Flowise 项目分析：可视化 RAG 与 Agent 构建器

Flowise 是什么

如果你用过 LangChain，你会发现它非常强大，但学习曲线也确实不低。那些 Chain、Agent、Memory、Tool 的概念，需要花费不少时间才能理解清楚。有没有办法让我们更直观地构建 AI 应用呢？

Flowise 就是为了回答这个问题而生的。它是一个开源的可视化 AI 应用构建工具，基于 LangChainJS 开发，提供了拖拽式的界面，让我们可以像画流程图一样构建 RAG 管道和 Agent。截至目前，Flowise 在 GitHub 上获得了超过 50K 颗星，已经成为 LangChain 生态中最受欢迎的可视化工具之一。

Flowise 的核心理念是「所见即所得」。你不需要写大量代码，只需要拖拽节点、连接它们、配置参数，就能构建一个完整的 AI 应用。这种低代码/无代码的方式，大大降低了 AI 应用开发的门槛。

核心功能解析

1. 拖拽式界面

Flowise 提供了直观的拖拽式界面。在主画布上，我们可以从左侧的节点面板中选择需要的组件，然后拖到画布上进行配置和连接。

主界面包含以下几个区域：

节点面板 - 包含所有可用的组件，按类别分组
画布区域 - 我们拖拽和连接节点的地方
属性配置 - 选中节点后，右侧会显示配置选项
预览/测试 - 可以直接在界面中测试流程

2. 节点类型

Flowise 提供了丰富的节点类型，涵盖了构建 AI 应用的各种需求：

2.1 LLM 节点

节点	功能描述
OpenAI	GPT-4、GPT-3.5 Turbo
Anthropic	Claude 系列模型
Azure OpenAI	微软 Azure 版 OpenAI
Ollama	本地开源模型
HuggingFace	HuggingFace Hub 模型

# Flowise 中 LLM 节点的配置示例
{
    "model": "gpt-4o-mini",
    "temperature": 0.7,
    "maxTokens": 2000,
    "apiKey": "${OPENAI_API_KEY}",
    "basePath": "https://api.openai.com/v1"
}

2.2 嵌入和向量化

节点	功能描述
OpenAI Embeddings	OpenAI 的 text-embedding-3-small
Azure OpenAI Embeddings	Azure 版本嵌入
Ollama Embeddings	本地模型嵌入
HuggingFace Embeddings	HuggingFace 嵌入模型

2.3 向量存储

节点	功能描述
Pinecone	Pinecone 向量数据库
Chroma	本地向量库
Weaviate	开源向量数据库
Qdrant	高性能向量搜索
Redis	使用 Redis 作为向量存储

2.4 文档处理

节点	功能描述
PDF File	PDF 文档加载
Docx File	Word 文档加载
CSV Loader	CSV 文件加载
Text Loader	纯文本加载
Web Page	网页内容抓取
Notion	Notion 页面导入

2.5 Agent 相关

节点	功能描述
Conversational Agent	对话型 Agent
OpenAI Agent	使用 OpenAI 函数的 Agent
ReAct Agent	ReAct 推理 Agent
Tool Agent	工具调用 Agent

3. RAG 管道构建

RAG 是 Flowise 最受欢迎的应用场景之一。我们可以可视化地构建一个完整的 RAG 管道：

文档加载 → 文本分割 → 向量化 → 存储到向量库
                                    ↓
用户查询 → 向量化 → 向量检索 → 上下文组装 → LLM 生成答案

# Flowise RAG 流程配置示例
flow:
  nodes:
    - id: document_loader_1
      type: PDFLoader
      position: [100, 100]
      data:
        filePath: "./docs/manual.pdf"
        page: 1

    - id: text_splitter_1
      type: RecursiveCharacterTextSplitter
      position: [250, 100]
      data:
        chunkSize: 1000
        chunkOverlap: 200

    - id: embedding_1
      type: OpenAIEmbeddings
      position: [400, 100]
      data:
        model: text-embedding-3-small

    - id: vectorstore_1
      type: Pinecone
      position: [550, 100]
      data:
        indexName: "knowledge-base"
        namespace: "docs"

    - id: question_embedding
      type: OpenAIEmbeddings
      position: [400, 300]
      data:
        model: text-embedding-3-small

    - id: retriever_1
      type: VectorStoreRetriever
      position: [550, 300]
      data:
        searchType: similarity
        k: 5

    - id: llm_1
      type: ChatOpenAI
      position: [700, 300]
      data:
        model: gpt-4o-mini
        temperature: 0.7

    - id: answer_node
      type: StuffDocumentsChain
      position: [850, 300]
      data:
        prompt: |
          基于以下上下文回答用户的问题。如果上下文中没有相关信息，请说明无法回答。

          上下文：
          {context}

          问题：{question}

  edges:
    - source: document_loader_1
      target: text_splitter_1
    - source: text_splitter_1
      target: embedding_1
    - source: embedding_1
      target: vectorstore_1
    - source: question_embedding
      target: retriever_1
    - source: vectorstore_1
      target: retriever_1
    - source: retriever_1
      target: llm_1
    - source: llm_1
      target: answer_node

4. Agent 构建

Flowise 支持构建各种类型的 Agent。我们可以配置 Agent 使用的工具，让它能够执行搜索、计算、访问数据库等操作。

# Flowise Agent 配置示例
{
    "agentType": "openai-functions",
    "tools": [
        {
            "name": "search",
            "description": "搜索互联网信息",
            "tool": "serpapi"
        },
        {
            "name": "calculator",
            "description": "执行数学计算",
            "tool": "calculator"
        },
        {
            "name": "python",
            "description": "运行 Python 代码",
            "tool": "python_repl"
        }
    ],
    "memory": {
        "type": "buffer",
        "windowSize": 10
    }
}

5. API 导出

Flowise 的一大亮点是可以将我们构建的流程一键导出为 API。我们不需要编写额外的代码，Flowise 会自动生成 API 端点。

# Flowise API 调用示例
curl -X POST 'http://localhost:3000/api/v1/prediction/{flow_id}' \
  -H 'Content-Type: application/json' \
  -d '{
    "question": "什么是 Flowise？"
  }'

实际应用场景

1. 快速原型验证

当我们有一个 AI 想法想要快速验证时，Flowise 是非常好的选择。不需要写代码，几个小时就能搭建一个可用的原型。

# 使用 Flowise API 构建一个简单问答系统
import requests

FLOWISE_URL = "http://localhost:3000"
FLOW_ID = "your-flow-id"

def ask_question(question: str):
    """向 Flowise 流程提问"""
    url = f"{FLOWISE_URL}/api/v1/prediction/{FLOW_ID}"

    headers = {
        "Content-Type": "application/json"
    }

    payload = {
        "question": question,
        "overrideConfig": {}
    }

    response = requests.post(url, json=payload, headers=headers)
    result = response.json()

    return result.get("text", result.get("result", ""))

# 使用示例
answer = ask_question("请介绍一下 RAG 技术")
print(answer)

2. 企业内部知识库

企业可以使用 Flowise 构建内部知识问答系统。上传 PDF、Word 等文档，配置好 RAG 管道，员工就能用自然语言查询企业知识。

3. 多模态应用

Flowise 支持多种文档类型的处理，可以构建处理 PDF 合同、Word 简历、Excel 报表等的多模态应用。

4. 自动化工作流

结合 Agent 能力，Flowise 可以构建自动化的 AI 工作流，比如自动回复邮件、自动处理工单等。

与 Dify 的对比

Flowise 和 Dify 都是可视化 AI 应用构建工具，但它们的定位和特点有所不同：

特性	Flowise	Dify
底层框架	LangChainJS	自研
界面风格	纯拖拽流程图	工作流 + 简易模式
学习门槛	较低	中等
部署复杂度	简单	中等
企业功能	基础	完善
API 封装	自动生成	开箱即用
自定义程度	高	中等

选择建议

选择 Flowise：
- 你是 LangChain 重度用户
- 需要高度自定义的流程
- 主要在本地或私有环境开发
- 喜欢纯拖拽的构建方式
选择 Dify：
- 需要快速部署对外服务
- 需要企业级的安全和权限
- 团队对 LangChain 不熟悉
- 需要完整的监控和分析
两者结合：
- 使用 Flowise 快速验证原型
- 验证成功后，使用 Dify 部署生产版本

快速上手指南

本地安装

# 克隆项目
git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise

# 安装依赖
npm install -g yarn
yarn install

# 启动服务
yarn start

# 访问 http://localhost:3000

Docker 部署

# docker-compose.yml
version: '3.8'

services:
  flowise:
    image: flowiseai/flowise
    ports:
      - "3000:3000"
    environment:
      - PORT=3000
      - FLOWISE_USERNAME=admin
      - FLOWISE_PASSWORD=123456
      - DATABASE_TYPE=sqlite
      - DATABASE_PATH=/root/.flowise
    volumes:
      - ./storage:/root/.flowise

基本使用流程

创建流程：点击「New Chatflow」，进入可视化编辑界面
添加节点：从左侧面板拖拽节点到画布
连接节点：从一个节点的输出拖拽到另一个节点的输入
配置节点：选中节点，在右侧面板配置参数
保存流程：点击「Save」保存流程
测试使用：在右侧对话框中测试

进阶技巧

1. 环境变量管理

Flowise 支持使用环境变量来管理敏感信息：

# 在节点配置中使用
${OPENAI_API_KEY}
${PINECONE_API_KEY}

在 .env 文件中定义：

OPENAI_API_KEY=sk-xxx
PINECONE_API_KEY=xxx

2. 流程导入导出

Flowise 支持将流程导出为 JSON 文件，方便分享和备份：

// flow.json
{
  "nodes": [...],
  "edges": [...]
}

3. 自定义节点开发

如果现有的节点不满足需求，Flowise 支持开发自定义节点：

// 自定义节点示例
import { INode, INodeData, INodeParams } from '../../../src'

class MyCustomNode implements INode {
    label: string = 'My Custom Node'
    name: string = 'myCustomNode'
    type: string = 'action'
    icon: string = '/custom/icon.svg'
    category: string = 'Custom'
    baseClasses: string[] = ['Action']
    inputs: INodeParams[] = [...]
    outputs: INodeParams[] = [...]

    async run(nodeData: INodeData): Promise<string> {
        // 自定义逻辑
        return result
    }
}

4. 批量文档处理

对于大量文档，可以使用批处理模式：

# 批量上传文档到 Flowise
import os
import requests

FLOWISE_URL = "http://localhost:3000"

def upload_documents(directory: str):
    """批量上传文档"""
    files = os.listdir(directory)

    for file in files:
        file_path = os.path.join(directory, file)

        with open(file_path, 'rb') as f:
            files = {'file': f}
            response = requests.post(
                f"{FLOWISE_URL}/api/v1/document-loader/file",
                files=files
            )

        print(f"Uploaded: {file}")

# 使用
upload_documents("./documents")

总结

Flowise 是一个优秀的低代码 AI 应用构建工具。它将复杂的 LangChain 功能封装成了直观的可视化界面，让我们可以快速构建 RAG 管道和 Agent。虽然在企业级功能方面不如 Dify 完善，但对于开发者和小型团队来说，Flowise 是一个不可多得的利器。

特别是在快速原型验证和学习 LangChain 概念方面，Flowise 有着独特的优势。通过可视化的方式，我们可以更直观地理解 Chain、Agent、Memory 这些抽象概念，从而更好地掌握 AI 应用开发的技巧。

工具的价值不在于它有多复杂，而在于它能否帮助你解决实际问题。从最简单的流程开始，在实践中逐步深入，这比一开始就追求完美更加重要。

加载中...