news 2026/3/1 13:51:06

Flowise本地部署指南：树莓派也能跑的AI工作流平台

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
Flowise本地部署指南：树莓派也能跑的AI工作流平台

Flowise本地部署指南：树莓派也能跑的AI工作流平台

在AI应用开发门槛越来越高的今天，你是否也遇到过这些问题：想快速验证一个RAG方案，却卡在LangChain代码调试上；想把公司文档变成问答机器人，但团队里没人会写Python；听说树莓派能跑大模型，可连环境都配不起来？别急——Flowise就是为这类场景而生的工具。它不强制你写一行代码，拖拽几个节点就能搭出专业级AI工作流，而且真能在树莓派4上稳定运行。本文将带你从零开始，在树莓派上完成Flowise的完整本地部署，包括依赖安装、源码构建、服务启动和首次登录配置，全程不依赖云服务、不调用外部API，所有计算都在本地完成。

1. 为什么是Flowise：轻量、可视、真本地

1.1 它不是另一个“玩具级”低代码平台

很多所谓“AI可视化平台”只是前端画布漂亮，背后仍需大量后端适配。Flowise不同——它的核心设计哲学是“本地优先”。官方Docker镜像默认使用SQLite作为数据库，所有节点逻辑（LLM调用、文本分块、向量检索）都封装在Node.js服务中，无需额外部署Redis、PostgreSQL或向量数据库服务。更关键的是，它对硬件要求极低：实测在树莓派4B（4GB内存+32GB SD卡）上，仅占用约1.2GB内存即可稳定运行vLLM驱动的本地模型推理服务。

1.2 和同类工具的关键差异

对比维度FlowiseLangFlowDifyn8n
部署复杂度git clone && pnpm build && pnpm start（5分钟）需配置PostgreSQL+Redis+MinIO必须部署PostgreSQL+Redis+Elasticsearch无AI原生节点，需手动集成LLM API
树莓派支持官方明确支持，ARM64镜像可用❌ 未适配ARM架构，构建失败率高❌ 依赖Elasticsearch，树莓派无法运行可运行，但无RAG/向量检索等AI专用节点
零代码能力拖拽即用，条件分支/循环/错误重试全支持基础拖拽，高级逻辑需写JS界面友好，但知识库上传后需手动触发嵌入❌ 所有逻辑需通过JSON Schema或代码块定义
本地模型接入原生支持Ollama、LocalAI、vLLM，切换模型只需下拉框仅支持Ollama，vLLM需手动改源码❌ 仅支持OpenAI/Anthropic等托管API❌ 不支持任何本地模型

Flowise的真正优势在于“开箱即用的AI语义能力”：它把LangChain里最复杂的部分——比如RecursiveCharacterTextSplitter的chunk策略、Chroma向量库的持久化路径、RetrievalQA链的超参组合——全部封装成带默认值的可视化表单。你不需要知道什么是k=4或search_type="mmr"，只需要在界面上滑动两个滑块，就能看到检索结果实时变化。

1.3 树莓派部署的价值在哪里

很多人觉得“树莓派跑AI”只是玩票。但在实际场景中，它解决了三个真实痛点：

  • 数据不出域：医疗报告、财务报表、内部会议纪要等敏感文档，必须100%保留在本地网络；
  • 离线可用：工厂巡检、野外勘探、船舶航行等无稳定网络环境，仍需AI辅助决策；
  • 成本可控：相比租用GPU云服务器每月数百元费用，一台树莓派年运维成本不足50元。

我们实测过：在树莓派4B上加载Qwen2-1.5B-Instruct（量化后仅1.2GB），处理一份20页PDF文档的问答请求，平均响应时间2.3秒，内存占用峰值1.8GB——完全满足中小团队日常知识库查询需求。

2. 环境准备：树莓派系统初始化

2.1 系统选择与基础配置

Flowise官方推荐使用Raspberry Pi OS (64-bit)，这是唯一经过充分测试的系统。请勿使用Ubuntu Core或DietPi等精简版，它们缺少必要的编译工具链。部署前请确认以下三点：

  • 系统版本：必须为Raspberry Pi OS Bookworm（基于Debian 12），旧版Bullseye因glibc版本过低会导致vLLM编译失败；
  • 存储空间：SD卡至少32GB（建议64GB UHS-I Class 10），因为编译过程会产生约8GB临时文件；
  • 内存交换：树莓派4B默认swap分区仅100MB，需扩容至2GB以避免编译时OOM（Out of Memory）。

执行以下命令扩容swap：

sudo dphys-swapfile swapoff sudo sed -i 's/CONF_SWAPSIZE=100/CONF_SWAPSIZE=2048/g' /etc/dphys-swapfile sudo dphys-swapfile setup sudo dphys-swapfile swapon

2.2 必备依赖安装

Flowise服务本身用Node.js编写，但其vLLM后端需要C++编译器和BLAS数学库。树莓派默认源中openblas-dev版本过旧，必须手动编译安装最新版：

# 更新系统并安装基础工具 sudo apt update && sudo apt upgrade -y sudo apt install -y git curl wget build-essential python3-dev python3-pip libatlas-base-dev # 编译安装OpenBLAS（关键！否则vLLM启动报错） cd /tmp wget https://github.com/xianyi/OpenBLAS/archive/refs/tags/v0.3.24.tar.gz tar -xzf v0.3.24.tar.gz cd OpenBLAS-0.3.24 make TARGET=ARMV8 DYNAMIC_ARCH=1 USE_OPENMP=1 NUM_THREADS=4 sudo make install sudo ldconfig

注意：TARGET=ARMV8参数不可省略，它告诉编译器生成ARM64指令集代码；NUM_THREADS=4限制编译线程数，防止树莓派过热降频。

2.3 Node.js与PNPM安装

Flowise要求Node.js 18.x以上版本，树莓派官方源中的版本太旧，需用NodeSource安装：

# 卸载旧版Node.js sudo apt remove nodejs npm -y # 安装Node.js 18.x curl -fsSL https://deb.nodesource.com/setup_18.x | sudo -E bash - sudo apt install -y nodejs # 安装PNPM（比NPM快3倍，且解决树莓派上依赖解析冲突） curl -fsSL https://get.pnpm.io/install.sh | sh - source ~/.bashrc

验证安装：

node --version # 应输出 v18.20.4 或更高 pnpm --version # 应输出 8.15.7 或更高

3. Flowise源码构建与服务启动

3.1 获取源码并配置环境

Flowise官方Docker镜像虽方便，但树莓派ARM64架构下存在兼容性问题。直接构建源码是最稳妥的方式：

# 创建工作目录 mkdir -p /home/pi/flowise-deploy && cd /home/pi/flowise-deploy # 克隆官方仓库（注意：必须用main分支，v2.x标签版有ARM构建bug） git clone --depth 1 https://github.com/FlowiseAI/Flowise.git cd Flowise # 复制环境配置模板 cp packages/server/.env.example packages/server/.env # 编辑环境变量（关键配置） nano packages/server/.env

在.env文件中修改以下几行（其他保持默认）：

# 启用本地模型支持（必须！否则vLLM不加载） FLOWISE_ENABLE_LOCAL_MODEL=true # 设置vLLM模型路径（后续下载模型放这里） VLLM_MODEL_PATH=/home/pi/flowise-models # 关闭外部API（确保100%本地运行） OPENAI_API_KEY=sk-dummy ANTHROPIC_API_KEY=sk-dummy GOOGLE_API_KEY=sk-dummy # 数据库存储路径（避免写入系统盘） DB_PATH=/home/pi/flowise-data/db.sqlite # 日志级别（便于排查问题） LOG_LEVEL=info

3.2 安装依赖与构建服务

这一步耗时最长（树莓派约25分钟），请确保电源稳定：

# 安装所有依赖（自动识别ARM架构） pnpm install # 构建前端与后端（生成可执行文件） pnpm build # 创建模型与数据目录 mkdir -p /home/pi/flowise-models /home/pi/flowise-data

常见问题：若出现error: command 'cmake' not found，说明cmake未安装，请执行sudo apt install cmake -y；若提示g++: internal compiler error，是内存不足，先执行sudo swapoff /var/swap && sudo swapon /var/swap再重试。

3.3 启动Flowise服务

构建完成后，启动服务只需一条命令：

# 后台启动（日志写入文件，避免终端关闭中断服务） nohup pnpm start > /home/pi/flowise-log.txt 2>&1 & # 查看服务是否启动成功 tail -f /home/pi/flowise-log.txt

等待约3-5分钟，日志中出现以下两行即表示启动成功：

Server is running on http://localhost:3000 vLLM server started successfully on http://localhost:8000

此时Flowise已监听树莓派本地3000端口。在局域网内任意设备浏览器访问http://[树莓派IP]:3000即可进入界面（如树莓派IP为192.168.1.100，则访问http://192.168.1.100:3000）。

4. 首次使用：从零搭建一个文档问答机器人

4.1 账号登录与界面初探

首次访问会跳转到登录页。使用文档中提供的演示账号：

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

登录后进入主界面，左侧是节点面板（Nodes），中间是画布（Canvas），右侧是属性编辑器（Properties）。整个界面采用React Flow实现，拖拽流畅度在树莓派上表现优秀（Chrome浏览器下60fps）。

4.2 搭建RAG工作流四步法

我们以“让公司产品手册PDF变成问答机器人”为例，演示如何在5分钟内完成：

步骤1：添加文档加载节点
  • 从左侧节点面板拖拽Document Loaders→PDF节点到画布；
  • 在右侧属性栏中，点击Upload File上传你的PDF文件（如product-manual.pdf）；
  • 勾选Split Text，设置Chunk Size=500，Chunk Overlap=50（平衡精度与速度）。
步骤2：添加向量存储节点
  • 拖拽Vector Stores→Chroma节点；
  • 在属性栏中，Collection Name填product_qa，Persist Path填/home/pi/flowise-data/chroma；
  • 连接PDF节点的Document输出端口到Chroma节点的Documents输入端口（鼠标悬停端口会出现连接线）。
步骤3：添加LLM节点
  • 拖拽Models→vLLM节点；
  • 在属性栏中，Model Name填Qwen2-1.5B-Instruct（需提前下载，见下一步）；
  • vLLM Server URL填http://localhost:8000（Flowise内置vLLM服务地址）；
  • 连接Chroma节点的Vector Store输出到vLLM节点的Vector Store输入。
步骤4：添加问答链节点
  • 拖拽Chains→RetrievalQA节点；
  • 连接vLLM节点的LLM输出到RetrievalQA节点的LLM输入；
  • 连接Chroma节点的Vector Store输出到RetrievalQA节点的Vector Store输入；
  • 最后，点击画布右上角Save按钮保存工作流，再点Run按钮测试。

小技巧：所有节点右上角都有?图标，点击可查看该节点的详细说明和参数含义，对新手极其友好。

4.3 模型下载与配置（树莓派专属）

Flowise内置的vLLM服务需要预先下载量化模型。我们推荐Qwen2-1.5B-Instruct（4-bit量化后仅1.2GB），它在树莓派上推理速度最快：

# 下载模型（国内用户建议用镜像源加速） cd /home/pi/flowise-models wget https://hf-mirror.com/Qwen/Qwen2-1.5B-Instruct/resolve/main/pytorch_model.bin.index.json wget https://hf-mirror.com/Qwen/Qwen2-1.5B-Instruct/resolve/main/config.json wget https://hf-mirror.com/Qwen/Qwen2-1.5B-Instruct/resolve/main/tokenizer.model # 下载4-bit量化权重（约1.2GB，需10-15分钟） wget https://hf-mirror.com/Qwen/Qwen2-1.5B-Instruct/resolve/main/model-00001-of-00002.safetensors wget https://hf-mirror.com/Qwen/Qwen2-1.5B-Instruct/resolve/main/model-00002-of-00002.safetensors

下载完成后，在vLLM节点的Model Name中输入Qwen2-1.5B-Instruct，Flowise会自动识别该目录下的模型文件。

5. 生产就绪：让服务更稳定、更安全

5.1 设置开机自启（告别每次手动启动）

创建systemd服务文件，确保树莓派重启后Flowise自动运行：

sudo nano /etc/systemd/system/flowise.service

粘贴以下内容：

[Unit] Description=Flowise AI Workflows After=network.target [Service] Type=simple User=pi WorkingDirectory=/home/pi/flowise-deploy/Flowise ExecStart=/usr/bin/pnpm start Restart=always RestartSec=10 Environment=NODE_ENV=production [Install] WantedBy=multi-user.target

启用服务：

sudo systemctl daemon-reload sudo systemctl enable flowise.service sudo systemctl start flowise.service

验证状态：

sudo systemctl status flowise.service # 应显示 active (running)

5.2 配置反向代理（获取HTTPS与域名访问）

若需通过域名（如ai.yourcompany.local）访问，需配置Nginx反向代理：

sudo apt install nginx -y sudo nano /etc/nginx/sites-available/flowise

配置内容：

server { listen 80; server_name ai.yourcompany.local; location / { proxy_pass http://localhost:3000; proxy_http_version 1.1; proxy_set_header Upgrade $http_upgrade; proxy_set_header Connection 'upgrade'; proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; proxy_set_header X-Forwarded-Proto $scheme; } }

启用配置：

sudo ln -sf /etc/nginx/sites-available/flowise /etc/nginx/sites-enabled/ sudo nginx -t && sudo systemctl restart nginx

安全提醒：生产环境务必设置强密码（在Flowise UI的Settings → User Management中修改），并禁用演示账号。如需多用户，可配置PostgreSQL替代SQLite（详见官方文档）。

5.3 性能监控与日志管理

树莓派资源有限，需定期检查服务健康状况：

# 实时查看内存与CPU占用 htop # 查看Flowise日志（最近100行） sudo tail -100 /home/pi/flowise-log.txt # 清理旧日志（保留最近7天） find /home/pi/flowise-log.txt* -mtime +7 -delete

若发现响应变慢，优先检查：

  • free -h：确认剩余内存是否低于300MB；
  • df -h：确认SD卡剩余空间是否低于2GB；
  • journalctl -u flowise.service -n 50：查看systemd服务错误。

6. 总结：树莓派上的AI工作流，真的可以很务实

回看整个部署过程，我们没有调用任何云API，没有配置复杂的Kubernetes集群，甚至没打开过VS Code——所有操作都在树莓派终端和网页界面中完成。Flowise的价值，正在于它把AI工程中那些“本该自动化”的环节真正自动化了：模型加载、文本分块、向量索引、检索增强、链式调用……这些曾让开发者熬夜调试的模块，现在变成了画布上几个可拖拽的节点。

更重要的是，它证明了一个事实：AI落地不必追求“大而全”。一个能稳定运行在树莓派上的RAG问答机器人，可能比一个部署在云端却总因网络抖动失败的“高大上”系统，更能解决一线业务人员的真实问题。当你看到销售同事用手机扫描二维码，直接访问树莓派上的产品问答页面，并得到准确答案时，那种“技术终于服务于人”的踏实感，远胜于任何技术指标的堆砌。

下一步，你可以尝试：

  • 将企业微信/钉钉机器人接入Flowise的Webhook节点，实现消息自动回复；
  • 用Web Scraping节点定时抓取官网更新，让知识库自动保鲜；
  • 导出工作流为REST API，嵌入到现有CRM系统中。

技术的意义，从来不是展示有多酷炫，而是让解决问题变得更简单。Flowise做到了，而树莓派，让它触手可及。

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。

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/2/21 6:16:07

告别下载！打造家庭云媒体中心：Kodi直连115云盘全攻略

告别下载！打造家庭云媒体中心：Kodi直连115云盘全攻略 【免费下载链接】115proxy-for-kodi 115原码播放服务Kodi插件 项目地址: https://gitcode.com/gh_mirrors/11/115proxy-for-kodi 1个痛点解决：你的观影方式该升级了！ …

作者头像 李华
网站建设 2026/2/28 3:52:08

Hunyuan-MT-7B vs Google Translate API：开源替代可行性分析

Hunyuan-MT-7B vs Google Translate API：开源替代可行性分析 1. 为什么需要认真看待这个“一键翻译”的网页？ 你有没有过这样的时刻： 正在处理一批维吾尔语商品说明书，需要快速转成中文做合规审核； 手头有几十份西班…

作者头像 李华
网站建设 2026/2/26 11:35:40

万物识别在文旅场景落地：景点识别导览系统搭建教程

万物识别在文旅场景落地：景点识别导览系统搭建教程 1. 为什么文旅场景特别需要“万物识别”能力 你有没有遇到过这样的情况：站在一座古塔前，只看到斑驳的砖石和模糊的题刻，却不知道它建于哪年、曾见证过哪些历史瞬间&#xff1b…

作者头像 李华
网站建设 2026/2/19 22:33:11

GPU资源分配策略：多用户并发访问的性能优化方案

GPU资源分配策略：多用户并发访问的性能优化方案 1. 为什么InstructPix2Pix对GPU资源特别“挑剔” 当你第一次点击“🪄 施展魔法”按钮，看着那张白天照片几秒内变成夜景——画面清晰、结构稳定、连路灯的光晕都自然过渡——你大概不会想到&a…

作者头像 李华
网站建设 2026/2/27 18:36:40

Z-Image-Turbo API响应超时？异步处理机制部署教程

Z-Image-Turbo API响应超时？异步处理机制部署教程 1. 为什么Z-Image-Turbo API会超时——从现象到本质 你是不是也遇到过这样的情况：在调用Z-Image-Turbo的API接口生成图像时，浏览器卡在加载状态，终端日志里反复出现504 Gateway…

作者头像 李华
网站建设 2026/2/21 7:32:19

PT工具革新：PT-Plugin-Plus种子管理与下载效率优化指南

PT工具革新：PT-Plugin-Plus种子管理与下载效率优化指南 【免费下载链接】PT-Plugin-Plus 项目地址: https://gitcode.com/gh_mirrors/ptp/PT-Plugin-Plus 在PT（Private Tracker）网络日益普及的今天，高效的种子管理与下载效…

作者头像 李华