FlowiseAI - 生态全景与架构总结

学习日期：2026-05-07
文档来源：https://docs.flowiseai.com

一、Flowise 是什么

FlowiseAI 是一个开源生成式 AI 开发平台，用于快速构建 LLM 应用和工作流。

核心理念： 像搭积木一样，通过可视化拖拽构建 AI 应用。

二、三大构建器

构建器说明复杂度
AssistantAI 助手构建器⭐ 入门级
Chatflow聊天机器人构建器⭐⭐ 进阶级
Agentflow多 Agent 工作流编排⭐⭐⭐ 高级

Assistant

最简单的构建方式，适合快速创建单一 AI 助手。

Chatflow

适合构建聊天机器人，支持：

  • RAG（检索增强生成）
  • 多轮对话
  • 工具调用
  • 流式响应

Agentflow V2

新一代多 Agent 架构，支持：

  • Flow State：在 Agent 之间传递状态
  • 节点类型：Tool、Condition、Template、Storage 等
  • 多 Agent 协作：复杂任务的自动分解与执行

三、技术架构

架构层次

┌─────────────────────────────────┐
│         UI 层 (React)           │  用户界面
├─────────────────────────────────┤
│       API 层 (Express.js)       │  REST API / WebSocket
├─────────────────────────────────┤
│      应用层 (LangChain/LlamaIndex) │  核心逻辑
├─────────────────────────────────┤
│    LLM 提供商层 (OpenAI/Anthropic) │  模型集成
├─────────────────────────────────┤
│   数据层 (Vector DB / SQLite)    │  向量存储 / 关系数据
└─────────────────────────────────┘

核心依赖

  • 运行时：Node.js / TypeScript
  • 框架：Express.js（API）+ React（前端）
  • AI 框架：LangChain.js + LlamaIndex.js
  • 数据库：SQLite（默认）/ MySQL / PostgreSQL / MariaDB
  • 向量库：Pinecone / Milvus / Qdrant / Chroma 等 20+ 种

四、生态全景图

集成生态一览

Flowise
├── LangChain 集成（17 类）
│   ├── Agents（14种）
│   ├── Cache（6种）
│   ├── Chains（12+种）
│   ├── Chat Models（10+种）
│   ├── Document Loaders（38种）
│   ├── Embeddings（14种）
│   ├── LLMs（10种）
│   ├── Memory（9种）
│   ├── 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 集成（7 类）
│   ├── Agents（2种）
│   ├── Chat Models
│   ├── Embeddings（2种）
│   ├── Engine（4种）
│   ├── Response Synthesizer
│   ├── Tools
│   └── Vector Stores（2种）
│
├── Utilities（4种）
│   ├── Custom JS Function
│   ├── Set/Get Variable
│   ├── If Else
│   └── Sticky Note
│
├── LiteLLM Proxy（统一 100+ 模型）
│
└── External Integrations
    └── Zapier Zaps

Vector Stores 支持（19+ 种）

类别数据库
云服务Pinecone, AstraDB, Vectara, Supabase
自托管Milvus, Qdrant, Weaviate, Chroma
传统数据库Postgres (pgvector), OpenSearch, Elasticsearch
内存/本地FAISS, In-Memory
其他Redis, SingleStore, Couchbase, Upstash

Embedding 提供商（14+ 种）

OpenAI、Cohere、Google（HuggingFace、Azure、AWS Bedrock、MistralAI、Ollama、LocalAI、TogetherAI、VoyageAI

LLM 提供商（覆盖主流）

OpenAI、Azure OpenAI、Anthropic Claude、Google PaLM/VertexAI、AWS Bedrock、Cohere、HuggingFace、Ollama（本地）、Replicate

五、RAG 工作流全解析

完整 RAG 流程

用户问题
    ↓
Embedding 模型（将问题转为向量）
    ↓
向量数据库相似性搜索
    ↓
检索相关文档片段
    ↓
将文档片段作为上下文注入 Prompt
    ↓
LLM 基于上下文生成答案
    ↓
返回答案（可附加来源文档）

Flowise 中的 RAG 实现

  1. Document Loader：从各种来源加载文档
  2. Text Splitter：将长文档分割成小块
  3. Embedding：将文本块转为向量
  4. Vector Store：存储向量
  5. Retriever：检索相关片段
  6. LLM：基于检索结果生成答案

六、与 AstrBot 对比

维度FlowiseAstrBot
架构可视化 + Node.js代码优先 + Python
定位LLM 应用可视化编排聊天机器人平台
核心框架LangChain + LlamaIndex自研 Agent Runner
Agent 能力多种预置 Agent 类型通用 Agent + 工具
RAG内置可视化 RAG通过 Provider 扩展
向量库19+ 内置支持通过 LLM Provider
多 AgentAgentflow V2 支持一般
部署NPM/Docker/云平台Docker/源码
适用用户非开发者/可视化爱好者开发者
扩展方式节点/工具注册插件系统

AstrBot 的优势：Python 原生更适合 AI 生态（PyTorch、HuggingFace）、代码灵活性更高

Flowise 的优势：开箱即用的可视化、丰富的预置节点、快速的原型搭建

七、安全体系

安全层级

┌─────────────────────────────────────┐
│        SSO 企业认证（OIDC）           │  ← 企业级
├─────────────────────────────────────┤
│      应用级 JWT 认证                 │  ← 平台级
├─────────────────────────────────────┤
│     Chatflow API Key 授权           │  ← 应用级
├─────────────────────────────────────┤
│       速率限制（IP-based）           │  ← 流量级
├─────────────────────────────────────┤
│      内容审核（Moderation）          │  ← 内容级
├─────────────────────────────────────┤
│     MCP 安全沙箱（命令白名单）        │  ← 扩展级
├─────────────────────────────────────┤
│     凭证加密存储（API Keys）         │  ← 密钥级
└─────────────────────────────────────┘

八、部署架构推荐

小型项目（个人/团队）

NPM 部署 + SQLite + 内置认证

中型项目（多用户）

Docker + PostgreSQL + Redis + JWT Auth + API Key

企业级项目

Kubernetes + PostgreSQL + Redis + S3/GCS + SSO + MCP + 限速 + 备份

九、学习路径

入门路径（1天）

  1. 阅读官方文档首页
  2. 完成 Quickstart
  3. 体验三种 Builder（Assistant / Chatflow / Agentflow）
  4. 部署一个简单 Chatflow

进阶路径（3天）

  1. 深入 LangChain 组件（Memory、Tools、Vector Stores）
  2. 掌握 RAG 工作流
  3. 配置 API 认证和限速
  4. 集成到网站（Embed）

高级路径（7天+）

  1. Agentflow V2 多 Agent 架构
  2. LiteLLM Proxy 多模型管理
  3. 企业级 SSO 配置
  4. 自定义节点开发
  5. 性能优化和生产部署

十、文档索引

已生成的笔记文档

文档内容
FlowiseAI-学习笔记.md入门概述、快速开始、架构
FlowiseAI-02-LangChain集成详解.mdLangChain 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.mdLlamaIndex、工具、API、Embed
FlowiseAI-05-生态全景与架构.md生态全景、对比、学习路径

文档来源

十一、Flowise 核心精华

如果只能记住 10 件事：

  1. 三大 Builder：Assistant（入门）→ Chatflow（聊天）→ Agentflow（复杂）
  2. LangChain + LlamaIndex 双框架：既可以用 LangChain 节点，也可以用 LlamaIndex 引擎
  3. 19+ Vector Stores：Pinecone、Milvus、Chroma 等开箱即用
  4. RAG = Document Loader + Text Splitter + Embedding + Vector Store + Retriever + LLM
  5. Memory 类型：Buffer / Window / Summary / Redis / MongoDB — 按需选择
  6. Tools = Agent 的武器库：BraveSearch / Calculator / Python / Chain Tool
  7. Embedding 是 RAG 的地基：选好模型（OpenAI/Cohere）和向量库同样重要
  8. Record Manager 防止重复索引：SHA-1 哈希追踪，Incremental/Full 两种清理模式
  9. 安全四件套：JWT Auth + API Key + 限速 + MCP 安全沙箱
  10. Embed = 一行代码：聊天窗口嵌入网站，支持主题深度定制

学习完成 🎉