跳到主要内容

Flowise 深度解析

引言​

Flowise 从简单的 LLM 流程可视化演进为支持多 Agent、工作流与 MCP 的低代码平台。本文系统解析其三种构建模式、Agentflow 架构及与 Dify、Langflow 的选型。

三种构建模式​

1. Assistant（助手模式）​

  • 定位：零代码快速搭建聊天助手
  • 能力：工具调用、RAG 知识库检索、对话记忆
  • 适用：入门、简单问答、内部工具
  • 扩展：可选用不同 LLM、向量库、Embedding

2. Chatflow（聊天流模式）​

  • 定位：单 Agent 的可视化编排
  • 能力：Graph RAG、重排序、文档加载、多数据源
  • 节点：LLM、Prompt、Vector Store、Document Loader、Chain 等
  • 适用：知识库问答、文档分析、复杂 RAG

3. Agentflow（Agent 流模式）​

  • 定位：多 Agent 与复杂工作流
  • 能力：
    • 条件分支、循环
    • 人机协作（Human-in-the-Loop）
    • Supervisor/Worker Agent delegation
    • Agent 间共享状态
    • MCP 工具集成
  • 适用：多步任务、审批流程、协作型智能体

Agentflow 架构要点​

  • 原生节点：节点粒度细，可精确控制流程
  • SSE 流式：支持实时响应
  • 状态共享：Agent 间通过共享状态传递数据

MCP 集成​

Flowise 支持接入 MCP（Model Context Protocol）工具，将外部能力（如数据库、API、自定义工具）暴露给 Agent，与 MCP 协议 形成闭环。

与 Dify、Langflow 的选型​

平台强项适用
Flowise轻量、自托管、MCP、多 Agent快速原型、内部工具、本地部署
Dify企业功能、知识库、API、多租户生产 SaaS、团队协作
LangflowLangChain 原生、代码导出LangChain 技术栈、需导出代码

部署形态​

  • Docker：单容器部署，适合开发与小规模
  • Docker Compose：多服务（含数据库）编排
  • 自托管：数据与模型均在自有环境

总结​

Flowise 适合希望快速搭建 LLM 应用、偏好自托管与可视化的开发者。掌握 Assistant、Chatflow、Agentflow 三种模式及 MCP 集成，可覆盖从简单助手到多 Agent 工作流的各类场景。