🎨 Flowise：52.7k Stars 的可视化 AI Agent 构建器，拖拽搭出你的智能工作流

项目地址：FlowiseAI/Flowise | ⭐ 52,682 Stars | 🛠 TypeScript | 作者 FlowiseAI

老实说，每次想搭个 AI 聊天机器人或者自动化流程，都得走一遍老三样：装 LangChain、写 Python 脚本、调试 prompt、踩坑依赖版本。搞完一个项目，代码量不小，但真正有价值的部分其实就那个流程图。Flowise 直接把中间步骤砍了——拖拽式搭 AI Agent，连代码都不用写。

别误会，这不是那种只能做 Demo 的玩具。Flowise 底层跑的是完整的 LangChain 生态，支持 LLM 接入（OpenAI、Claude、Ollama、DeepSeek 全兼容）、RAG 管道、Agent 工具链、Memory 机制，所有节点都支持自定义配置。

⚡ 一条命令启动

Node.js >= 20 就行：

npm install -g flowise
npx flowise start

打开 http://localhost:3000，直接进入可视化编辑器。

Docker 用户更简单：

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

或者用 docker-compose，项目仓库 docker/ 目录下有现成的 .env 模板。

🧩 核心能力拆解

Flowise 的核心是节点式编排，每个节点做一件事，连线组装成完整流程。

支持的节点类型包括：

最骚的是每个节点都带着完整的配置面板，API Key、model name、temperature 随你调，不用切出去写配置文件。

🎯 实战：搭一个 RAG 问答机器人

假设你要做一个"读文档回答问题"的 AI 助手，在 Flowise 里几步搞定：

2. 拖一个 OpenAI Embeddings 连上

3. 拖一个 Chroma Vector Store 做向量存储

4. 拖一个 ChatOpenAI（设 model: gpt-4o）

5. 拖一个 Conversational Retrieval QA Chain

6. 全部连线，点右上角"Save"

搞定。API 直接暴露成 REST 端点，前端用 fetch 就能调：

curl -X POST http://localhost:3000/api/v1/prediction/YOUR-CHATFLOW-ID \
  -H "Content-Type: application/json" \
  -d '{
    "question": "这个文档里说了一堆什么？",
    "history": []
  }'

返回 JSON 直接渲染到页面，连后端都不用写。

🐳 生产环境部署

开发完了要上线，Flowise 提供了完整的 Docker 部署方案：

version: '3.1'
services:
  flowise:
    image: flowiseai/flowise
    ports:
      - '3000:3000'
    environment:
      - PORT=3000
      - DATABASE_PATH=/root/.flowise
      - SECRETKEY_PATH=/root/.flowise
      - LOG_PATH=/root/.flowise/logs
    volumes:
      - ~/.flowise:/root/.flowise
    restart: always

支持 SQLite 和 PostgreSQL 两种数据库后端，数据持久化没问题。

⚠️ 踩坑记录

总结

Flowise 的价值在于把 AI 应用开发的抽象层级从代码拉到了流程图。不是让你不写代码，而是让你在搭架构阶段零成本试错。适合：

一行命令启动，拖拖拽拽出生产级 API，省掉那堆 glue code。