Flowise 低代码 LLM 流：零基础拖拽构建 LangChain 应用

概述

Flowise 是一个开源的、低代码/无代码工具，让你通过可视化拖拽的方式构建基于 LangChain 的 LLM 应用流。无需编写复杂代码，即可快速搭建问答机器人、文档分析、API 链、多代理协作等高级 AI 应用。

本教程将带你从安装开始，通过三个渐进式项目，掌握 Flowise 的核心功能与最佳实践。

1. 环境准备与安装

1.1 安装 Node.js

Flowise 基于 Node.js 构建，确保你的系统已安装 Node.js 18.15.0 或更高版本。

验证安装：

node -v
npm -v

1.2 安装 Flowise

推荐使用 npm 全局安装，便于在终端直接调用。

npm install -g flowise

安装完成后，启动 Flowise：

npx flowise start

首次启动时，Flowise 会下载必要依赖并初始化数据库。看到以下输出表示成功：

Flowise UI is listening on http://localhost:3000

1.3 访问管理界面

打开浏览器，访问 http://localhost:3000 。你将看到 Flowise 的主控台，所有聊天流、Agent 流、市场（Marketplace）等管理功能都集中在这里。

提示： Flowise 同时提供 Docker 部署方式，适合生产环境。参见官方文档了解详细配置。

2. 第一个对话流：构建“客服助手”

2.1 创建新聊天流

• 点击界面左侧的 Chatflows 标签。
• 点击右上角的 Add New 按钮，弹窗中输入名称为 CustomerServiceBot。
• 进入画布编辑页面。

2.2 认识节点与画布

画布左侧是节点面板，包含多个类别：Agent、Chains、Chat Models、Document Loaders、Embeddings、LLMs、Memory、Tools、Vector Stores 等。每个节点代表一种 LangChain 组件，通过拖拽到画布并连线，即可组成一条处理流。

2.3 拖拽构建基础对话流

目标： 创建一个带有记忆的对话机器人，能回答用户咨询。

• 从 Chat Models 类别中，拖拽 ChatOpenAI 到画布。
  • 点击节点，在右侧配置面板中填入你的 OpenAI API Key，选择模型为 gpt-3.5-turbo，温度保持默认。
• 从 Memory 类别拖拽 Buffer Memory 到画布。
• 从 Chains 类别拖拽 Conversation Chain 到画布。
• 按以下顺序连线：
  • ChatOpenAI 输出 → Conversation Chain 的“Chat Model”输入
  • Buffer Memory 输出 → Conversation Chain 的“Memory”输入
• 最后，将 Conversation Chain 节点的“Chain”输出连接到画布右侧的 End 节点（或自动吸附）。
• 点击右上角 Save 保存流。

2.4 测试与对话

• 点击右上角的 Upsert（紫色按钮）或聊天图标，进入测试聊天窗口。
• 输入“你好，我想咨询退货流程”，Flowise 会调用 OpenAI 模型并利用记忆给出回答。
• 你可以继续追问，观察机器人是否能记住上下文。

3. 进阶流：基于文档的问答（RAG）

3.1 场景说明

很多企业需要让 AI 基于内部知识库回答问题。我们将构建一个文档问答流，能读取 PDF、TXT 文件并给出带来源引用的答案。

3.2 添加文档加载与向量存储

• 新建一个聊天流，命名为 DocQA。
• 加载文档：
  • 拖拽 Document Loaders 下的 PDF Loader（或 Text Loader）到画布。
  • 配置它的 PDF File Path 为本地文件路径，如 ./data/company_faq.pdf。
• 文本分割：
  • 拖拽 Text Splitters 下的 Recursive Character Text Splitter 到画布。
  • 连线：PDF Loader → Text Splitter。调整 Chunk Size 为 1000，Chunk Overlap 为 200。
• 向量化与存储：
  • 拖拽 Embeddings 下的 OpenAI Embeddings，填入相同的 API Key。
  • 拖拽 Vector Stores 下的 Pinecone（或 Chroma 本地向量库）。以 Chroma 为例，拖拽 Chroma 节点，无需额外配置。
  • 连线：Text Splitter → OpenAI Embeddings → Chroma。
  • Chroma 的“Document”输入接 Text Splitter 输出，“Embeddings”输入接 OpenAI Embeddings 输出。

3.3 创建问答链

• 拖拽 Chains 下的 Conversational Retrieval QA Chain 到画布。
• 连线：
  • ChatOpenAI 输出 → Conversational Retrieval QA Chain 的“Chat Model”输入
  • Chroma 输出 → Conversational Retrieval QA Chain 的“Vector Store”输入
• 添加 Memory（可选）：
  • 拖拽 Buffer Memory 并连线到链的“Memory”输入，实现多轮记忆。
• 将链的输出连至 End。

3.4 配置返回来源

在 Conversational Retrieval QA Chain 的配置中，开启 Return Source Documents，这样答案会附带原始文档片段。

保存并 Upsert 后测试：“公司退货政策是什么？” Flowise 会从你的 PDF 中检索并回答，同时显示参考来源。

4. 高级流：构建 AI Agent（自动化工具调用）

4.1 Agent 与工具的概念

Agent 能根据用户输入自主决定调用哪些工具（如搜索、计算器、API），并组合结果回答。Flowise 提供了丰富的预置工具。

4.2 搭建搜索Agent

• 新建聊天流 SearchAgent。
• 拖拽 Agent 类别下的 OpenAI Function Agent 到画布。
• 添加工具：拖拽两个 Tools 节点：
  • Serper（谷歌搜索，需在 Serper.dev 获取 API Key）
  • Calculator（数学计算）
• 连线工具到 Agent 的“Tools”输入。
• 从 Chat Models 拖拽 ChatOpenAI 并连接至 Agent 的“Allowed Tools”或“Chat Model”（视 UI 版本而定）。
• 添加 Memory：
  • 拖拽 Buffer Memory 并连线到 Agent。
• 保存 Upsert 并测试：
  • “今天北京的天气怎样？” → Agent 调用 Serper 搜索。
  • “计算 134 * 59” → Agent 调用 Calculator 工具。
  • 结合上下文：“昨天北京的天气呢？” → 再次调用搜索并记住之前的对话。

5. 部署与分享

5.1 嵌入网站

在 Flowise 聊天流页面，点击右上角的 Share 按钮，可以获取可嵌入的 HTML <script> 代码。只需将其粘贴到你的网页中，即可生成一个聊天气泡窗口。

5.2 通过API调用

每个聊天流都提供一个预测 API。在流设置中找到 API Endpoint，使用 HTTP POST 调用：

curl http://localhost:3000/api/v1/prediction/<chatflow_id> \
  -H "Content-Type: application/json" \
  -d '{"question":"你的问题"}'

你可以将此 API 集成到自己的后端或第三方应用中。

5.3 导出与版本管理

Flowise 支持将聊天流导出为 JSON 文件，方便备份、分享或使用 Git 进行版本控制。在画布页面点击 Export 即可下载。

6. 实用技巧与最佳实践

• 使用市场模板：Flowise 内置 Marketplace，提供大量由社区贡献的预置流模板，直接克隆即可快速启动新项目。
• 环境变量管理：通过 .env 文件统一管理 API Key 等敏感信息，使用 $env 语法在节点配置中引用。
• 调试模式：在聊天流页面开启 Verbose 选项，控制台会输出完整的链调用日志，便于排查问题。
• 本地模型支持：除了 OpenAI，Flowise 支持对接 Ollama、LocalAI 等本地 LLM，以及 HuggingFace 嵌入，适合对数据隐私有要求的场景。
• 使用变量和动态输入：在节点配置中可使用 {{input}} 或自定义变量，使流更灵活。

7. 常见问题排查

结语

通过本教程，你已经掌握了从简单对话到文档问答、Agent 自动化的完整 Flowise 工作流。低代码的特性让原型构建变得前所未有的迅速，但你依然可以深入修改生成的 LangChain 底层代码，实现无边界定制。

开始用 Flowise 将你的 AI 创意快速落地吧！