📃 Flock（灵活的低代码协作智能体编排工具包）

简体中文 | English | 开始使用

[!NOTE]

🎉 最新动态 2025/8/2

• 全新 MCP 工具：新增对 Streamble HTTP MCP 工具的支持

### 🎉 最新动态 2025/5/9

• 智能体节点支持：新增专用智能体节点，实现智能体与工作流的无缝集成！主要特性：
  • 🧠 创建可自主推理、规划并执行任务的智能体
  • 🔄 支持多种智能体类型和架构
  • 🛠️ 轻松配置智能体工具及行为
  • 🔗 与其他工作流节点无缝对接

🎉 最新动态 2025/3/10

• MCP 工具支持：新增 MCP 节点，支持模型上下文协议（MCP）工具，实现与 MCP 服务器的无缝集成！主要特性：
  • 🛠️ 将 MCP 工具转换为 LangChain 工具，供 LangGraph 智能体使用
  • 📦 连接多个 MCP 服务器，并从中动态加载工具
  • 🔄 同时支持 stdio 和 SSE 传输模式，通信方式灵活
  • 🔗 与现有 LangChain 工作流无缝集成
  

🎉 最新动态 2025/2/25

• 参数提取节点：新增参数提取节点，可自动从文本中提取结构化信息，并以 JSON 格式输出！

🎉 最新动态 2025/1/21

• 子图节点支持：新增子图节点，允许您封装并复用完整的子工作流！

  • 📦 模块化：将复杂工作流封装为独立的子图节点
  • 🔄 可复用：在不同工作流中重复使用同一子图节点
  • 🎯 易于维护：可独立更新和维护子工作流逻辑

🎉 最新动态 2025/1/8

• 人工节点：新增人机协作节点，支持以下关键场景：
  • 🛠️ 工具调用审核：由人工审核、编辑或批准 LLM 请求的工具调用
  • ✅ LLM 输出验证：由人工审核、编辑或批准 LLM 生成的内容
  • 💡 提供上下文：允许 LLM 请求人工输入，以获取澄清或补充信息

🎉 最新动态 2024/12/23

• 多模态聊天支持：新增多模态聊天支持（目前仅支持图像模态，更多模态即将推出）！

🎉 最新动态 2024/12/18

• If-Else 节点：新增 If-Else 节点，用于支持工作流中的条件逻辑！该节点支持多种条件类型，包括包含、不包含、以…开头、以…结尾、等于、不等于、为空以及不为空。可通过 AND/OR 运算符组合多个条件，构建复杂的条件逻辑，从而根据您的数据创建精巧的分支工作流。

🎉 最新动态 2024/12/7

• 代码执行节点：为工作流添加 Python 代码执行功能！该节点允许您直接在工作流中编写并执行 Python 脚本，支持变量引用和动态数据转换。非常适合进行算术运算、数据处理、文本操作以及超出预设节点功能的自定义逻辑。

🎉 最新动态 2024/11/12

• 意图识别节点：新增意图识别节点，可根据预设类别自动识别用户输入意图，支持多分类路由！

  

• CrewAI 节点支持：现在您可以在工作流中利用 CrewAI 强大的多智能体能力！轻松创建复杂的智能体团队，并协调复杂的协作任务。

  

Flock 是一个基于工作流的低代码平台，用于快速构建聊天机器人、RAG 应用以及协调多智能体团队。它基于 LangChain 和 LangGraph 构建，为协作智能体提供灵活的低代码编排解决方案，支持聊天机器人、RAG 应用、智能体和多智能体系统，并具备离线运行能力。

🤖️ 概述

工作流程

节点类型与功能

Flock 的工作流系统由多种节点类型组成，每种节点都有其特定用途：

1. 输入节点：处理初始输入，并将其转换为工作流可处理的格式。
2. LLM 节点：利用大型语言模型进行文本生成和处理。
3. 检索节点：从知识库中获取相关信息。
4. 工具节点：执行特定任务或操作，扩展工作流的功能。
5. 检索工具节点：结合检索能力和工具功能。
6. 意图识别节点：根据预设类别自动识别用户输入意图，并路由到不同的处理流程。
7. 答案节点：生成最终答案或输出，整合之前节点的结果。
8. 子图节点：封装一个完整的子工作流，支持模块化设计。
9. 开始和结束节点：标记工作流的起点和终点。

未来计划新增的节点包括：

• 文件上传节点
• 参数提取节点

这些节点可以组合使用，构建强大且灵活的工作流，适用于各种复杂的业务需求和应用场景。

图像工具的使用

知识检索

人机协作（人工审批、让 LLM 重新思考或请求人工帮助）

受 StreetLamb 项目及其 tribe 项目的启发，Flock 借鉴了其中的许多方法和代码。在此基础上，Flock 还引入了一些新的功能和方向。

该项目的部分布局参考了 Lobe-chat、Dify 和 fastgpt。这些都是优秀的开源项目，感谢它们的贡献🙇‍。

👨‍💻 开发

项目技术栈：LangChain + LangGraph + React + Next.js + Chakra UI + PostgreSQL

💡 路线图

1 APP

• 聊天机器人
• SimpleRAG
• 层次化智能体
• 顺序式智能体
• 工作流
• 意图识别节点——自动识别用户输入意图并路由到不同处理流程
• CrewAI 集成
• 更多多智能体——正在进行中

2 模型

• OpenAI
• ZhipuAI
• Siliconflow
• Ollama
• Qwen
• Xinference
• 302.AI

3 其他

• 工具调用
• 多语言支持
• Langchain 模板

🏘️ 亮点

• 持久对话：保存并维护聊天记录，方便继续对话。
• 可观测性：通过 LangSmith 实时监控和跟踪智能体的性能和输出，确保其高效运行。
• 工具调用：使智能体能够使用外部工具和 API。
• 检索增强生成：使智能体能够结合内部知识库进行推理。
• 人机协作：在工具调用前需要人工审批。
• 开源模型：使用开源 LLM 模型，如 llama、Qwen 和 Glm。
• 多租户：管理和支持多个用户和团队。

如何开始

1. 使用 Docker Compose 部署

1.1 方法一：从 Docker Hub 拉取前端和后端镜像

# 克隆仓库
git clone https://github.com/Onelevenvy/flock.git

# 进入 docker 目录
cd flock/docker

# 复制环境配置文件
cp ../.env.example .env

# 启动 docker compose
docker compose up -d

# 访问前端
# 本地环境
http://localhost:4433

# 服务器环境
http://your_server_ip:4433

1.2 方法二：本地构建前端和后端镜像

# 克隆仓库
git clone https://github.com/Onelevenvy/flock.git

# 进入 docker 目录
cd flock/docker

# 复制环境配置文件
cp ../.env.example .env

# 首先构建前端和后端镜像
docker compose -f docker-compose.localbuild.yml build
# 然后启动 docker compose
docker compose -f docker-compose.localbuild.yml up -d

2. 从本地源码开始

2.1 准备工作

2.1.1 克隆代码

git clone https://github.com/Onelevenvy/flock.git

2.1.2 复制环境配置文件

cp .env.example .env
# 根据需要修改 .env 文件中的环境变量

2.1.3 生成密钥

.env 文件中的一些环境变量默认值设置为 'changethis'，您必须将其更改为安全的密钥。要生成密钥，可以运行以下命令：

python -c "import secrets; print(secrets.token_urlsafe(32))"

复制输出并将其用作密码/密钥。再次运行该命令以生成另一个安全密钥。

2.1.4 安装 postgres、qdrant、redis

cd docker
docker compose --env-file ../.env up -d

2.2 运行后端

2.2.1 安装基础环境

服务器启动需要 Python 3.12.x。建议使用 pyenv 快速安装 Python 环境。

要安装其他 Python 版本，使用 pyenv install：

pyenv install 3.12

要切换到 "3.12" 的 Python 环境，使用以下命令：

pyenv global 3.12

按照以下步骤操作： 进入 "backend" 目录：

cd backend

激活环境：

uv sync --python 3.12  

2.2.2 初始化数据

# 迁移数据库
alembic upgrade head

2.2.3 运行 unicorn

uvicorn app.main:app --reload --log-level debug

2.2.4 运行 celery（除非您想使用 rag 功能，否则不需要）

poetry run celery -A app.core.celery_app.celery_app worker --loglevel=debug

2.3 运行前端

2.3.1 进入 web 目录并安装依赖

cd web
pnpm install

2.3.2 启动 web 服务

cd web
pnpm dev

# 或 pnpm build 然后 pnpm start

星级历史

Flock 快速上手指南

Flock 是一个基于工作流的低代码平台，用于快速构建聊天机器人、RAG 应用及协调多智能体团队。它基于 LangChain 和 LangGraph 构建，支持离线运行。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux, macOS 或 Windows (需安装 WSL2)
• Docker & Docker Compose: 用于部署数据库和中间件（推荐方式）
• Python: 版本需为 3.12.x
  • 推荐使用 pyenv 管理 Python 版本：

    pyenv install 3.12
    pyenv global 3.12
    

• 包管理工具:
  • uv: 用于后端依赖管理（推荐）
  • git: 代码克隆
• 中间件服务 (若不使用 Docker Compose 一键启动，需单独安装):
  • PostgreSQL
  • Qdrant (向量数据库)
  • Redis

2. 安装步骤

您可以选择 Docker Compose 部署（推荐，最简单）或 本地源码运行。

方案 A：使用 Docker Compose 部署（推荐）

此方法会自动拉取镜像并启动前后端及所有依赖服务。

1. 克隆项目

   git clone https://github.com/Onelevenvy/flock.git
   cd flock/docker
   

2. 配置环境变量

   cp ../.env.example .env
   

   注意：请编辑 .env 文件，将默认值为 changethis 的密钥替换为生成的安全密钥。 生成密钥命令：

   python -c "import secrets; print(secrets.token_urlsafe(32))"
   

3. 启动服务

   • 方法一：直接拉取镜像启动

     docker compose up -d
     

   • 方法二：本地构建镜像启动（如需修改代码或网络无法拉取镜像时）

     docker compose -f docker-compose.localbuild.yml build
     docker compose -f docker-compose.localbuild.yml up -d
     

4. 访问应用

   • 本地环境：http://localhost:4433
   • 服务器环境：http://your_server_ip:4433

---

方案 B：本地源码运行（开发者模式）

如果您需要调试代码或进行二次开发，请按以下步骤操作。

1. 克隆代码与配置

   git clone https://github.com/Onelevenvy/flock.git
   cd flock
   cp .env.example .env
   # 请手动编辑 .env 文件，替换所有 'changethis' 为生成的安全密钥
   

2. 启动基础依赖服务 (Postgres, Qdrant, Redis)

   cd docker
   docker compose --env-file ../.env up -d
   cd ..
   

3. 安装后端环境 进入后端目录并使用 uv 同步依赖：

   cd backend
   uv sync --python 3.12
   

   注：确保当前 Python 版本已切换至 3.12 (pyenv global 3.12)。

4. 启动后端服务 （激活虚拟环境后运行，具体启动命令参考项目后续文档，通常为类似 uv run ... 的命令）

5. 安装前端环境 （进入前端目录，使用 npm/pnpm/yarn 安装依赖并启动，具体参考前端目录下的 README）

3. 基本使用

安装完成后，您可以通过浏览器访问界面进行零代码/低代码开发。

核心功能概览

Flock 通过拖拽不同类型的节点 (Nodes) 来构建工作流：

• Input/Start/End Node: 流程的输入、开始与结束标记。
• LLM Node: 调用大模型进行文本生成或处理。
• Retrieval Node: 从知识库检索相关信息（支持 RAG）。
• Tool Node: 执行特定工具或 API 调用。
• Intent Recognition Node: 自动识别用户意图并路由到不同分支。
• Human Node: 引入人工介入（审核工具调用、批准输出或提供上下文）。
• Subgraph Node: 封装子工作流，实现模块化复用。
• Code Node: 直接执行 Python 代码进行数据处理。
• Agent Node: 创建具备推理、规划和执行能力的自主智能体。

快速创建一个简单工作流

1. 登录系统：访问 http://localhost:4433。
2. 创建应用：点击新建应用，选择 "Workflow" 类型。
3. 编排流程：
   • 从左侧组件栏拖入一个 Input Node 作为起点。
   • 连接一个 LLM Node，配置模型（支持 OpenAI, ZhipuAI, Ollama, Qwen 等）。
   • (可选) 添加 Retrieval Node 挂载知识库，实现问答增强。
   • 连接 Answer Node 输出最终结果。
4. 调试与发布：
   • 点击右上角“运行”或“测试”，输入问题查看链路执行结果。
   • 确认无误后发布应用，即可通过 API 或嵌入页面使用。

高级特性示例

• 多智能体协作：添加 CrewAI Node 或 Agent Node，配置多个角色协同完成任务。
• 条件分支：使用 If-Else Node，根据变量内容（如包含、等于、为空等）决定流程走向。
• 人工审核：在敏感操作前插入 Human Node，暂停流程等待用户确认后再继续执行。