小白也能懂：Flowise拖拽式AI工作流搭建保姆级教程

小白也能懂：Flowise拖拽式AI工作流搭建保姆级教程

你是不是也遇到过这些情况：

• 想用大模型做点实际事，但一看到 LangChain 的代码就头皮发麻？
• 看到 RAG、Agent、向量检索这些词，像在读天书？
• 明明有现成的公司文档、产品手册、客服记录，却没法让 AI 直接“读懂”它们来回答问题？
• 试过几个 AI 工具，不是要写代码，就是要配环境，折腾半天连个能对话的页面都没跑起来？

别急——今天这篇教程，就是为你写的。

不讲抽象概念，不堆技术术语，不让你装十个依赖、改八处配置。我们用 Flowise，从零开始，纯图形界面操作，15 分钟内完成一个能读你本地 PDF、实时问答的知识库助手。整个过程就像拼乐高：拖、拉、连、点、运行。

你不需要会 Python，不需要懂向量数据库原理，甚至不需要知道什么是 LLM。只要你能打开浏览器、会鼠标操作，就能跟着做完。

下面我们就一步步来。

1. 先搞明白：Flowise 到底是啥？它能帮你解决什么问题？

1.1 一句话说清本质

Flowise 是一个「把 AI 能力变成积木块」的可视化平台。它把原本需要写几十行代码才能串起来的 AI 功能（比如调用大模型、切分文档、存进向量库、再召回匹配内容），全部封装成一个个带图标的节点——你可以像画流程图一样，把它们拖到画布上，用鼠标连线，就组成了一个完整的工作流。

它不是另一个聊天框，而是一个「AI 应用组装台」
它不替代模型，而是让你轻松调度模型（本地 vLLM、Ollama、HuggingFace、甚至 OpenAI）
它不强制你学 LangChain，但背后完全兼容 LangChain 生态，导出的流程可直接复用为代码

1.2 它特别适合这三类人

• 业务同学：市场/运营/客服，想快速做个内部知识问答页，不用等研发排期
• 非科班产品经理：想验证一个 AI 功能想法（比如“自动总结会议纪要”），先搭出来给老板看效果
• 刚入门的开发者：想理解 RAG 是怎么跑起来的，边拖边学，比硬啃文档快十倍

1.3 和你可能用过的工具对比一下

你看，它补上的，正是「想法 → 可运行原型」之间最陡的那道坎。

2. 零配置启动：3 分钟跑起 Flowise 本地服务

Flowise 提供了开箱即用的 Docker 镜像，我们不用编译、不碰 npm、不改环境变量——只要你的电脑能跑 Docker，就能立刻开始。

提示：本文全程使用你提供的镜像Flowise（基于 vLLM 的本地模型版本），已预装好核心模型和依赖，无需额外下载大模型。

2.1 一行命令启动（推荐方式）

打开终端（Mac/Linux）或 PowerShell（Windows），粘贴执行：

docker run -d \ -p 3000:3000 \ -v $(pwd)/flowise-storage:/app/packages/server/storage \ --name flowise \ flowiseai/flowise

这条命令做了三件事：

• -p 3000:3000：把容器内 3000 端口映射到本机，方便浏览器访问
• -v ...：挂载一个本地文件夹，用来持久化你上传的文档、保存的工作流，关掉容器也不丢数据
• flowiseai/flowise：拉取并运行官方镜像（你提供的镜像已优化为 vLLM 加速版，响应更快）

如果你用的是 Windows，且提示$(pwd)报错，请改用绝对路径，例如：
-v C:\my-flowise\storage:/app/packages/server/storage

2.2 等待启动完成 & 登录系统

执行后你会看到一串容器 ID。稍等 60–90 秒（vLLM 加载模型需要一点时间），然后在浏览器打开：
http://localhost:3000

输入你提供的演示账号：

• 邮箱：kakajiang@kakajiang.com
• 密码：KKJiang123

登录成功后，你会看到一个清爽的蓝色主界面——左侧是节点栏，中间是空白画布，右侧是属性面板。这就是你的 AI 工作室。

3. 第一个实战：搭建「PDF 文档问答机器人」（RAG 流程）

我们不做虚的，直接做一个最常用、最实用的场景：让你的 PDF 文档开口说话。比如，把《公司员工手册.pdf》扔进去，问“年假怎么休？”，它立刻从文档里找出原文回答你。

整个流程只需 5 个节点，全部拖拽完成。

3.1 准备一份测试文档（1 分钟）

找一个你手边的 PDF 文件（哪怕只有一页），或者用这个极简示例：
→ 下载 sample-handbook.pdf（虚构链接，实际可用任意 PDF）

小技巧：首次尝试建议用 1–3 页的 PDF，避免加载过慢；Flowise 支持 Word、TXT、Markdown 等格式，同理可替换。

3.2 拖拽搭建工作流（5 分钟，手把手）

请按顺序操作（每步都有截图逻辑，即使看不到图也能跟上）：

步骤 1：添加「文档上传」入口

• 左侧节点栏 → 找到Document类别 → 拖一个"File Upload"节点到画布中央
• 点击该节点 → 右侧属性面板中，将"Name"改为上传PDF（方便识别）
• 这是你未来上传 PDF 的“门”

步骤 2：添加「文本切分」处理器

• 左侧 →Document类别 → 拖一个"Text Splitter"节点到画布，放在上传PDF右侧
• 连线：鼠标按住上传PDF节点右下角的圆点，拖到Text Splitter左上角圆点，松开 → 出现一条蓝线
• 点击Text Splitter→ 右侧设置：
  • Chunk Size:500（每段最多 500 字，平衡精度与速度）
  • Chunk Overlap:50（相邻段落重叠 50 字，避免断句丢失语义）
• 这一步把长 PDF “剁”成小段，方便后续搜索

步骤 3：添加「向量知识库」存储

• 左侧 →Vector Store类别 → 拖一个"Qdrant"节点（Flowise 默认集成，无需额外部署）
• 连线：从Text Splitter右侧连到Qdrant左侧
• 点击Qdrant→ 右侧设置：
  • Collection Name:handbook_db（自定义名字，代表这个知识库叫“手册库”）
  • Embedding Model:text-embedding-ada-002（如果你用的是 OpenAI API）
  • 但注意！你用的是本地 vLLM 镜像 → 这里选sentence-transformers/all-MiniLM-L6-v2（已内置，轻量高效）
• 这一步把切好的文本段，转成数学向量，存进“智能索引库”

步骤 4：添加「大模型大脑」

• 左侧 →LLM类别 → 拖一个"Ollama"或"vLLM"节点（你镜像已预装 vLLM，选它）
• 连线：从Qdrant右侧连到vLLM左侧
• 点击vLLM→ 右侧设置：
  • Model Name:qwen2:7b（或你镜像中实际预装的模型名，如phi3:3.8b，可在终端docker logs flowise查看加载日志）
  • Temperature:0.3（降低随机性，回答更稳定）
• 这是真正“思考”的部分，负责理解问题、整合检索结果、生成自然语言回答

步骤 5：添加「用户提问」和「最终输出」

• 左侧 →Input/Output类别 → 拖一个"Chat Input"节点（放在画布最左）
• 连线：从Chat Input连到vLLM左侧（注意：不是连到 Qdrant！这是提问入口）
• 再拖一个"Chat Output"节点（放在vLLM右侧）
• 连线：从vLLM右侧连到Chat Output左侧
• 至此，你已搭出完整闭环：用户提问 → 检索知识库 → 大模型整合回答 → 返回结果

最终连线应呈「工」字形：
Chat Input→vLLM←Qdrant←Text Splitter←File Upload
（vLLM同时接收“问题”和“检索结果”两个输入）

3.3 保存并运行（1 分钟）

• 点击右上角"Save Flow"→ 输入名称，如员工手册问答→ 点击保存
• 点击右上角"Deploy"（绿色按钮）→ 等待状态变为"Deployed"
• 点击右上角"Chat"图标（对话气泡）→ 进入测试界面

现在，点击左下角"Upload File"，选择你的 PDF → 等待进度条走完（首次上传会索引，1–2 分钟）→ 在输入框输入：
“试用期是多久？”或“离职需要提前几天申请？”

几秒后，答案就会出现在对话框里，并附带引用来源（第几页、哪一段）。你刚刚，亲手造出了一个专属知识机器人。

4. 进阶技巧：3 个让工作流更聪明的小设置

刚才是“能用”，现在教你“用得更好”。以下设置全在图形界面里点点鼠标就能完成，无需代码。

4.1 让回答更精准：加一个「检索增强」开关

默认情况下，Qdrant 会返回最相似的 4 段文本。但有时太多反而干扰大模型。
→ 点击Qdrant节点 → 右侧找到Top K→ 改为2
→ 再测试提问，你会发现回答更聚焦、更少“车轱辘话”。

4.2 让提问更自然：加一段「系统提示词」

大模型容易答偏题。加一句指令，它就懂你要什么。
→ 左侧 →Prompt类别 → 拖一个"System Message"节点
→ 插在Chat Input和vLLM之间（即：Chat Input→System Message→vLLM）
→ 点击System Message→ 右侧Message栏输入：

你是一个严谨的HR助手，只根据我提供的《员工手册》内容回答问题。如果手册中没有明确信息，必须回答“手册中未提及”，禁止编造。

这相当于给 AI 套上“紧箍咒”，回答质量立竿见影。

4.3 让流程可复用：一键导出为 API

做好一个工作流，团队其他人都想用？
→ 点击工作流右上角⋯ → Export Flow→ 选择JSON
→ 复制这段 JSON，交给开发同事，他们可以用几行代码调用：

import requests response = requests.post( "http://localhost:3000/api/v1/prediction/your-flow-id", json={"question": "年假怎么休？"} ) print(response.json()["text"])

你拖出来的流程，瞬间变成后台可调用的服务。

5. 常见问题速查：新手卡住？看这里

我们整理了 90% 新手第一次实操会遇到的问题，按症状找解法：

5.1 启动失败 / 页面打不开

• 现象：浏览器显示Unable to connect或This site can’t be reached
• 检查：
  • 终端执行docker ps，确认flowise容器状态是Up（不是Exited）
  • 执行docker logs flowise | tail -20，看最后几行是否有Server is running on http://localhost:3000
  • 如果报port already in use，换端口：把启动命令中的3000:3000改成3001:3000，然后访问http://localhost:3001

5.2 上传 PDF 后没反应 / 卡在“Processing”

• 原因：文档过大（>50MB）或含大量扫描图片（Flowise 当前不支持 OCR）
• 解法：
  • 先用 Adobe Acrobat 或在线工具（如 ilovepdf.com）将 PDF另存为“优化的 PDF”（减小体积）
  • 或用pdftotext your.pdf -命令确认能否提取文字（若返回空，说明是图片 PDF，需先 OCR）

5.3 提问后回答驴唇不对马嘴

• 优先检查：
  • System Message是否启用？提示词是否清晰？
  • Qdrant的Embedding Model是否和你镜像实际支持的一致？（vLLM 镜像通常用all-MiniLM-L6-v2，别误选 OpenAI 模型）
  • vLLM节点的Model Name是否拼写正确？（大小写敏感，如qwen2:7b不是Qwen2:7b）

5.4 想换别的模型，但下拉菜单里没有？

• Flowise 支持动态加载模型，但需先在服务器配置。
• 临时解法：用你镜像已预装的模型（如phi3:3.8b,qwen2:7b,gemma2:2b），它们对中文问答足够友好，且响应快。
• 长期解法：参考镜像文档，在/app/Flowise/packages/server/.env中添加OLLAMA_BASE_URL=http://host.docker.internal:11434（若你同时运行 Ollama）。

6. 总结：你已经掌握了什么？下一步可以做什么？

6.1 回顾：这 15 分钟，你亲手完成了

• 用一行 Docker 命令，启动了一个本地 AI 应用平台
• 通过 5 个拖拽节点，搭建出工业级 RAG 问答流程
• 上传真实 PDF，实现“问文档、得答案”的闭环体验
• 学会 3 个关键调优技巧：控制检索数量、注入系统指令、导出 API 接口

你不再是一个“只能用别人做好的 AI 工具”的用户，而是一个能自主组装、调试、交付 AI 能力的实践者。

6.2 下一步，试试这些真实场景

• 销售支持：把产品说明书、竞品对比表、FAQ 上传，让销售随时查参数、生成对比话术
• IT 运维：上传内部运维手册、错误代码大全，新同事提问“502 错误怎么解？”，秒回排查步骤
• 学习助手：把课程 PDF、论文、笔记上传，问“Transformer 的注意力机制怎么计算？”，它定位原文并解释

Flowise 的 Marketplace（市场）里已有 100+ 现成模板，比如「网页爬虫+问答」、「SQL 自然语言查询」、「Zapier 自动化连接」，你都可以一键安装，再按自己需求微调——这才是真正的“站在巨人肩膀上创新”。

最后送你一句大实话：AI 工具的价值，不在于多炫酷，而在于多省事。当你能把一个重复性知识查询任务，从“翻文档 10 分钟”变成“提问 3 秒得到答案”，你就已经赢了。

现在，关掉这篇教程，打开你的 Flowise，上传第一个文档，问出第一个问题吧。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。