使用 Flowise 透過拖放介面快速建構 LLM 應用、Chatbot、AI Agent，無需編寫程式碼 專案簡介 Flowise 是一個開源的低程式碼平台，讓你透過視覺化介面建構 AI 應用。支援 LangChain 和 LlamaIndex，可快速部署 Chatbot、RAG 系統和 AI Agent。
GitHub Stars : 48K+
主要功能 視覺化建構 - 拖放元件設計流程LangChain 整合 - 完整元件支援API 部署 - 一鍵產生 API多模型 - OpenAI、Anthropic、本地模型記憶功能 - 對話歷史管理安裝 npm 安裝 1
2
npm install -g flowise
flowise start
Docker 部署 1
2
3
docker run -d -p 3000:3000 \
\
訪問 http://localhost:3000
Docker Compose 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
version : '3.8'
services :
flowise :
image : flowiseai/flowise
ports :
- "3000:3000"
environment :
- FLOWISE_USERNAME=admin
- FLOWISE_PASSWORD=password
- DATABASE_PATH=/root/.flowise
- APIKEY_PATH=/root/.flowise
volumes :
- flowise-data:/root/.flowise
volumes :
flowise-data :
基本操作 建立 Chatflow 點擊「Add New」 從側邊欄拖入元件 連接元件 設定參數 儲存並測試 核心元件類別 類別 元件範例 Chat Models ChatOpenAI、ChatAnthropic、ChatOllama LLMs OpenAI、HuggingFace、Replicate Embeddings OpenAI Embeddings、HuggingFace Vector Stores Pinecone、Chroma、FAISS Memory Buffer Memory、Redis Memory Tools Calculator、SerpAPI、Custom Tool
建構 Chatbot 簡單對話機器人 1
2
3
[Chat OpenAI] → [Conversation Chain] → [Output]
↑
[Buffer Memory]
設定步驟 拖入 ChatOpenAI 設定 API Key 和模型 拖入 Conversation Chain 加入 Buffer Memory 連接並測試 建構 RAG 系統 流程架構 1
2
3
4
5
6
7
[PDF File] → [Recursive Text Splitter] → [OpenAI Embeddings]
↓
[Question] → [Retrieval QA Chain] ← [In-Memory Vector Store]
↓
[ChatOpenAI]
↓
[Answer]
實作步驟 文件載入
文字切割
拖入 Recursive Text Splitter 設定 chunk size: 1000 設定 overlap: 200 向量儲存
拖入 OpenAI Embeddings 拖入 In-Memory Vector Store 問答鏈
拖入 Retrieval QA Chain 連接 ChatOpenAI 建構 AI Agent ReAct Agent 1
2
3
[Tools] → [ReAct Agent] → [Output]
↑
[ChatOpenAI]
可用工具 Calculator - 數學計算Web Browser - 網頁瀏覽SerpAPI - 網路搜尋Custom Tool - 自訂工具自訂工具 1
2
3
4
5
6
7
8
9
10
// Custom Tool 設定
{
"name" : "SecurityCheck" ,
"description" : "Check if a URL is secure" ,
"code" : `
const url = $input;
// 實作檢查邏輯
return result;
`
}
API 使用 取得 API 儲存 Chatflow 點擊「API Endpoint」 複製 API URL 和 Key 呼叫 API 1
2
3
4
curl -X POST "http://localhost:3000/api/v1/prediction/{chatflow-id}" \
"Content-Type: application/json" \
"Authorization: Bearer {api-key}" \
'{"question": "What is SQL injection?"}'
Python 整合 1
2
3
4
5
6
7
8
9
10
11
12
import requests
response = requests . post (
"http://localhost:3000/api/v1/prediction/chatflow-id" ,
headers = {
"Authorization" : "Bearer api-key" ,
"Content-Type" : "application/json"
},
json = { "question" : "Explain XSS attacks" }
)
print ( response . json ())
串流回應 1
2
3
4
5
6
7
8
9
10
11
import requests
response = requests . post (
"http://localhost:3000/api/v1/prediction/chatflow-id" ,
headers = { "Authorization" : "Bearer api-key" },
json = { "question" : "Hello" , "streaming" : True },
stream = True
)
for chunk in response . iter_content ( chunk_size = None ):
print ( chunk . decode (), end = "" , flush = True )
嵌入網站 1
2
3
4
5
6
7
< script type = "module" >
import Chatbot from "https://cdn.jsdelivr.net/npm/flowise-embed/dist/web.js"
Chatbot . init ({
chatflowid : "your-chatflow-id" ,
apiHost : "http://localhost:3000" ,
})
</ script >
自訂樣式 1
2
3
4
5
6
7
8
9
10
11
12
13
14
Chatbot . init ({
chatflowid : "chatflow-id" ,
apiHost : "http://localhost:3000" ,
theme : {
button : {
backgroundColor : "#3B81F6" ,
size : "medium"
},
chatWindow : {
title : "Security Assistant" ,
welcomeMessage : "How can I help you with security today?"
}
}
})
進階設定 認證 1
2
3
environment :
- FLOWISE_USERNAME=admin
- FLOWISE_PASSWORD=securepassword
資料庫 1
2
3
4
5
6
7
environment :
- DATABASE_TYPE=postgres
- DATABASE_HOST=postgres
- DATABASE_PORT=5432
- DATABASE_USER=flowise
- DATABASE_PASSWORD=password
- DATABASE_NAME=flowise
API Key 管理 1
2
environment :
- FLOWISE_SECRETKEY_OVERWRITE=your-secret-key
相關連結 延伸閱讀 Licensed under CC BY-NC-SA 4.0