Flowise

GitHub
51.7k 24.1k 简单 1 次阅读 今天NOASSERTION语言模型开发框架Agent
AI 解读 由 AI 自动生成,仅供参考

Flowise 是一款开源的可视化 AI 应用构建平台,旨在让用户通过拖拽式界面轻松创建复杂的 AI 智能体(Agents)和工作流。它解决了传统 AI 开发中编码门槛高、流程调试困难的问题,将原本需要编写大量代码才能实现的逻辑编排,转化为直观的图形化操作。

无论是希望快速验证想法的产品经理、缺乏深厚编程背景的研究人员,还是希望提升原型的效率的开发者,都能通过 Flowise 高效地组合大语言模型、向量数据库及各种第三方工具。其核心亮点在于基于节点的架构设计,用户只需在画布上连接不同的功能模块,即可灵活定制从简单问答到多步骤自主代理的各种应用场景。此外,Flowise 支持本地部署与 Docker 容器化运行,既保障了数据隐私安全,又提供了丰富的 API 接口以便集成到现有系统中。作为一个单仓库管理的模块化项目,它还拥有活跃的社区支持和详尽的文档,帮助用户低成本地探索和实践前沿的 AI 技术。

使用场景

某电商初创团队的技术负责人急需为客服部门搭建一个能自动回答商品库存、物流状态及退换货政策的智能助手,以应对日益增长的咨询量。

没有 Flowise 时

  • 开发人员必须手动编写大量 Python 或 Node.js 代码来串联大模型 API、向量数据库和业务系统接口,开发周期长达数周。
  • 每次调整对话逻辑(如修改提示词或增加新的判断条件)都需要重新部署代码,非技术人员无法参与优化过程。
  • 难以直观地追踪用户提问在各个环节的处理流程,出现错误时排查链路复杂,调试效率极低。
  • 集成第三方工具(如 Slack、Notion 或内部 ERP)需要单独研究各平台 SDK,重复造轮子现象严重。

使用 Flowise 后

  • 通过拖拽式界面即可将 LLM 节点、文档加载器和自定义工具连接成工作流,将原本数周的开发时间缩短至几小时。
  • 产品经理可直接在画布上调整提示词模板和逻辑分支,实时预览效果并立即生效,无需等待开发排期。
  • 可视化的流程图清晰展示了数据流向,支持单步测试和详细日志查看,快速定位并修复逻辑漏洞。
  • 内置丰富的预制组件库,一键配置即可连接主流数据库和外部 API,大幅降低了系统集成的技术门槛。

Flowise 让非代码背景的团队成员也能深度参与 AI 应用构建,将复杂的代理开发转变为直观的可视化协作流程。

运行环境要求

操作系统
  • Linux
  • macOS
  • Windows
GPU

未说明

内存

未说明 (构建时若遇内存溢出错误,建议设置 Node.js 堆大小至少为 4GB)

依赖
notes该工具基于 Node.js 运行,无需 Python 环境。普通安装使用 npm,开发者模式推荐使用 pnpm。若在构建过程中遇到 'JavaScript heap out of memory' (退出代码 134) 错误,需将 NODE_OPTIONS 中的 max-old-space-size 设置为 4096 或更高。支持通过 Docker、Docker Compose 或直接部署在 AWS、Azure、GCP 等云平台上进行自托管。
python不需要
NodeJS>=18.15.0
PNPM
React
Express
Swagger-ui
Flowise hero image

快速开始

以可视化方式构建 AI 助手

📚 目录

⚡快速入门

下载并安装 NodeJS >= 18.15.0

  1. 安装 Flowise

    npm install -g flowise
    
  2. 启动 Flowise

    npx flowise start
    
  3. 打开 http://localhost:3000

🐳 Docker

Docker Compose

  1. 克隆 Flowise 项目
  2. 进入项目根目录下的 docker 文件夹
  3. 复制 .env.example 文件,粘贴到同一位置并重命名为 .env
  4. docker compose up -d
  5. 打开 http://localhost:3000
  6. 可以通过 docker compose stop 停止容器

Docker 镜像

  1. 在本地构建镜像:

    docker build --no-cache -t flowise .
    
  2. 运行镜像:

    docker run -d --name flowise -p 3000:3000 flowise
    
  3. 停止镜像:

    docker stop flowise
    

👨‍💻 开发者

Flowise 在一个单一的 monorepo 中包含 3 个不同的模块。

  • server: 提供 API 逻辑的 Node.js 后端
  • ui: React 前端
  • components: 第三方节点集成
  • api-documentation: 由 express 自动生成的 swagger-ui API 文档

前提条件

  • 安装 PNPM
    npm i -g pnpm
    

设置

  1. 克隆仓库:

    git clone https://github.com/FlowiseAI/Flowise.git
    
  2. 进入仓库文件夹:

    cd Flowise
    
  3. 安装所有模块的所有依赖项:

    pnpm install
    
  4. 构建所有代码:

    pnpm build
    
    退出码 134(JavaScript 堆内存不足) 如果在运行上述 `build` 脚本时遇到此错误,请尝试增加 Node.js 的堆大小并再次运行脚本:
    # macOS / Linux / Git Bash
    export NODE_OPTIONS="--max-old-space-size=4096"
    
    # Windows PowerShell
    $env:NODE_OPTIONS="--max-old-space-size=4096"
    
    # Windows CMD
    set NODE_OPTIONS=--max-old-space-size=4096
    

    然后再次运行:

    pnpm build
    
  5. 启动应用:

    pnpm start
    

    现在您可以在 http://localhost:3000 访问该应用

  6. 对于开发构建:

    • packages/ui 中创建 .env 文件,并指定 VITE_PORT(参考 .env.example

    • packages/server 中创建 .env 文件,并指定 PORT(参考 .env.example

    • 运行:

      pnpm dev
      

    任何代码更改都会自动重新加载位于 http://localhost:8080 的应用

🌱 环境变量

Flowise 支持不同的环境变量来配置您的实例。您可以在 packages/server 文件夹内的 .env 文件中指定以下变量。更多信息请参阅 这里

📖 文档

您可以在这里查看 Flowise 文档 https://docs.flowiseai.com/

🌐 自托管

将 Flowise 自托管部署到您现有的基础设施中,我们支持多种 部署方式

☁️ Flowise Cloud

开始使用 Flowise Cloud

🙋 支持

欢迎在讨论区中提出任何问题、反馈问题或请求新功能。

🙌 贡献

感谢以下优秀的贡献者:



请参阅贡献指南。如果您有任何疑问或遇到问题,请通过Discord与我们联系。

星级历史图表

📄 许可证

本仓库中的源代码根据Apache许可证2.0版提供。

版本历史

flowise@3.1.12026/03/23
flowise@3.1.02026/03/16
flowise@3.0.132026/02/03
flowise@3.0.122025/12/05
flowise@3.0.112025/11/16
flowise@3.0.102025/11/06
flowise@3.0.82025/10/08
flowise@3.0.72025/09/15
flowise@3.0.62025/09/15
flowise@3.0.52025/08/11
flowise@3.0.42025/07/11
flowise@3.0.32025/06/27
flowise@3.0.22025/06/12
flowise@3.0.12025/05/29
flowise@3.0.02025/05/15
flowise@2.2.82025/04/28
flowise@2.2.7-patch.12025/03/14
flowise@2.2.72025/03/11
flowise@2.2.6-hotfix.12025/02/28
flowise@2.2.62025/02/28

常见问题

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

349.3k|★★★☆☆|2天前
Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|3天前
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

145.9k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

108.1k|★★☆☆☆|今天
开发框架图像Agent

markitdown

MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器

93.4k|★★☆☆☆|2天前
插件开发框架

LLMs-from-scratch

LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备

90.1k|★★★☆☆|2天前
语言模型图像Agent