小白必看：Flowise拖拽式AI应用搭建全攻略

你是不是也遇到过这些情况：

• 想用大模型做个公司内部知识库问答系统，但一看到 LangChain 文档就头皮发麻？
• 看到别人三分钟搭出 RAG 聊天机器人，自己却卡在环境配置、API 密钥、向量库初始化上？
• 明明有现成的本地模型（比如用 vLLM 加速的 Qwen 或 Llama3），却不知道怎么把它变成一个能对话、能检索、能调用工具的真正“应用”？

别急——今天这篇攻略，就是为你量身定制的。不写一行代码，不用配环境变量，不翻 GitHub Issues，从零开始，手把手带你用 Flowise 把本地大模型变成可落地的 AI 应用。

它不是另一个需要你“先学 Python 再学 LangChain 最后啃源码”的项目，而是一个真正为非开发者设计的可视化工作流平台。就像搭乐高一样，拖、拉、连、点，5 分钟就能跑通第一个 RAG 流程。

下面我们就从最基础的安装讲起，一路走到实战部署、效果优化、常见避坑，全程用大白话+关键截图+可复制命令，确保你跟着做，一定能跑通。

1. 为什么 Flowise 是小白入门 AI 应用的最优解？

在动手之前，先搞清楚：它到底特别在哪？为什么值得你花这 30 分钟认真读完？

1.1 它不是“又一个 LangChain 教程”，而是 LangChain 的“图形遥控器”

LangChain 很强大，但它的学习曲线像爬山：你需要理解 Chain、Agent、Tool、Retriever、VectorStore 这些概念，再手动组合它们。而 Flowise 做了一件很聪明的事——把所有这些抽象组件，封装成了一个个带图标的可视化节点。

你不需要知道 ConversationalRetrievalChain 怎么初始化，只需要：

• 从左侧节点栏拖一个 LLM 节点进来（选你的本地模型）
• 拖一个 Vector Store 节点（选 Chroma 或 Qdrant）
• 拖一个 Document Loader（比如 PDF Reader）
• 再拖一个 Prompt Template（写一句“请用中文回答，简洁专业”）
• 用鼠标连线，把文档 → 向量库 → 提示词 → 大模型 → 输出

整个过程，就像画一张流程图。连错了？删掉重连；参数不对？点开节点改下拉框就行。没有报错堆栈，没有 import 错误，只有清晰的因果关系。

1.2 “本地优先”不是口号，是默认选项

很多同类工具（比如 Langflow）默认依赖 OpenAI，本地部署反而要折腾半天。Flowise 不同——它从诞生第一天起，就为本地模型而生。

• 支持 Ollama、HuggingFace Transformers、LocalAI、vLLM（正是本镜像的核心）、甚至自定义 FastAPI 接口
• 切换模型？不用改代码，只在 LLM 节点里点一下下拉菜单，选 vLLM，填上你的 http://localhost:8080/v1 地址和模型名
• 所有向量库（Chroma、Qdrant、Weaviate）都支持本地运行，无需云服务账号

这意味着：你有一台能跑 vLLM 的机器（哪怕是树莓派 4），就能拥有一个完全私有、离线可用、响应迅速的 AI 应用平台。

1.3 不止于“能跑”，更在于“能用、能嵌、能扩”

Flowise 的定位从来不是玩具，而是生产级工具链的一环：

• 一键导出 API：建好工作流后，点击“Export as API”，立刻生成标准 REST 接口（POST /api/v1/prediction/xxx），前端、ERP、钉钉机器人直接调用
• 模板市场开箱即用：官方 Marketplace 提供超 100 个真实场景模板——从“PDF 文档问答”“网页内容抓取”到“SQL 查询助手”“Zapier 自动化集成”，导入即用，改两处参数就能上线
• 真·开源无限制：MIT 协议，商用免费，无用量限制，无隐藏收费，GitHub 45.6k Star，周更活跃，插件生态已支持自定义节点开发

一句话总结：Flowise 是 LangChain 的“图形界面”，是本地大模型的“应用发射台”，更是非技术人员通往 AI 工程化的第一座桥。

2. 两种零门槛部署方式：Docker 与源码直启（推荐 Docker）

Flowise 提供多种部署方式，但对小白最友好的，一定是 Docker。它屏蔽了 Node.js 版本、pnpm 依赖、Python 环境等所有底层细节，一条命令搞定。

注意：本文所有操作均基于你已安装 Docker（含 docker-compose）且网络通畅。若尚未安装，请先参考文末附录的《Docker 快速安装指南》。

2.1 方式一：Docker 一键启动（推荐｜5 分钟完成）

这是最稳妥、最省心的方式。我们使用官方维护的 flowiseai/flowise 镜像，它已预装所有依赖，包括对 vLLM 的原生适配。

# 创建专属目录，避免污染
mkdir -p ~/flowise-app && cd ~/flowise-app

# 下载官方 docker-compose.yml（含完整配置）
curl -fsSL https://raw.githubusercontent.com/FlowiseAI/Flowise/main/docker/docker-compose.yml -o docker-compose.yml

# 编辑环境配置文件（关键！指定你的 vLLM 服务地址）
nano .env

将 .env 文件内容修改为以下（重点改 FLOWISE_BASE_URL 和 LLM_API_BASE_URL）：

# Flowise 服务自身访问地址（对外暴露）
FLOWISE_BASE_URL=http://localhost:3000

# 你的 vLLM 服务地址（必须与本机网络互通）
LLM_API_BASE_URL=http://host.docker.internal:8080/v1

# 可选：设置管理员账号（跳过登录页）
FLOWISE_USERNAME=kakajiang
FLOWISE_PASSWORD=KKJiang123

# 可选：启用 PostgreSQL 持久化（防止重启丢流程）
# DATABASE_TYPE=postgres
# DATABASE_URL=postgresql://user:pass@localhost:5432/flowise

小贴士：host.docker.internal 是 Docker Desktop 在 macOS/Windows 上的特殊域名，指向宿主机。Linux 用户需替换为宿主机真实 IP（如 192.168.1.100），或在 docker-compose.yml 的 extra_hosts 中添加映射。

保存后，执行启动：

# 启动服务（后台运行）
docker compose up -d

# 查看日志，确认是否成功（等待 1~2 分钟）
docker logs -f flowise-server

当看到类似 Server is running on http://localhost:3000 的日志，说明启动成功。打开浏览器访问 http://localhost:3000，输入账号 kakajiang / 密码 KKJiang123，即可进入可视化编辑界面。

2.2 方式二：源码本地构建（适合想深度定制者）

如果你希望修改源码、调试节点、或集成私有工具，可以走源码方式。本镜像已预装所需依赖（cmake、libopenblas），只需四步：

# 克隆仓库（已预置在 /app/Flowise）
cd /app
git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise

# 复制环境模板并配置（关键：指向你的 vLLM）
cp packages/server/.env.example packages/server/.env
nano packages/server/.env

在 .env 中设置：

# 必须项：vLLM 服务地址
LLM_API_BASE_URL=http://localhost:8080/v1

# 可选项：启用认证
FLOWISE_USERNAME=kakajiang
FLOWISE_PASSWORD=KKJiang123

然后构建并启动：

# 安装依赖（pnpm 已预装）
pnpm install

# 构建前端+后端
pnpm build

# 启动服务
pnpm start

等待控制台输出 Server is running on http://localhost:3000，即可访问。

对比建议：首次尝试强烈推荐 Docker 方式；熟悉后想加自定义节点，再切源码模式。两者配置逻辑完全一致，无缝切换。

3. 从零搭建第一个 RAG 应用：PDF 知识库问答（实操演示）

现在，我们来做一个最典型、最有价值的场景：把一份公司产品手册 PDF，变成一个随时可问的智能问答机器人。

整个过程分四步：准备文档 → 创建向量库 → 设计工作流 → 测试与导出。全部在网页界面中完成，无需写代码。

3.1 准备文档：上传你的 PDF（1 分钟）

• 登录 Flowise 后，点击左上角 "Manage Files"
• 点击 "Upload Files"，选择任意 PDF（如产品说明书、技术白皮书）
• 等待解析完成（右上角显示绿色 ✔），文档已存入系统

小技巧：Flowise 支持自动提取文本、识别表格、保留标题层级。你上传的 PDF 会变成结构化文本块，为后续检索打下基础。

3.2 创建向量库：让 AI “记住”你的知识（2 分钟）

• 点击顶部导航栏 "Vector Stores" → "Create New"
• 填写名称（如 product-manual-vectordb）
• 选择类型：Chroma（轻量、纯内存、适合测试；生产环境可选 Qdrant）
• 点击 "Create"

此时，向量库已创建，但还是空的。我们需要把刚上传的 PDF “灌”进去。

• 回到 "Manage Files"，找到你上传的 PDF，点击右侧 "Add to Vector Store"
• 在弹窗中，选择刚才创建的 product-manual-vectordb，点击 "Add"
• 等待进度条完成（通常 10~30 秒），表示文档已切片、向量化、存入数据库

3.3 拖拽设计工作流：三步连出问答机器人（3 分钟）

这才是 Flowise 的核心魅力。点击顶部 "Chatflows" → "Create New Chatflow"，开始画布操作：

第一步：拖入核心节点

• 从左侧 "Nodes" 栏，依次拖入：
  • Document Loader（选 "PDF Reader"）
  • Text Splitter（选 "RecursiveCharacterTextSplitter"，chunk_size=500）
  • Vector Store Retriever（选你刚创建的 product-manual-vectordb）
  • Prompt Template（双击编辑，输入：你是一个专业的产品顾问。请根据以下上下文回答用户问题，答案必须简洁、准确、基于文档内容。如果不确定，就说“暂无相关信息”。\n\n上下文：{context}\n\n问题：{question}）
  • LLM（选 "vLLM"，在配置中填入：API Base URL=http://localhost:8080/v1，Model Name=Qwen2-7B-Instruct，API Key 留空）

第二步：连线构建逻辑

• 用鼠标从 Document Loader 的输出箭头，拖到 Text Splitter 输入
• 从 Text Splitter 输出，拖到 Vector Store Retriever 输入
• 从 Vector Store Retriever 输出（retrievedDocs），拖到 Prompt Template 的 {context} 输入
• 从 Prompt Template 输出（formattedPrompt），拖到 LLM 的 prompt 输入
• 最后，LLM 的 output 连接到画布右上角的 "Output" 节点

第三步：保存并测试

• 点击右上角 "Save"，命名如 Product-QA-RAG
• 点击右上角 "Chat" 图标，打开聊天窗口
• 输入问题，例如：“产品支持的最大并发连接数是多少？”
  → 系统自动检索 PDF 相关段落，注入提示词，调用 vLLM 生成答案
  → 你会看到精准、带来源依据的回答

至此，一个完整的 RAG 应用已诞生。整个过程，你没写一行代码，没碰一个配置文件，只用了鼠标拖拽和点击。

3.4 进阶：添加条件分支，让机器人更聪明（可选）

Flowise 还支持逻辑控制。比如你想实现：

• 如果用户问的是价格，走“报价单”向量库
• 如果问的是技术参数，走“产品手册”向量库

只需：

• 拖入一个 Switch 节点
• 连接 LLM 的 output 到 Switch 的 input
• 在 Switch 配置中，设置规则：if question contains "价格" → go to price-db，else → go to manual-db
• 后续分别连接两个不同的 Vector Store Retriever

这就是真正的“AI 工作流”，不再是单一线性链。

4. 实战技巧与避坑指南：让 Flowise 稳如磐石

光会搭建还不够，实际用起来，你一定会遇到这些问题。以下是我们在上百次部署中总结的高频问题与解决方案。

4.1 常见报错与修复

现象	原因	解决方案
“Failed to fetch” / “Network Error”	Flowise 前端无法访问 vLLM 服务	检查 LLM_API_BASE_URL 是否正确；Docker 用户务必用 host.docker.internal（Mac/Win）或宿主机 IP（Linux）；确认 vLLM 服务已启动且监听 0.0.0.0:8080
“No documents found” 检索为空	PDF 解析失败或向量库未加载	重新上传 PDF；检查 Vector Store 页面是否显示文档数量 >0；尝试换用 UnstructuredLoader 节点
聊天窗口空白 / 无响应	Flowise 服务内存不足或 vLLM 超时	在 .env 中增加 NODE_OPTIONS=--max-old-space-size=4096；vLLM 启动时加 --max-num-seqs 16 --gpu-memory-utilization 0.9
中文乱码 / 回答不完整	Prompt 模板未指定语言或 vLLM tokenizer 不匹配	在 Prompt Template 中明确写“请用中文回答”；确认 vLLM 加载的是 Qwen2 或 Llama3-Chinese 等中文优化模型

4.2 性能优化三板斧

• 提速检索：在 Vector Store Retriever 节点中，将 k（返回文档数）从默认 4 降到 2，减少冗余上下文传输
• 精简提示词：删除 Prompt 中的冗余说明，只保留核心指令（如“用中文回答”“基于文档”），缩短 token 长度
• 启用流式输出：在 LLM 节点配置中勾选 Streaming，让回答逐字出现，提升交互感（需 vLLM 支持 --enable-streaming）

4.3 安全与生产建议

• 必设登录认证：.env 中务必配置 FLOWISE_USERNAME 和 FLOWISE_PASSWORD，避免知识库被未授权访问
• 禁用公开注册：在 packages/server/src/config/env.ts 中，将 ALLOWED_ORIGINS 设为内网 IP 或域名，禁止 *
• 持久化存储：生产环境务必启用 PostgreSQL（取消 .env 中 DATABASE_TYPE 注释），避免重启丢失所有流程和向量库
• 反向代理：用 Nginx 代理 http://localhost:3000 到 https://ai.yourcompany.com，启用 HTTPS 和基础鉴权

5. 超实用资源：模板、插件与下一步方向

Flowise 的强大，不仅在于“能做”，更在于“别人已经做好了什么”。

5.1 Marketplace 模板：100+ 场景，一键复用

访问 Flowise 界面右上角 "Templates"，你能找到：

• Docs Q&A：通用文档问答（适配 PDF/Word/Markdown）
• Web Scraper Agent：自动抓取网页内容并总结
• SQL Agent：用自然语言查询数据库（需配置 DB 连接）
• Email Summarizer：解析邮件内容，生成摘要
• Zapier Integration：与 5000+ SaaS 工具联动（如 Slack 通知、Notion 同步）

每个模板都可直接导入，修改其中的 LLM 或 Vector Store 节点，5 分钟适配你的业务。

5.2 插件生态：扩展你的 Flowise 边界

Flowise 支持社区插件，比如：

• flowise-llm-huggingface：直接加载 HuggingFace 上的任意模型
• flowise-tool-google-search：集成 Google 搜索作为实时工具
• flowise-tool-calculator：内置计算器，处理数学问题

安装方式统一：在 packages/server 目录下执行 pnpm add flowise-plugin-name，重启服务即可在节点栏看到新工具。

5.3 下一步，你可以做什么？

• 马上做：把你手头的一份 PDF、一份 Excel、一个网页链接，导入 Flowise，搭一个专属问答机器人
• 进阶做：用 Export as API 功能，把流程接入企业微信机器人，让同事直接 @ 机器人提问
• 深入做：研究 Custom Function Node，用 JavaScript 写一个调用内部 API 的节点，打通你的 CRM 或 ERP 系统
• 贡献做：把你的优秀工作流发布到 Marketplace，帮助更多人

Flowise 的终点，从来不是“搭建完成”，而是“应用开始”。

6. 总结：你已经掌握了 AI 应用的“图形化操作系统”

回顾这一路，我们做了什么？

• 你不再需要背诵 LangChain 的类名和方法，因为 Flowise 把它们变成了图标和连线；
• 你不再被 OpenAI 的 API Key 和账单困扰，因为 Flowise 天然拥抱本地模型，vLLM 就是你最顺手的引擎；
• 你不再纠结“RAG 怎么调参”，因为 Flowise 的可视化调试让你一眼看清：是文档没加载？是检索没命中？还是提示词没写好？

Flowise 的本质，是一个“AI 应用的图形化操作系统”。它降低的不是技术门槛，而是信任门槛——让你相信，大模型能力真的可以被普通人掌握、被业务快速验证、被团队轻松协作。

所以，别再观望了。现在就打开终端，敲下那条 docker compose up -d，然后走进那个蓝色界面，拖拽第一个节点。

当你第一次看到自己的 PDF 被精准回答时，那种“我做到了”的感觉，就是 AI 时代最真实的入场券。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。