【Flowise】可视化构建LLM应用与Multi-Agent协作入门指南

引子

用 LLM 构建应用，绕不开几个核心问题：Prompt 怎么管理？工具怎么串联？多 Agent 怎么协作？记忆怎么持久化？

直接写代码当然可以，但当你想快速验证思路、或者让非开发者也能搭建 AI 流程时，可视化低代码平台就成了最优解。

今天要介绍的 Flowise，就是这样一个开源项目——它让你用拖拽的方式，搭出完整的 RAG 流程、Agent 对话、甚至是 Multi-Agent 协作系统。

项目概览

Flowise 是一个开源的生成式 AI 应用开发平台，核心能力：

• 可视化 Builder：拖拽节点，配置参数，无需代码即可构建完整 AI 流程
• 三种流程类型：Assistant（助手）、Chatflow（单 Agent）、Agentflow（Multi-Agent / 复杂编排）
• 100+ 集成：支持 OpenAI、Azure、HuggingFace 等模型；Pinecone、Chroma 等向量库；Slack、Discord 等工具
• 多种部署方式：Docker、本地 npm、HuggingFace Space、Railway、AWS 等
• 企业级特性：RBAC 权限、SSO、单点登录、审计日志（企业版）

GitHub：https://github.com/FlowiseAI/Flowise

架构分析

整体架构

Flowise 采用单仓库多包（mono-repo）的 TypeScript 结构，主要分为三个模块：

packages/
├── server/        # Node.js 后端，API 逻辑
├── ui/            # React 前端，可视化编辑器
└── components/    # 节点定义，工具集成

数据流遵循经典的请求-响应模型：

graph LR
    A["🔵 输入层<br/>User Input"]
    B["🟣 处理层<br/>REST API / SSE"]
    C["🟣 处理层<br/>Controller"]
    D["🟣 处理层<br/>Service Layer"]
    E["🟡 组件层<br/>Nodes Pool"]
    F["🟢 资源层<br/>LLM / VectorDB / Tools"]

    A --> B --> C --> D --> E --> F
    F --> E --> D --> B --> A

    style A fill:#C7CEEA,stroke:#9FA8DA,stroke-width:2px,color:#333
    style B fill:#E8D5F5,stroke:#CE93D8,stroke-width:2px,color:#333
    style C fill:#E8D5F5,stroke:#CE93D8,stroke-width:2px,color:#333
    style D fill:#E8D5F5,stroke:#CE93D8,stroke-width:2px,color:#333
    style E fill:#FFF9C4,stroke:#F9A825,stroke-width:2px,color:#333
    style F fill:#B5EAD7,stroke:#80CBC4,stroke-width:2px,color:#333

节点体系：Components

Flowise 的核心抽象是节点（Node）。每个节点是一个独立的功能单元，实现了 INode 接口：

interface INode {
    label: string           // 显示名称
    name: string            // 唯一标识
    type: string            // 节点类型
    category: string        // 所属分类
    baseClasses: string[]  // 可连接的父类
    description?: string

    // 生命周期
    init?(nodeData, input, options): Promise<any>
    run?(nodeData, input, options): Promise<string | ICommonObject>
}

节点分为几大类：

分类	示例	作用
Models	OpenAI ChatGPT、Claude、Local LLM	LLM 推理核心
Memory	Buffer Memory、Conversation Summary	对话历史管理
Tool	Search、Calculator、API Call	Agent 调用外部能力
Vector Store	Pinecone、Chroma、FAISS	RAG 检索存储
Embeddings	OpenAI Embeddings、HuggingFace	文本向量化
Document Loaders	PDF、CSV、Web	数据摄入
Reranker	Cohere Reranker	检索结果重排

数据结构：Flow 的表达

一个完整的 Flow（流程）在后端被表达为 React Flow 的图结构：

interface IReactFlowObject {
    nodes: IReactFlowNode[]
    edges: IReactFlowEdge[]
    viewport: { x: number; y: number; zoom: number }
}

interface IReactFlowNode {
    id: string
    type: string           // 节点类型名
    position: { x: number; y: number }
    data: INodeData        // 节点的配置参数
}

前端拖拽生成的 JSON，就是后端执行的「程序」。

核心机制解析

1. Agent 决策机制

Flowise 的 Agent 基于 LangChain.js 实现，支持两种决策模式：

ReAct（Thinking）模式：Agent 在每个循环中交替执行「思考→行动→观察」三步：

while (未达成目标):
    1. think()   → 根据上下文决定下一步行动
    2. act()    → 调用 Tool 或检索 Memory
    3. observe() → 获取 Tool 返回结果
    4. 如果 Tool 调用耗尽或超限 → 结束

MRKL（Modular Reasoning, Knowledge and Language）模式：将任务分解为多个专家子任务，由 Supervisor 分配给不同 Worker。

2. Memory 存储与检索

Flowise 的 Memory 机制支持多种实现：

// 简单缓冲记忆（只保留最近 N 条）
BufferMemory

// 滑动窗口记忆（保留最近 K 轮）
BufferWindowMemory

// 摘要记忆（定期压缩历史）
ConversationSummaryMemory

// 摘要缓冲（摘要 + 最近缓冲的组合）
ConversationSummaryBufferMemory

记忆的使用时机：

• 每次对话开始：从 Memory 检索相关历史，构建 Context
• 每次对话结束：将本轮对话写入 Memory
• Agent 执行中：Tool 调用时，Memory 提供背景信息

3. RAG（检索增强生成）

Flowise 的 RAG 流程分两个阶段：

索引阶段（Ingestion）：

graph LR
    A["🔵 输入层<br/>Documents"]
    B["🟡 处理层<br/>Document Loaders"]
    C["🟡 处理层<br/>Text Splitter"]
    D["🟡 处理层<br/>Embeddings API"]
    E["🟢 存储层<br/>Vector Store"]

    A --> B --> C --> D --> E

    style A fill:#C7CEEA,stroke:#9FA8DA,stroke-width:2px,color:#333
    style B fill:#FFF9C4,stroke:#F9A825,stroke-width:2px,color:#333
    style C fill:#FFF9C4,stroke:#F9A825,stroke-width:2px,color:#333
    style D fill:#FFF9C4,stroke:#F9A825,stroke-width:2px,color:#333
    style E fill:#B5EAD7,stroke:#80CBC4,stroke-width:2px,color:#333

检索阶段（Retrieval）：

graph LR
    A["🔵 输入层<br/>User Query"]
    B["🟡 处理层<br/>Embeddings API"]
    C["🟡 处理层<br/>Vector Search"]
    D["🟡 处理层<br/>Reranker"]
    E["🟡 处理层<br/>Context"]
    F["🟣 AI 层<br/>LLM"]
    G["🟢 输出层<br/>Response"]

    A --> B --> C --> D --> E --> F --> G

    style A fill:#C7CEEA,stroke:#9FA8DA,stroke-width:2px,color:#333
    style B fill:#FFF9C4,stroke:#F9A825,stroke-width:2px,color:#333
    style C fill:#FFF9C4,stroke:#F9A825,stroke-width:2px,color:#333
    style D fill:#FFF9C4,stroke:#F9A825,stroke-width:2px,color:#333
    style E fill:#FFF9C4,stroke:#F9A825,stroke-width:2px,color:#333
    style F fill:#E8D5F5,stroke:#CE93D8,stroke-width:2px,color:#333
    style G fill:#B5EAD7,stroke:#80CBC4,stroke-width:2px,color:#333

支持多种高级 RAG 策略：Graph RAG、Parent Document RAG、Hybrid Search 等。

4. Multi-Agent 协作

Flowise 的 Multi-Agent 通过 Agentflow V2 实现，采用 Supervisor-Worker 架构：

graph TB
    subgraph Supervisor["🟣 Supervisor 层"]
        S1["🤖 Supervisor Agent"]
    end

    subgraph Workers["🟡 Workers 层"]
        W1["🔧 Worker 1<br/>搜索"]
        W2["🔧 Worker 2<br/>代码"]
        W3["🔧 Worker N"]
    end

    S1 -->|"分配任务"| W1
    S1 -->|"分配任务"| W2
    S1 -->|"分配任务"| W3
    W1 -->|"汇报"| S1
    W2 -->|"汇报"| S1
    W3 -->|"汇报"| S1
    S1 -->|"最终决策"| O["🟢 输出层<br/>Response"]

    style Supervisor fill:#E8D5F5,stroke:#CE93D8,stroke-width:2px,color:#333
    style Workers fill:#FFF9C4,stroke:#F9A825,stroke-width:2px,color:#333
    style S1 fill:#E8D5F5,stroke:#CE93D8,stroke-width:2px,color:#333
    style W1 fill:#FFDAB9,stroke:#FFB3C6,stroke-width:2px,color:#333
    style W2 fill:#FFDAB9,stroke:#FFB3C6,stroke-width:2px,color:#333
    style W3 fill:#FFDAB9,stroke:#FFB3C6,stroke-width:2px,color:#333
    style O fill:#B5EAD7,stroke:#80CBC4,stroke-width:2px,color:#333

Supervisor 负责：

• 理解用户意图
• 将任务分解为子任务
• 分配给合适的 Worker
• 整合 Worker 反馈，生成最终回复

Worker 专注于执行特定领域的子任务（如搜索、代码生成、数据分析）。

使用指南

快速启动

# Node.js >= 18.15.0
npm install -g flowise
npx flowise start

# 打开 http://localhost:3000

Docker 部署

git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise/docker
cp .env.example .env
docker compose up -d

开发模式

# 安装 pnpm
npm i -g pnpm

# 克隆并构建
git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise
pnpm install
export NODE_OPTIONS="--max-old-space-size=4096"
pnpm build
pnpm start

API 调用示例

# 启动 chatflow 对话
curl -X POST http://localhost:3000/api/v1/prediction/:chatflow-id \\
  -H "Content-Type: application/json" \\
  -d '{
    "question": "你好，介绍一下 Flowise",
    "streaming": true
  }'

与同类项目对比

Flowise vs LangFlow

维度	Flowise	LangFlow
语言	TypeScript (Node.js)	Python
部署	npm / Docker，一行命令	pip install / Docker
UI 设计	更现代，交互更流畅	偏学术风格
生态集成	LangChain JS 生态	LangChain Python 生态
Multi-Agent	Agentflow V2	较弱

Flowise vs Dify

维度	Flowise	Dify
定位	开发者友好，偏研究	企业应用，偏生产
API	完整 REST API	完整 API + OAuth
部署	社区版功能完整	社区版功能完整
扩展性	节点用 TypeScript 写	节点用 Python 写

优缺点总结

优点

1. 上手极快：拖拽即可跑通 RAG / Agent 流程
2. 架构清晰：基于 LangChain，源码结构好懂
3. 集成丰富：100+ 节点，覆盖主流需求
4. 部署灵活：一条 npx flowise start 即可运行
5. API 完善：天然支持程序化调用

缺点

1. 复杂编排受限：Agentflow V2 解决了 Multi-Agent，但超复杂场景仍需写代码
2. 性能调优空间有限：黑盒节点内部逻辑无法深度定制
3. 企业特性闭源：RBAC、SSO 等在企业版
4. 依赖 LangChain：版本升级可能带来 breaking change

趋势与展望

Flowise 正在从「可视化 LangChain 工具」向「企业级 AI 应用平台」演进：

• Agentflow V2 的发布补齐了 Multi-Agent 短板
• MCP 集成（Model Context Protocol）让工具生态更开放
• Embedding / Reranker 支持使 RAG 质量大幅提升
• Embedded Chatbot 让 AI 能力无缝嵌入现有产品

如果你在寻找一个免费、开源、又能快速落地 LLM 应用的项目，Flowise 值得一试。

参考链接

• GitHub：https://github.com/FlowiseAI/Flowise
• 官方文档：https://docs.flowiseai.com/
• 在线体验：https://flowiseai.com/
• HuggingFace Space：https://huggingface.co/spaces/FlowiseAI/Flowise