开源精选 Flowise可视化低代码Agent开源

Flowise深度解析：拖拽式AI Agent构建器的开源标杆

如果说Dify是AI Agent的”macOS”——优雅但有一定学习曲线，那么Flowise就是”iOS”——拖拖拽拽，一个AI应用就出来了。

项目速览

维度详情
GitHubFlowiseAI/Flowise
Stars~43K
语言TypeScript
许可证Apache 2.0
定位开源低代码AI Agent构建器

核心体验：拖拽式Agent构建

一个简单的Agent流程

在Flowise中构建"智能客服Agent"的步骤：

1. 拖入 ChatOpenAI 节点 → 选择模型（如gpt-4-mini）
2. 拖入 Conversational Agent 节点
3. 拖入工具节点：
   - SerpAPI（搜索）
   - Read File（读文件）
   - Calculator（计算）
4. 拖入 Buffer Memory 节点（记忆能力）
5. 连线，保存，点击Chat测试

耗时：5分钟
代码量：0行

节点类型全景

Flowise 节点生态

LLM节点：
├── ChatOpenAI / OpenAI
├── ChatAnthropic
├── ChatGoogleGenerativeAI
├── ChatOllama（本地模型）
├── ChatMistralAI
└── 自定义LLM（兼容OpenAI API格式）

Agent节点：
├── Conversational Agent（对话型）
├── ReAct Agent（推理+行动）
├── Function Calling Agent
├── OpenAI Tool Agent
├── Plan and Execute Agent（先计划再执行）
└── Multi-Agent（多Agent协作）

工具节点：
├── 搜索：SerpAPI, Google Custom Search
├── 文件：Read/Write File
├── 数据：Calculator, CSV处理
├── 网络：HTTP Request, Web Scraper
├── 向量：向量存储（Pinecone, Chroma, Qdrant）
└── 自定义工具（写少量JS代码）

记忆节点：
├── Buffer Memory（滑动窗口）
├── Buffer Window Memory
├── Conversation Summary Memory
├── Vector Store Memory
└── Zep Memory（持久化记忆服务）

链节点：
├── LLM Chain
├── Conversation Chain
├── Retrieval QA Chain
├── SQL Chain
└── API Chain

实战：构建一个完整的AI应用

场景：构建”GitHub项目分析师”

Step 1: 创建知识检索管道

[Document Loader: Github Repo]
    ↓
[Text Splitter: Recursive Character]
    ↓
[Embeddings: OpenAI]
    ↓
[Vector Store: Pinecone]

Step 2: 创建对话Agent

[ChatOpenAI] ──→ [Conversational Agent]
                      ↓
          ┌───────────┼───────────┐
          ↓           ↓           ↓
    [Pinecone    [Calculator]  [SerpAPI]
     Retriever]                (联网搜索)
          ↓
    [Buffer Memory]

Step 3: 嵌入Web应用

<!-- Flowise生成的嵌入代码 -->
<script type="module">
  import Chatbot from "https://cdn.jsdelivr.net/npm/flowise-embed/web.js"
  Chatbot.init({
    chatflowid: "abc123",
    apiHost: "http://localhost:3000",
    theme: {
      primaryColor: "#6366f1",
      fontSize: "14px",
    }
  })
</script>

或通过API调用：

curl http://localhost:3000/api/v1/prediction/abc123 \
  -H "Content-Type: application/json" \
  -d '{"question": "这个项目的架构是怎样的？有哪些主要模块？"}'

Flowise vs Dify

维度FlowiseDify
上手难度⭐ 极低（拖拽）⭐⭐ 低
节点丰富度高（基于LangChain）中
RAG能力基础的强大的
生产就绪度中高
企业功能基础版完善（SSO/RBAC/审计）
自定义扩展自定义节点开发代码节点+插件
社区生态节点市场Prompt市场
最佳场景快速原型、个人项目企业级AI应用
UI美观度⭐⭐⭐⭐⭐⭐⭐⭐

自定义节点

Flowise的核心可扩展性来源：

// 创建自定义节点
const { INode, NodeConfig, NodeInput, NodeOutput } = require('flowise-components')

class CustomDataAnalyzer extends INode {
    // 节点配置（用户可调整的参数）
    config = {
        analysisType: new NodeConfig({
            type: 'options',
            options: ['summary', 'trend', 'anomaly', 'full'],
            default: 'summary',
            label: '分析类型'
        }),
        language: new NodeConfig({
            type: 'options',
            options: ['中文', 'English'],
            default: '中文',
            label: '输出语言'
        })
    }

    // 输入定义
    inputs = [
        new NodeInput('数据', 'json'),
        new NodeInput('分析提示', 'string')
    ]

    // 输出定义
    outputs = [
        new NodeOutput('分析结果', 'string'),
        new NodeOutput('图表数据', 'json')
    ]

    // 核心逻辑
    async run(nodeData, inputData) {
        const data = inputData['数据']
        const prompt = inputData['分析提示']

        // 调用LLM分析
        const analysis = await this.callLLM(`
            分析以下数据：${JSON.stringify(data)}
            分析类型：${this.config.analysisType}
            用${this.config.language}输出
            ${prompt ? `额外要求：${prompt}` : ''}
        `)

        return {
            '分析结果': analysis.text,
            '图表数据': analysis.charts
        }
    }
}

module.exports = { nodeClass: CustomDataAnalyzer }

部署选项

Flowise部署路径：

本地开发：
npx flowise start
→ http://localhost:3000

Docker部署：
docker run -d -p 3000:3000 flowiseai/flowise

云部署：
├── Railway（一键部署）
├── Render（免费层可用）
├── Replit（快速原型）
└── AWS/GCP/Azure（生产部署）

Flowise Cloud：
托管服务，$30/月起，免运维

最佳使用场景

✅ Flowise最适合：
├── 快速验证AI应用想法（5分钟出原型）
├── 个人和小团队使用
├── 教学和演示
├── 非技术人员构建AI工具
├── 内部小工具开发
└── 学习和理解LangChain概念

❌ 不适合：
├── 大规模企业部署（用Dify）
├── 复杂的自定义Agent逻辑（用LangChain）
├── 需要精细权限管理的场景
└── 高并发生产服务（需要额外优化）

Flowise是”降低AI开发门槛”理念的最佳体现。它把LangChain的复杂性包装在拖拽式界面里，让产品经理、数据分析师甚至非技术人员也能搭建自己的AI Agent。虽然企业级能力不如Dify，但它的极简体验让它成为”验证一个AI想法”的最快方式。如果你有一个AI应用的想法想快速试试——先别写代码，打开Flowise拖一拖。

GitHub: https://github.com/FlowiseAI/Flowise