Flowise

Flowise 是一款开源平台，通过基于节点的可视化界面构建 AI 智能体和由 LLM 驱动的应用程序。该平台由工程师 Henry Heng 和 Chung Yau Ong 创立，2023 年获得 Y Combinator 支持，并于 2025 年 8 月被 Workday 收购。它将 LangChain 和向量存储集成的复杂性封装在一个几乎不需要编写代码的拖拽式画布中。它解决的核心问题是：将一个 LLM 构想转化为可运行的聊天机器人、RAG 流水线或多智能体系统的时间从数周缩短至数小时。

该平台提供三种复杂度递增的构建模式。Assistant 模式开箱即用，可处理具备工具调用和检索功能的单智能体聊天机器人。Chatflow 模式让用户完全掌控 LangChain 链的构建和提示词工程。Agentflow 模式则为生产级智能体系统增加了分支、循环和多智能体路由功能。Flowise 连接了 100 多种 LLM（OpenAI、Anthropic、Mistral 以及通过 Ollama 运行的本地模型）、100 多种向量数据库和嵌入模型，并通过 REST API、TypeScript/Python SDK 以及可嵌入的聊天小组件对外提供所有功能。其代码库拥有 52,300 颗 GitHub 星标，并采用 Apache 2.0 协议发布，这意味着自托管是完全免费的。

截至 2026 年 4 月 Flowise 的实际功能

版本 3.1.2（2026 年 4 月 14 日发布）是当前的稳定版本。v3.x 系列引入了 Agentflow，这是一个基于图的多智能体层，其中每个节点都可以是一个子智能体、一个决策分支、一个循环或一次工具调用。这取代了旧的纯线性链模型，使 Flowise 更接近生产级编排水平。

典型的构建过程从画布开始：拖入一个 LLM 节点（选择您的模型和 API 密钥）、一个向量存储节点（Pinecone、Chroma、Weaviate、pgvector 等）、一个文档加载器、一个嵌入模型和一个聊天界面。将它们连接起来，您就得到了一个文档问答助手，可以直接在内置的聊天面板中进行测试，原型设计无需任何部署。对于更复杂的工作流，AgentFlow 允许您定义监督智能体，将任务路由给工作智能体，并在执行特定操作前设置人在回路（human-in-the-loop）的检查点。

在 v2.x 和 v3.x 中引入的企业级功能包括基于角色的访问控制（RBAC）、SSO、速率限制、审计日志、包含 Token 用量和耗时数据的完整执行追踪，以及对 Prometheus/OpenTelemetry 的支持。自托管方案依然遵循 Apache 2.0 协议且免费，可部署在 AWS、Azure、GCP、DigitalOcean、Railway 或任何 Docker 主机上。

"我构建 AI 智能体的速度比从头编写代码快 5-10 倍。" - nova_gg, DEV Community, 2026

Flowise 与 LangFlow 和 n8n 的定位对比

最常见的两个比较对象是 LangFlow（Python 原生的同类产品）和 n8n（更广泛的自动化平台）。它们之间的差异是架构层面的，而不仅仅是表面上的。

Flowise vs. LangFlow（由 DataStax/IBM 支持）：LangFlow 是 Python 原生的。LangFlow 中的每个组件都可以打开、修改并导出为原始 Python 代码。已经在使用 Python 的团队可以将 LangFlow 放入现有代码库中进行扩展，而无需具备 Node.js 知识。LangFlow 还原生支持 MCP（模型上下文协议）服务器/客户端，并集成了 LangSmith 和 LangFuse 以实现可观测性。Flowise 基于 Node.js/TypeScript 构建，拥有更广泛的模板市场覆盖率，其三层构建模式为非开发者提供了平缓的学习曲线。它在平台层面包含了 RBAC、SSO 和审计日志，而 LangFlow 则将这些功能委托给云基础设施。DataStax 的支持意味着 LangFlow 的云服务将 AstraDB 作为一等向量存储，并提供更好的企业级 SLA。Flowise 的云服务更轻量，但足以满足大多数小团队的用例。

Flowise vs. n8n：n8n 是一个通用自动化平台，拥有 400 多个预置节点，涵盖 Slack、Salesforce、Stripe、Jira 以及数百种其他 SaaS 产品。Flowise 拥有大约 100 多个节点，几乎全部是专门针对 LLM、向量存储和嵌入的。它们的数据模型有着根本的区别：n8n 在节点之间传递结构化的 JSON；Flowise 传递对话上下文、嵌入和 LLM 聊天历史。当 AI 智能体的输出需要触发 CRM 更新、发送 Slack 消息或创建工单时，n8n 是合适的工具，或者采用 Flowise 加 n8n 的混合方案，由 Flowise 处理 LLM 推理，n8n 处理下游集成。对于纯粹的 RAG 流水线、多智能体文档处理或对话管理，Flowise 处理 LLM 原生原语的方式比 n8n 单一的 LangChain 包装节点更干净利落。

"让 AI 智能体开发变得可靠且易于上手是一项重大的技术挑战。通过将 Flowise 引入 Workday 并投资其开源基础，我们正在赋能我们的客户和合作伙伴在 Workday 上构建和部署他们自己的 AI 智能体。" - Peter Bailis, Workday CTO, 2025 年 8 月 14 日

日常构建的真实体验

使用 Flowise 的第一个小时确实非常顺畅。在不到一小时内就能实现一个连接本地文档且可运行的聊天机器人：创建一个工作流，添加 PDF 加载器、嵌入节点、向量存储、检索链和聊天小组件，然后粘贴 API 密钥即可。对于演示和内部原型设计来说，这种速度是真实且意义重大的。

随着工作流的增长，阻力也会随之增加。一旦工作流包含 20 多个节点以及分支路由和子智能体，节点图就会变得难以阅读。画布内没有原生的工作流差异对比（diffing）或版本控制。调试依赖于执行追踪和日志，而不是断点或单步调试工具。错误消息会暴露 Node.js 堆栈追踪和 LangChain 内部信息，这对于没有开发背景的用户来说，违背了无代码的承诺。

在规模化运行复杂工作流时，性能会下降。在生产级流量水平下，多次向量存储查找结合连续的工具调用会导致托管云计划出现超时。配置了充足基础设施的自托管用户可以避免这种情况，但这增加了运营开销，而“无代码”的宣传往往淡化了这一点。

在整个 2025 年到 2026 年期间，文档质量一直是被抱怨的焦点。重大版本发布后，屏幕截图就会过时，文档中的代码示例偶尔会引用已弃用的 API，而社区 Discord 仍然是获取当前故障排除方案最可靠的来源。

Flowise 适合哪些人群

Flowise 适合那些需要将 LLM 构想在几天（而不是几个月）内转化为可运行内部工具的团队。它非常适合：希望在不构建完整后端的情况下进行原型设计并发布基于 RAG 的聊天机器人的开发者；需要领域专家（非工程师）参与塑造提示词和工作流逻辑的小型团队；对数据主权有强烈要求，希望在开源许可下完全自托管 AI 工作流的组织；以及为每个客户项目快速构建定制 AI 工具的咨询或专业服务公司。

2025 年 8 月 Workday 的收购增加了一个特定的企业用例：人力资源和财务团队最终将获得直接嵌入在 Workday 产品中的基于 Flowise 的智能体构建功能。这是未来的路线图项目，但它发出了一个信号，即该平台将获得持续的投资和企业级强化。

Flowise 不适合哪些场景

对于需要与广泛的 SaaS 生态系统紧密集成的团队来说，Flowise 不应是默认选择。如果智能体工作流涉及更新 CRM、触发 Slack 通知、处理电子商务 Webhook 以及查询多个业务 API，那么 n8n 或类似 Zapier 的工具能更好地处理这些层面。

对于无法对自托管软件保持严格补丁管理的组织来说，Flowise 也不是一个安全的默认选择。截至 2026 年 4 月，该平台已记录了三个确认在野外被利用的 CVE 漏洞：CVE-2025-26319（CVSS 8.9，任意文件上传）、CVE-2025-8943（CVSS 9.8，操作系统命令 RCE）和 CVE-2025-59528（CVSS 10.0，通过 CustomMCP 节点进行代码注入，允许未经身份验证的 RCE）。这个 CVSS 10.0 漏洞已在 2025 年 9 月的 3.0.6 版本中修复，但截至 2026 年 4 月 7 日仍被积极利用，导致超过 12,000 个面向互联网的实例面临系统被完全攻陷的风险。安全团队应将自托管的 Flowise 视为关键基础设施，需要及时打补丁并实施网络访问控制。

希望阅读、修改和导出框架代码的 Python 优先工程团队会发现 LangFlow 的架构更加自然。而构建超大容量推理流水线的团队可能会发现，与直接的 API 集成相比，可视化抽象层增加了延迟开销。