSS 10.0 RCE 漏洞提醒我们，自托管 Flowise 时一定要及时更新版本，不要把它暴露在公网上不设防。生产环境建议加认证和网络隔离。

📱 怎么安装：自托管 + 云服务

Flowise 有两种使用方式：自托管和 Flowise Cloud。

自托管支持 npm 和 Docker 两种安装路径。npm 方式适合有 Node.js 环境的机器，安装快、上手简单。Docker 方式适合生产部署，可以跟数据库容器一起编排。也支持从源码构建，适合需要改代码的开发者。

Flowise Cloud 是官方托管版本，不需要自己管服务器，打开浏览器就能用。免费版有 2 个 chatflow、每月 100 次预测、5MB 存储。付费版从 $35/月起步，提供无限流程和更多预测次数。

Flowise 本身没有桌面客户端或手机 App，界面是纯 Web 的。自托管启动后用浏览器访问 localhost:3000 即可。

💰 收费情况：开源免费，云服务分层

Flowise 的核心代码是 Apache 2.0 开源协议，自托管完全免费。你可以下载、修改、部署到自己的服务器，不需要付任何费用给 FlowiseAI。

Flowise Cloud 是付费的托管版本，分三档：

Free：2 个 chatflow，每月 100 次预测，5MB 存储。适合评估和试用。

Starter：$35/月。无限流程，每月 10,000 次预测，1GB 存储。

Pro：$65/月。每月 50,000 次预测，10GB 存储，无限工作区，前 5 个用户之后每个额外用户 $15/月。

Enterprise 版是定制报价，提供企业级功能和专属支持。

需要注意：Flowise Cloud 的预测次数是按调用量计的。一个面向用户的聊天机器人可能很快就用完 10,000 次预测，这一点在评估成本时要算进去。

👥 谁适合用 Flowise

想快速验证 AI 应用想法的团队：不需要从零写 LangChain 代码，拖拽连线就能搭出一个能跑的 RAG 或 Agent 原型。

需要数据本地化的企业：自托管部署让数据完全在自己的服务器上，适合对数据安全有要求的场景。

非程序员背景的产品和运营人员：想做一个内部用的问答机器人或自动化流程，Flowise 的可视化界面降低了门槛。

AI 应用开发者的原型工具：先用 Flowise 快速验证流程逻辑，确认可行后再用代码重构为生产版本。

不太适合的：需要高并发、高可靠性的生产系统——可视化流程在规模化时会有维护和调试的挑战；需要通用工作流自动化（非 AI 任务）的场景——n8n 更合适；对安全漏洞零容忍且无法及时更新版本的团队。

🌍 全球使用情况

Flowise 在开发者社区有比较活跃的存在感。GitHub 仓库是它最主要的用户来源，npm 上的 flowise 包每月下载量在 1 万次左右。官网的月访问量大约 22.6 万次。

它获得了 Y Combinator S23 批次的支持，这是它早期增长的一个重要推动力。用户主要集中在英语区，以开发者和小型 AI 团队为主。在中文社区，Flowise 的讨论也在逐步增加，有中文博客和视频教程介绍它的使用方法。

作为开源项目，Flowise 的“用户规模”很难精确统计。自托管没有中心化的数据上报，所以实际使用量可能远高于官方能追踪到的数字。

⚖️ 真实优缺点

优点：

  • 开源且自托管友好。Apache 2.0 协议，npm 一条命令就能跑起来，内存占用低，适合个人和小团队。
  • LangChain 的可视化封装，节点概念跟代码对应清晰，学习成本比直接写 LangChain 低很多。
  • 支持 Human-in-the-Loop，可以暂停流程等待人工审批，在同类可视化工具里比较少见。
  • 部署灵活，可以暴露为 REST API、嵌入聊天组件、用 SDK 集成到现有应用。

缺点：

  • 复杂流程会变脆弱。节点一多，画布就变得难以维护和调试，可靠性不如代码优先的方案。
  • 2026 年初披露过 CVSS 10.0 的 RCE 漏洞。自托管用户必须及时更新版本，否则有安全风险。
  • 非 AI 工作流能力弱。如果你需要的是通用的自动化（邮件、数据库同步、Webhook），n8n 或 Zapier 更合适。
  • 云服务的预测次数计费可能不划算。一个繁忙的聊天机器人很快就用完 10,000 次预测，需要升级到更贵的档位。

🆚 跟同类工具怎么选

Flowise vs Dify：Dify 是更“全家桶”的方案，从开发到运维到监控都有，企业级功能更完整，但更重。Flowise 更轻、更专注在“搭流程”这件事上，自托管体验更简单。如果你要一个完整的 AI 应用平台，Dify 更合适；如果你只想快速搭一个流程并暴露 API，Flowise 更直接。

Flowise vs LangFlow：两者都是可视化 LLM 构建器，概念接近。LangFlow 跟 LangChain 的 Python 生态绑定更深，Flowise 跟 LangChain.js 绑定。选哪个取决于你的技术栈偏好。LangFlow 的复杂流程定制能力可能更强一些。

Flowise vs n8n：n8n 是通用自动化工具，AI Agent 只是它的一部分能力。如果你需要的是“AI + 业务系统集成”（邮件、CRM、数据库），n8n 更合适。如果你专注在 LLM 应用（RAG、Agent、对话），Flowise 更对口。

简单选法：要轻量自托管和 LangChain 生态选 Flowise，要企业级全家桶选 Dify，要通用自动化选 n8n。

📌 总结：值不值得用

Flowise 是一个定位清晰的开源工具：它不试图成为“AI 应用开发的一站式平台”，而是专注在“用可视化方式快速搭出 LLM 流程”这件事上。它的核心价值是降低门槛和加速原型验证。

值得用的情况：你想快速验证一个 AI 应用的想法，不想从零写代码；你需要一个能自托管、数据不出自己服务器的 LLM 工作流工具；你已经在用 LangChain，想找一个可视化界面来加速开发。Apache 2.0 开源、npm 一条命令能跑起来，试错成本很低。

不值得用的情况：你需要一个高并发、高可靠性的生产系统——可视化流程在规模化时会有维护挑战；你需要的是通用自动化而不是 LLM 应用——n8n 更合适；你对安全漏洞零容忍且无法保证及时更新——自托管有安全维护责任。

一句话总结：Flowise 是“从零到可用 LLM 应用”最快的路径之一，前提是你接受它在规模化上的局限。

评论