### [Flowise：可视化构建AI智能体的低代码平台，54K+Stars让AI Agent开发变得简单](https://www.willai.cc/article/3042)

**Published:** 2026-07-01T05:54:37

**Author:** hiyoho

**Excerpt:** 📦 项目简介 Flowise 是一款可视化构建 AI 智能体的低代码平台，让你通过拖拽节点的方式组装 AI Agent 工作流，无需编写代码即可串联大模型、知识库和外部工具。基于 LangChain 生态构建，支持几乎所有主流 LLM，是构

## 📦 项目简介

Flowise 是一款**可视化构建 AI 智能体**的低代码平台，让你通过拖拽节点的方式组装 AI Agent 工作流，无需编写代码即可串联大模型、知识库和外部工具。基于 LangChain 生态构建，支持几乎所有主流 LLM，是构建 RAG 应用和 AI 自动化工作流的首选工具之一。

54K+

GitHub Stars

24K+

Forks

v3.1.3

最新版本

TypeScript

语言

## ⚙️ 安装要求和过程

### 环境要求

-   Node.js ≥ 20.0.0（推荐 v20.20.2）
-   PNPM（可选，用于本地开发）
-   Docker（可选，用于容器化部署）

### 方式一：全局安装（最简单）

```
# 安装 Flowise
npm install -g flowise

# 启动服务
npx flowise start

# 访问地址
http://localhost:3000
```

### 方式二：Docker 部署

```
# 克隆项目
git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise/docker

# 配置环境变量
cp .env.example .env

# 启动容器
docker compose up -d
```

### 方式三：本地开发

```
# 安装 PNPM
npm i -g pnpm

# 克隆仓库
git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise

# 安装依赖
pnpm install

# 构建项目
pnpm build

# 启动开发服务器
pnpm dev
```

⚠️ 如果构建时出现内存溢出，运行 `export NODE_OPTIONS="--max-old-space-size=4096"` 后重试

## ✨ 核心功能

### 🎨 可视化工作流编排

通过拖拽节点、连线的可视化方式组装 AI Agent，支持 AgentFlow V2（迭代节点、条件节点、HTTP节点），无需编写代码即可构建复杂 AI 工作流。支持导出/导入工作流，方便分享与协作。

### 🤖 多模型支持

支持 OpenAI、Claude、Gemini、HuggingFace、Ollama 等几乎所有主流 LLM，同时支持 AWS Bedrock 全模型目录和自定义模型接入。Mistral AI FunctionAgent 支持工具调用流式输出。

### 📚 知识库与 RAG

原生支持向量存储和嵌入模型接入，可给 Agent 添加知识库，实现 RAG（检索增强生成）。支持多种向量数据库（Pinecone、Weaviate、Qdrant、Chroma 等）。

### 🔌 MCP 协议支持

支持 Model Context Protocol (MCP)，可接入各种 MCP 服务器，扩展 Agent 能力。同时支持自定义工具集成，真正实现对外部系统的无缝对接。

### 🔐 细粒度权限控制

API 密钥支持细粒度权限控制，可按用户权限限定 API 密钥权限范围。支持用户名密码认证，凭证字段类型安全优化，避免敏感信息泄露。

## 🚀 典型使用场景

### 场景一：构建企业知识库聊天机器人

上传企业文档（PDF、Word、Markdown等），Flowise 自动解析并建立向量索引。通过可视化界面组装”文档加载 → 文本分割 → 向量存储 → 检索 → LLM 生成”的完整 RAG 链路，一键部署为聊天接口，嵌入企业微信/官网/APP。

### 场景二：AI 工作流自动化

利用 AgentFlow V2 的迭代节点和条件节点，构建复杂的 AI 自动化工作流。例如：自动抓取网页内容 → 用 LLM 提取关键信息 → 判断内容类型 → 分别存储到不同数据库 → 发送通知。整个流程可视化编排，支持人工审核节点。

### 场景三：多模型对比与路由

在同一个工作流中接入多个 LLM，通过条件节点实现智能路由（简单问题用 GPT-3.5，复杂推理用 Claude Opus），或对同一个 Prompt 并行调用多个模型，对比输出质量后选择最佳答案。

## 💡 推荐理由

-   **低代码、零门槛：**可视化拖拽编排，产品/运营同学也能上手，不再依赖专业开发者
-   **LangChain 生态加持：**基于 LangChain 构建，享受其丰富的组件和工具生态，同时弥补了 LangChain 代码复杂的短板
-   **活跃社区：**54K+ Stars，3600+ Commits，频繁更新（最近一次提交 2026-06-30），社区支持完善
-   **多部署方式：**支持本地部署、Docker、Railway、Render、HuggingFace Spaces、Sealos 等一键部署，满足不同场景需求
-   **开放协议：**Apache-2.0 许可，可完全自托管，数据不出内网，满足企业合规要求

## 📥 下载地址

-   🐙 **GitHub：**[github.com/FlowiseAI/Flowise](https://github.com/FlowiseAI/Flowise)
-   🌐 **官方网站：**[flowiseai.com](https://flowiseai.com)
-   📚 **官方文档：**[docs.flowiseai.com](https://docs.flowiseai.com)
-   ☁️ **Flowise Cloud：**[flowiseai.com](https://flowiseai.com)（官方托管服务，免部署即用）
-   💬 **Discord 社区：**[discord.gg/jbaHfsRVBW](https://discord.gg/jbaHfsRVBW)

● ● ●

📌 本文由自动化任务定时发布 | 数据来源：GitHub API | 更新时间：2026-07-01

🔗 项目 GitHub: [github.com/FlowiseAI/Flowise](https://github.com/FlowiseAI/Flowise)

**Tags:** AI, AI Agent, AI开源项目, AI框架, Flowise, LangChain, LLM, Low-Code, No-Code, RAG

**Categories:** 开源项目

---