Flowise：拖拽式构建 AI Agent 的低代码平台

图1：Flowise 官方 Logo

场景切入：不用写代码，也能拥有自己的 AI 助手

想象这样一个场景：你是一家电商公司的运营人员，想搭建一个客服机器人，能够根据用户问题从产品手册中检索答案，同时还能记住对话上下文。你不懂 LangChain、不了解向量数据库、不想折腾 API 调用——那还有办法吗？

Flowise 给出了答案：拖拽就能搞定。

2022 年底，Flowise 以"可视化搭建 LangChain 应用"的概念在 GitHub 亮相，迅速引爆开发者社区。无需编写 YAML 配置、无需掌握 JavaScript/TypeScript 语法，拖拽节点 → 连线 → 配置参数 → 运行，一个完整的 RAG（检索增强生成）Agent 就此诞生。截至 2026 年初，该项目已斩获超过 53,000 颗 GitHub 星标，成为 AI Agent 低代码赛道最受欢迎的开源项目之一。

背景故事：LangChain 官方推荐的"翻译器"

Flowise 的诞生源于一个朴素的观察：LangChain 强大但门槛高。LangChain 底层 API 极度灵活，却要求开发者具备扎实的 Python/JavaScript 编程能力。大量非 AI 背景的产品经理、运营人员、数据分析师被挡在门外。

Flowise 团队（由 Henry Heng 等核心贡献者主导）扮演了"翻译器"的角色：将 LangChain.js 的核心能力封装为可交互的可视化节点，让抽象的 Chain（链）和 Agent（智能体）概念变成一目了然的流程图。这一思路与 React Studio、Flutter Flow 等低代码平台异曲同工，只是落地到了 AI 应用层。

核心贡献者包括 HenryHengZJ、chungyau97、vinodkiran 等多位活跃开发者，项目采用 Apache 2.0 开源许可，已积累数千次 commit 和多位外部贡献者。

核心功能：节点拖拽，构建复杂 AI 流程

Flowise 的核心理念是用流程图思维构建 AI 应用。用户通过浏览器界面对各种节点进行拖拽、连线、配置，整个过程类似 Figma 的操作体验，却能构建出生产级的 AI 应用。

主要节点类型包括：

LLM 节点：支持 OpenAI GPT 系列、Anthropic Claude、Azure OpenAI、HuggingFace 模型、本地 Ollama 等几乎所有主流大语言模型。只需填入 API Key 即可切换模型，无需修改流程逻辑。

Chain 节点：涵盖 LangChain 的核心 Chain 类型——ConversationChain（对话链）、StuffDocumentsChain（文档汇总）、RefineDocumentsChain（迭代优化汇总）、MapReduceDocumentsChain（并行汇总）。每个 Chain 节点背后都对应 LangChain.js 的标准实现。

Memory 节点：管理对话历史与上下文，支持 BufferMemory（缓冲区记忆）、BufferWindowMemory（窗口记忆）、ConversationSummaryMemory（摘要记忆）等多种策略。这使得 Flowise 构建的 Agent 能够"记住"之前的对话内容，实现真正的多轮交互。

Tool 节点：为 Agent 配备外部能力——搜索引擎查询、API 调用、数学计算、代码执行等。Flowise 内置了 LangChain Tool 生态的丰富工具集，同时也支持用户自定义 Tool。

Vector Store 节点：对接 Pinecone、Chroma、Weaviate、Milvus、FAISS 等主流向量数据库。用户可以上传文档，系统自动切分、向量化并存入向量库，供 RAG 流程调用。

Embeddings 节点：支持 OpenAI Embeddings、Azure OpenAI Embeddings、HuggingFace Embeddings、本地 Embeddings 等多种嵌入模型选择。

整体来看，Flowise 支持构建以下典型应用场景：

• RAG 聊天机器人：上传产品文档 → 向量化存储 → 用户提问 → 检索相关段落 → LLM 生成回答
• 多 Agent 协作系统：多个专业 Agent 分工协作，Tool 互调，实现复杂任务分解
• 有记忆的对话助手：结合 Memory 节点，构建长期记忆型客服或私人助理
• 多模态处理流程：集成图像理解、文档解析等能力

技术架构：Monorepo + pnpm workspaces 的现代化工程实践

Flowise 采用了典型的 Monorepo 架构，使用 pnpm workspaces + Turbo 构建系统，将功能模块拆分到独立子包中。这种架构既保证了代码复用，又便于独立发布和维护。

packages/server：核心后端服务，基于 Node.js + Express + TypeScript 构建。通过 LangChain.js 驱动 Chain 和 Agent 的执行逻辑，同时处理 API 请求、数据库操作和流程编排。这是整个系统的主引擎。

packages/ui：React + TypeScript 构建的前端界面，提供拖拽式的可视化编辑器、流程画布、节点配置面板和对话测试窗口。用户在此完成 Agent 流程的全部设计工作。

packages/components：Flowise 的核心资产——所有内置节点的 React 组件库。每个节点（LLM、Memory、VectorStore 等）都有对应的可视化组件，负责渲染节点 UI 和处理参数配置表单。这些组件被 UI 包引用，在拖拽编辑器中展示。

packages/agentflow：Flowise 的高级特性模块，提供更复杂的流程控制节点（如条件分支、循环、并行执行等），面向进阶用户。

packages/observe：监控与可观测性模块，支持追踪 Agent 执行链路、日志记录和性能指标采集，便于生产环境调试。

packages/api-documentation：自动生成 API 文档的工具链，提升开放 API 的可用性。

数据库层：默认使用 SQLite 存储流程配置和对话记录，同时支持切换至 PostgreSQL（生产环境推荐）。Redis + Bull 队列系统承担异步任务处理，支持后台 worker 独立扩缩容。

部署架构方面，官方提供了多种容器化方案：最基础的 docker-compose.yml 仅需一条命令即可启动完整服务；docker-compose-queue-source.yml 额外引入 Redis 和独立 Worker，适合高并发场景；镜像托管于 Docker Hub（flowiseai/flowise），支持多架构（amd64/arm64）。

上手体验：5 分钟启动第一个 Agent

Flowise 的上手路径非常友好，提供了三种启动方式，覆盖从尝鲜到生产的全场景：

方式一（最简）：Docker 一键启动

# 克隆仓库，进入 docker 目录
cd docker
# 一键启动（自动拉取最新镜像）
docker-compose up
# 访问 http://localhost:3000

全程约 2-3 分钟，无需安装 Node.js 环境，零配置。

方式二（开发者）：npm 全局安装

npm install -g flowise
npx flowise start
# 访问 http://localhost:3000

适合需要本地开发、自定义源码的开发者。

方式三（源码）：Monorepo 开发模式

git clone https://github.com/FlowiseAI/Flowise
cd Flowise
pnpm install
pnpm build
pnpm start

环境变量配置也是 Flowise 的一大亮点。.env.example 提供了详尽的环境变量说明，包括数据库路径、API 密钥配置、Redis 连接、认证模式等，且均带有合理默认值，新手可以直接沿用，生产环境只需修改关键变量即可。

局限与挑战：不只是赞美

Flowise 固然出色，但也存在不可忽视的局限：

定制化边界：可视化编辑器虽然降低了入门门槛，但也意味着深度定制需要深入底层代码。复杂的业务逻辑（如自定义排序算法、动态 Tool 注册）在 UI 层难以实现，最终仍需修改 packages/components 或 packages/server 的源码。

性能瓶颈：作为 Node.js 应用，Flowise 在 CPU 密集型任务（如大批量文档切分、长文本 embedding 计算）上不如 Python 实现高效。在超大规模向量检索场景下，需要配合独立的向量数据库服务。

生产运维门槛：虽然 Docker 部署简单，但涉及 Redis 配置、Worker 扩缩容、数据库备份、多实例负载均衡等生产级需求时，仍需要具备一定 DevOps 能力。官方文档在这部分稍显简略。

安全考量：Flowise 直接暴露 Web UI 和 API，对外服务时必须配置认证机制（支持 API Key / JWT 模式）。若将服务暴露至公网，需格外注意 API 密钥和数据库的访问控制。

行业意义：低代码 AI 的标杆项目

Flowise 的成功折射出一个大趋势：AI 应用正在走向平民化。

从 2022 年 LangChain 诞生时的"专业工具"，到 2023 年 LlamaIndex 的快速崛起，再到 2024-2025 年 Flowise 的爆发式增长，AI 应用框架经历了从"程序员专属"到"人人可用"的范式转变。Flowise 以 53,000+ GitHub 星标证明了低代码可视化路线在 AI 开发者生态中的巨大需求。

更重要的是，Flowise 正在成为 AI Agent 领域的"教学工具"：通过可视化流程图，开发者可以直观理解 Chain、Agent、Memory、Tool 这些抽象概念的协作关系，降低了 LangChain 生态的学习曲线。它既是生产工具，也是教育工具——这种双重价值是 Flowise 区别于其他 AI 框架的核心竞争力。

展望未来，随着多模态 Agent、具身智能、自动化工作流等方向的快速发展，Flowise 这类可视化搭建平台的需求还将持续增长。唯一的悬念是：当 Agent 能力越来越强大时，UI 层如何平衡"简单易用"与"功能丰富"之间的张力。

一句话总结：Flowise 是 AI Agent 领域的"流水线工厂"——把复杂的 LLM 应用开发，变成了一场直观的拖拽游戏。无论是 AI 爱好者探索 Agent 奥秘，还是开发者快速原型验证，Flowise 都是一个值得收藏的工具箱。