FlowiseAI 学习笔记（综合索引）
学习日期：2026-05-07
官网：https://flowiseai.com
文档：https://docs.flowiseai.com/
📚 文档索引
| 文档 | 内容定位 |
|---|---|
| FlowiseAI-学习笔记.md | 本文档，入门概述 + 索引目录 |
FlowiseAI-02-LangChain集成详解.md | LangChain 16 类组件详解 |
FlowiseAI-03-配置与部署完全指南.md | 环境变量、数据库、认证、部署 |
FlowiseAI-04-LlamaIndex与其他集成.md | LlamaIndex、工具、API、Embed |
FlowiseAI-05-生态全景与架构.md | 生态全景、对比、学习路径 |
一、Flowise 是什么
Flowise 是一个开源的生成式 AI 开发平台，用于构建 AI Agent 和 LLM 工作流。
核心理念： 拖拽式可视化开发，降低 LLM 应用开发门槛
二、三大构建器
| 构建器 | 定位 | 适用场景 |
|---|---|---|
| Assistant | 最友好的入门方式 | 简单问答型 AI 助手、知识库问答 |
| Chatflow | 单 Agent / 聊天机器人 | 高级 RAG、聊天机器人、简单工作流 |
| Agentflow V2 | 多 Agent + 复杂编排 | 多 Agent 系统、复杂工作流编排 |
Agentflow V2 核心特性
| 特性 | 说明 |
|---|---|
| Flow State | 跨节点共享状态，数据在节点间流转 |
| 多 Agent 协作 | Supervisor + Worker 模式，Agent 间可通信 |
| Human-in-the-loop | 执行暂停等待人工输入，支持检查点 |
| Tool | 确定性工具（内置 + 自定义） |
| Retriever | 从 Document Store 检索信息 |
| SSE 流式输出 | 实时流式响应 |
| MCP 集成 | 支持 GitHub、Jira、Brave Search 等官方 MCP 工具 |
三、快速安装
# NPM
npm install -g flowise
npx flowise start
# Docker
git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise/docker && docker compose up -d
# 开发者模式
pnpm install && pnpm build && pnpm dev四、集成生态全景
LangChain（17 类，100+ 节点）
├── Agents（14种）：ReAct / BabyAGI / AutoGPT / CSV Agent 等
├── Cache（6种）：Redis / Momento / InMemory
├── Chains（12+种）：LLM Chain / Retrieval QA / SQL Chain 等
├── Chat Models（10+种）：OpenAI / Anthropic / Google / Ollama
├── Document Loaders（38种）：PDF / Notion / Confluence / S3 等
├── Embeddings（14种）：OpenAI / Cohere / HuggingFace
├── LLMs（10种）
├── Memory（9种）：Buffer / Summary / Redis / MongoDB / Zep
├── Moderation（2种）
├── Output Parsers（4种）
├── Prompts（3种）
├── Record Managers（3种）
├── Retrievers（10种）
├── Text Splitters（6种）
├── Tools（20+种）
└── Vector Stores（19种）
LlamaIndex（7 类）
├── Agents（2种）
├── Chat Models
├── Embeddings（2种）
├── Engine（4种）
├── Response Synthesizer
├── Tools
└── Vector Stores
Utilities（4种）：Custom JS Function / Set/Get Variable / If Else / Sticky Note
LiteLLM Proxy：统一调用 100+ 种 LLM
MCP：Model Context Protocol 集成
Zapier：第三方平台集成Vector Stores（19+ 种）
Pinecone / AstraDB / Vectara / Supabase / Milvus / Qdrant / Weaviate / Chroma / Postgres (pgvector) / OpenSearch / Elasticsearch / FAISS / Redis / SingleStore / Couchbase / Upstash
五、核心工作流
RAG（检索增强生成）
Document Loader → Text Splitter → Embedding → Vector Store
↓
用户问题 → Embedding → Vector Store (相似搜索) → Retriever → LLM → 答案多轮对话
用户消息 → Memory（读取历史）→ LLM → Memory（写入）→ 回复Agent 自主推理
用户任务 → LLM（推理）→ Tool（执行）→ LLM（观察）→ ... → 完成六、配置与安全
认证层级
| 层级 | 方式 |
|---|---|
| 应用级 | JWT + SMTP（Passport.js） |
| Chatflow 级 | API Key |
| SSO | Microsoft Entra ID / Google / Auth0 |
| 限速 | IP-based + 消息数/时间窗口 |
数据库支持
SQLite（默认）/ MySQL / PostgreSQL / MariaDB
存储支持
Local / AWS S3 / Google Cloud Storage
七、与 AstrBot 对比
| 维度 | Flowise | AstrBot |
|---|---|---|
| 架构 | 可视化节点编辑器 | 代码优先 + 配置驱动 |
| 定位 | LLM 应用工作流编排 | 聊天机器人平台 |
| 多 Agent | 原生 Agentflow V2 | 需扩展 |
| RAG | 内置可视化 RAG | 通过 Provider |
| Vector Stores | 19+ 开箱即用 | 通过 LLM Provider |
| 数据源集成 | 100+ 预置 | 插件扩展 |
| 目标用户 | 开发者 + 企业 | 私有化部署用户 |
| 扩展方式 | 节点注册 | 插件系统 |
八、部署架构推荐
| 规模 | 方案 |
|---|---|
| 个人/试用 | NPM + SQLite |
| 团队/开发 | Docker + PostgreSQL |
| 生产/企业 | K8s + PostgreSQL + Redis + S3 + SSO + 限速 |