Flowise
通过可视化方式构建 AI 智能体与模型编排。
Flowise 用可视化节点构建 AI 智能体与模型流程，可把输入、模型、工具和条件连接成应用，并在云端或自建环境中运行。
Flowise 能做什么
现行 Agentflow V2 强调可明确控制的流程编排：Start 接收输入并初始化状态，后续节点执行模型或其他操作。画布连通只是开始，还需检查节点字段、模型凭证及每条分支的输出。
在画布组织模型与工具
以节点和连线表达输入、模型和后续处理，便于观察一个任务经过哪些环节。根据需要选用 Chatflow 或 Agentflow 路线，不把不同流程的配置直接照搬。
用 Start 明确输入与状态
Agentflow V2 的 Start 节点可接收聊天输入或表单输入，并初始化 Flow State。对固定字段任务，可先定义输入结构，再传给后续节点。
在流程中执行明确模型任务
LLM 节点根据消息与上下文生成、摘要、分析或进行结构化提取。把所需输出格式写清，并用样例检查是否能被后续节点使用。
选择云端或自托管路线
可使用 Flowise Cloud，或在满足 NodeJS 条件的机器中安装并启动，也有 Docker 路线。自建部署提供环境控制，同时要承担数据备份和更新。
- 核心用途
- 可视化节点、智能体与流程状态
- 可完成的工作
- 资料问答、分类处理、工具任务
- 如何开始
- Cloud 或本地启动后建流程
- 使用条件
- 自托管需维护实例、数据库与更新
如何使用 Flowise
- 确定托管方式
缺乏服务器维护经验可按官方建议选择 Cloud；自建则先确认受支持的 NodeJS 或 Docker 环境。
- 安装并打开编辑器
本地 npm 安装 Flowise 后运行 npx flowise start，按官方默认入口打开 3000 端口页面。具体版本依安装说明选择。
- 建立最小节点流程
选择合适流程类型，在 Agentflow V2 中先配置 Start 的输入方式与状态，再连接需要的模型节点和输出处理。
- 检查状态与结果后扩展
逐项核对节点收到的数据和返回结构，再增加条件、工具或其他处理；上线前安排凭证、备份和更新维护。
把输入整理为结构化结果
适合：运营与开发协作人员
- 准备输入
- 明确字段的表单与提取规则
- 操作方法
- 编辑建议：用 Start 表单输入连接 LLM，先处理少量样例再交给后续步骤。
- 预期交付物
- 符合约定字段的结果
- 人工检查
- 检查缺值、异常值和格式是否能被下游读取。
搭建有固定处理路线的问答
适合：内部工具开发者
- 准备输入
- 问题、模型配置和回答规则
- 操作方法
- 编辑建议：先打通输入到模型再到输出的最小流程，逐步加入资料和工具。
- 预期交付物
- 可测试的问答原型
- 人工检查
- 检查每个节点输入与最终回答是否对应。
在团队环境评估 AI 流程
适合：具备运维能力的技术团队
- 准备输入
- 运行环境、模型端点与测试流程
- 操作方法
- 编辑建议：先本地运行并备份配置，再评估云端或自建部署。
- 预期交付物
- 可复现的流程运行环境
- 人工检查
- 检查重启后数据、凭证和流程是否保留。
界面与参考图片
开始前需要了解
自建运行并非免维护
官方明确提醒自托管需要实例设置、数据库备份和持续更新能力；只在本机打开页面不等于完成团队部署。
节点功能依赖实际配置
LLM 节点需要可用模型与正确消息配置，状态字段需在流程中一致传递；连线正确不等于模型结果满足下一步格式。
安装路线和版本需匹配
本地 npm、Docker 和源码开发是不同路线，依赖与启动步骤不同。选择固定路线，升级前保留数据与配置。
自托管需维护实例、数据库与更新
账号权限、费用与可用功能请以官方入口的当前说明为准。重要结果应先检查，再用于实际工作。
常见问题
必须自己部署服务器吗？
不必。官方提供 Cloud 路线；自行部署适合愿意管理实例、数据和更新的用户。
Agentflow V2 能接收表单字段吗？
可以，Start 节点支持表单输入，也支持聊天输入，按任务选择。
为什么模型输出不能传给下个节点？
检查预期字段和实际输出格式，以及 Flow State 的设置；需要结构化提取时先用固定样例验证。
本地默认从哪里打开？
官方 npm 快速入门启动后使用本机 3000 端口；更改配置或采用其他部署路线时以实际设置为准。
