low-code on Astroicers Blog

Flowise 視覺化 AI Agent 建構平台

Wed, 13 May 2026 00:00:00 +0000

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 \
 --name flowise \
 flowiseai/flowise

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
- 拖入 PDF File Loader
- 上傳文件
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}" \
 -H "Content-Type: application/json" \
 -H "Authorization: Bearer {api-key}" \
 -d '{"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

Langflow 視覺化 AI 工作流程

Tue, 05 May 2026 00:00:00 +0000

專案簡介

Langflow 是一個視覺化的 AI 工作流程建構平台，基於 LangChain 開發。透過拖放介面設計複雜的 LLM 應用，無需編寫大量程式碼。

GitHub Stars: 144K+

主要功能

視覺化設計 - 拖放建構工作流程
LangChain 整合 - 完整元件支援
即時預覽 - 立即測試流程
API 匯出 - 一鍵部署為 API
多模型 - 支援各種 LLM 提供者

安裝

pip 安裝

1
2


pip install langflow
langflow run

訪問 http://localhost:7860

Docker 部署

1
2
3


docker run -d -p 7860:7860 \
 --name langflow \
 langflowai/langflow:latest

Docker Compose

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11


version: '3.8'
services:
 langflow:
 image: langflowai/langflow:latest
 ports:
 - "7860:7860"
 environment:
 - LANGFLOW_DATABASE_URL=sqlite:///./langflow.db
 - LANGFLOW_CONFIG_DIR=/app/langflow
 volumes:
 - ./langflow-data:/app/langflow

基本操作

建立流程

點擊「New Project」
從側邊欄拖入元件
連接元件之間的節點
設定各元件參數
點擊「Run」測試

核心元件

類別	元件
LLMs	OpenAI、Anthropic、Ollama
Prompts	ChatPromptTemplate、PromptTemplate
Chains	LLMChain、ConversationChain
Agents	ZeroShotAgent、ReActAgent
Retrievers	VectorStoreRetriever
Vector Stores	Chroma、FAISS、Pinecone

建構 RAG 應用

流程架構

1
2
3


[Document Loader] → [Text Splitter] → [Embeddings] → [Vector Store]
 ↓
[User Input] → [Retriever] → [Prompt Template] → [LLM] → [Output]

步驟

載入文件 - 加入 File Loader
切割文字 - 加入 RecursiveCharacterTextSplitter
向量化 - 加入 OpenAI Embeddings
儲存 - 加入 Chroma Vector Store
檢索 - 加入 VectorStoreRetriever
生成 - 加入 ChatOpenAI + Prompt

建構 Agent

ReAct Agent 流程

1
2
3


[Tools] → [Agent] → [Agent Executor] → [Output]
 ↑
 [LLM]

自訂工具

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


# 在 Custom Component 中定義
from langflow import CustomComponent

class WebSearchTool(CustomComponent):
 display_name = "Web Search"
 description = "Search the web"

 def build(self, query: str) -> str:
 # 實作搜尋邏輯
 return search_results

API 部署

匯出 API

完成流程設計
點擊「API」按鈕
取得 API 端點

呼叫 API

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11


import requests

response = requests.post(
 "http://localhost:7860/api/v1/run/flow-id",
 json={
 "input_value": "What is SQL injection?",
 "output_type": "chat"
 }
)

print(response.json())

cURL 範例

1
2
3


curl -X POST "http://localhost:7860/api/v1/run/flow-id" \
 -H "Content-Type: application/json" \
 -d '{"input_value": "Explain XSS attacks"}'

進階功能

變數和條件

1
2
3


[Conditional Router] - 根據條件選擇路徑
[Text Input] - 使用者輸入變數
[Pass] - 傳遞資料不處理

迴圈處理

1
2


[Loop] - 迭代處理列表
[Aggregator] - 合併多個結果

記憶功能

1
2


[ConversationBufferMemory] - 對話歷史
[ConversationSummaryMemory] - 摘要記憶

範本庫

內建範本

Basic RAG - 文件問答
Chat with PDF - PDF 對話
Web Scraper - 網頁擷取
Code Assistant - 程式助手

匯入範本

下載 JSON 範本
點擊「Import」
選擇範本檔案

自訂元件

建立元件

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20


from langflow.custom import CustomComponent
from langchain.schema import Document

class SecurityScanner(CustomComponent):
 display_name = "Security Scanner"
 description = "Scan for vulnerabilities"

 def build_config(self):
 return {
 "target": {"display_name": "Target URL"},
 "scan_type": {
 "display_name": "Scan Type",
 "options": ["quick", "full"]
 }
 }

 def build(self, target: str, scan_type: str) -> Document:
 # 實作掃描邏輯
 results = scan(target, scan_type)
 return Document(page_content=results)

環境變數

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


environment:
 # OpenAI
 - OPENAI_API_KEY=sk-xxx

 # 資料庫
 - LANGFLOW_DATABASE_URL=postgresql://user:pass@db:5432/langflow

 # 認證
 - LANGFLOW_SUPERUSER=admin
 - LANGFLOW_SUPERUSER_PASSWORD=password

low-code on Astroicers Blog

Flowise 視覺化 AI Agent 建構平台

專案簡介

主要功能

安裝

npm 安裝

Docker 部署

Docker Compose

基本操作

建立 Chatflow

核心元件類別

建構 Chatbot

簡單對話機器人

設定步驟

建構 RAG 系統

流程架構

實作步驟

建構 AI Agent

ReAct Agent

可用工具

自訂工具

API 使用

取得 API

呼叫 API

Python 整合

串流回應

嵌入網站

Embed Widget

自訂樣式

進階設定

認證

資料庫

API Key 管理

相關連結

延伸閱讀

Langflow 視覺化 AI 工作流程

專案簡介

主要功能

安裝

pip 安裝

Docker 部署

Docker Compose

基本操作

建立流程

核心元件

建構 RAG 應用

流程架構

步驟

建構 Agent

ReAct Agent 流程

自訂工具

API 部署

匯出 API

呼叫 API

cURL 範例

進階功能

變數和條件

迴圈處理

記憶功能

範本庫

內建範本

匯入範本

自訂元件

建立元件

環境變數

相關連結

延伸閱讀