Flowise零代码搭建AI工作流：5分钟创建RAG聊天机器人实战

Flowise零代码搭建AI工作流：5分钟创建RAG聊天机器人实战

1. 为什么你需要一个“不用写代码”的RAG工具？

你有没有遇到过这些情况：

• 公司有几十份产品文档、技术白皮书、内部FAQ，但员工查个问题要翻三四个PDF，最后还是来问同事；
• 想把知识库变成智能问答接口，可LangChain链写到第三层就卡在Retriever和LLMChain的参数对不上；
• 试了三个开源RAG项目，两个跑不起来，一个部署完发现不支持中文分块，检索结果全是乱码。

别折腾了。Flowise 就是为这类真实场景而生的——它不强迫你成为Python工程师，也不要求你背熟向量数据库原理。你只需要像搭乐高一样，把“文档加载器”“文本切分器”“向量库”“大模型”几个模块拖到画布上，连上线，点保存，一个能读你PDF、答你问题的RAG机器人就活了。

这不是概念演示，而是真实可运行的工作流。本文将带你用5分钟，在本地完成从零到一的完整搭建：不改一行代码、不配一个环境变量、不碰一次终端命令（可选跳过），直接打开浏览器，上传一份《Flowise官方使用指南》，让它现场回答“如何添加自定义工具”。

整个过程，就像用PPT做流程图一样自然。

2. Flowise到底是什么？一句话说清它的不可替代性

Flowise 不是另一个需要你写pip install再调from langchain.chains import RetrievalQA的框架。它是一个可视化工作流引擎，核心价值在于：把LangChain里那些抽象的类（DocumentLoader、TextSplitter、VectorStore、LLMChain）全部封装成带图标的节点，每个节点都自带配置面板，点开就能填参数。

你可以把它理解成“LangChain的图形化遥控器”——底层依然是LangChain，但你完全不需要知道RecursiveCharacterTextSplitter和CharacterTextSplitter的区别，也不用纠结Chroma和Qdrant哪个更适合中文。

更关键的是，Flowise原生支持vLLM加速的本地大模型。这意味着你不用依赖OpenAI API密钥，也不用担心数据外泄。只要你的机器有显卡，就能跑起一个真正私有、可控、低延迟的RAG服务。

它不是玩具，而是生产级工具：MIT协议、45.6k GitHub星标、周更活跃、插件生态已覆盖SQL查询、网页爬取、邮件集成等100+场景。很多团队已经用它把客服知识库、法务合同库、医疗药品说明书变成了实时问答API。

3. 零门槛部署：两种方式，任选其一

Flowise提供两种开箱即用的部署路径。无论你是喜欢敲命令行的老手，还是只想点几下鼠标的新手，都能立刻上手。

3.1 方式一：Docker一键启动（推荐给所有人）

这是最稳妥、最干净的方式。你不需要安装Node.js、pnpm或Git，只要本机装了Docker，30秒就能跑起来。

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

执行完这条命令，打开浏览器访问http://localhost:3000，就能看到Flowise的登录页。首次启动会自动初始化数据库和默认用户，无需额外操作。

小贴士：-v参数挂载了本地目录作为存储卷，确保你创建的所有工作流、上传的文档、配置的模型都不会因容器重启而丢失。这是生产环境必须加的选项。

3.2 方式二：本地源码运行（适合想深度定制的开发者）

如果你希望修改前端UI、调试某个节点逻辑，或者想确认vLLM是否真的在后台加速推理，可以走源码方式。整个过程只需四步：

1. 克隆仓库并进入目录：

   git clone https://github.com/FlowiseAI/Flowise.git cd Flowise

2. 安装依赖（pnpm比npm快得多）：

   pnpm install

3. 构建前端与后端：

   pnpm build

4. 启动服务：

   pnpm start

服务启动后，同样访问http://localhost:3000。你会看到一个清爽的登录界面，账号密码已在镜像文档中明确给出：

• 用户名：kakajiang@kakajiang.com
• 密码：KKJiang123

注意：首次启动时，vLLM模型加载需要几分钟，请耐心等待右上角状态栏从“Loading…”变为绿色“Ready”。这不是卡死，是模型正在预热。

4. 5分钟实战：从空白画布到可对话的RAG机器人

现在，我们正式进入核心环节。下面每一步都对应界面上的一个真实操作，没有虚构，没有跳步。

4.1 创建新工作流：命名、选择类型、进入画布

登录成功后，点击左上角“+ New Flow”，弹出新建窗口：

• Flow Name：输入公司产品文档问答
• Description：可选填，比如基于内部PDF手册的智能客服
• Type：务必选择Chatflow（这是RAG聊天机器人的专用类型，区别于普通API工作流）

点击“Create”，你将进入一个纯白的画布。这就是你的AI工厂车间。

4.2 拖入四大核心节点：文档加载 → 文本切分 → 向量入库 → 大模型问答

Flowise的节点库在左侧边栏，按功能分类。我们依次拖入以下四个节点，并按顺序连线（箭头方向代表数据流向）：

1. Document Loader（文档加载器）

   • 拖入画布，双击打开配置面板
   • Type选PDF（支持Word、TXT、Markdown等）
   • Name填产品手册（这个名称会在后续节点里被引用）
   • 点击“Upload Files”，上传一份真实的PDF，比如《Flowise用户指南》

2. Text Splitter（文本切分器）

   • 拖入，连线到Document Loader
   • 双击配置：Type选RecursiveCharacterTextSplitter（最适合中文长文档）
   • Chunk Size填500（每段500字，平衡检索精度和上下文长度）
   • Chunk Overlap填50（相邻段落重叠50字，避免语义断裂）

3. Vector Store（向量数据库）

   • 拖入，连线到Text Splitter
   • Type选Chroma（轻量、纯内存、无需额外服务，新手首选）
   • Collection Name填product_qa（自定义集合名，便于区分）
   • 其他保持默认即可

4. LLM（大语言模型）

   • 拖入，连线到Vector Store
   • Type选vLLM（这是本镜像的核心优势，利用vLLM实现高吞吐低延迟）
   • Model Name填Qwen2-7B-Instruct（镜像已预置该模型，支持中文强推理）
   • Max Tokens填1024（足够生成详细回答）
   • Temperature填0.3（降低随机性，让回答更稳定专业）

4.3 添加Prompt模板：让AI“懂你的语气”

光有模型和知识库还不够，你得告诉AI怎么组织答案。在LLM节点之前，插入一个Prompt Template节点：

• 拖入画布，连线在Vector Store和LLM之间
• 双击配置，在Template区域粘贴以下内容（已针对中文RAG优化）：

你是一个专业的技术支持助手，正在回答用户关于《Flowise用户指南》的问题。 请严格基于提供的文档片段作答，不要编造信息。如果文档中没有相关内容，请直接回答“根据现有资料无法确定”。 文档片段： {context} 用户问题： {query} 请用简洁、准确、专业的中文回答，避免使用“可能”、“大概”等模糊词汇。

关键点说明：{context}和{query}是Flowise自动注入的占位符，分别代表检索到的文档片段和用户提问。你不需要手动替换，系统会动态填充。

4.4 连接最终输出：让聊天框“活”起来

最后一个节点是Chat Output（聊天输出）。它负责把LLM的回答返回给前端聊天界面：

• 拖入画布，连线到LLM节点
• 双击配置，Name填answer（这个名字将出现在API响应体中）

此时，你的画布应该是一条清晰的直线：
Document Loader→Text Splitter→Vector Store→Prompt Template→LLM→Chat Output

4.5 保存、测试、体验真实效果

点击右上角“Save”按钮，给工作流起个名字，比如Product QA Bot。

然后点击右上角的图标，打开内置聊天窗口。输入第一个问题：

“如何在Flowise中添加一个新的自定义工具？”

按下回车。你会看到：

• 左侧显示检索过程（找到哪几页PDF匹配关键词）
• 右侧AI开始思考，几秒后给出结构清晰的回答，精确指向文档中的章节和操作步骤

这不是Demo，这是你刚刚亲手搭建的、完全属于你自己的RAG系统。

5. 进阶能力：不止于问答，还能做什么？

Flowise的强大，远不止于“上传PDF→提问→得答案”。它真正的生产力在于，你能用同样的拖拽逻辑，快速构建出解决实际业务问题的AI应用。

5.1 一键复用100+现成模板

Flowise Marketplace（市场）里已有超过100个经过验证的模板。点击顶部菜单栏的Templates，你能立刻获取：

• Docs Q&A：专为技术文档优化的RAG流程，已预设中文分词和语义检索策略
• Web Scraping Agent：自动抓取竞品官网价格表，存入向量库，供销售实时比价
• SQL Agent：让业务人员用自然语言提问，“上个月华东区销售额Top3的产品是什么？”，自动生成并执行SQL
• Zapier Integration：当CRM新增一条客户线索，自动触发Flowise生成个性化跟进话术

每个模板都可一键导入，然后根据你的数据源（如更换PDF路径、修改数据库连接串）微调，10分钟内就能上线。

5.2 扩展能力：轻松接入外部工具与API

RAG只是起点。Flowise支持通过Tool节点，把任何HTTP API、Shell命令、甚至Python脚本包装成AI可调用的“技能”。

例如，你想让机器人不仅能答文档，还能查实时GPU状态：

• 拖入一个Custom Tool节点
• 在Code区域填写一段Python（Flowise内置Python沙箱）：

  import subprocess def run_command(): try: result = subprocess.run(['nvidia-smi', '--query-gpu=utilization.gpu,memory.used', '--format=csv'], capture_output=True, text=True, check=True) return result.stdout.strip() except Exception as e: return f"GPU查询失败: {str(e)}"

• 在Function Name填check_gpu_status
• 在Description填 “查询当前服务器GPU使用率和显存占用”

然后，把这个Tool节点接入你的主工作流。当用户问“GPU现在忙吗？”，AI会自动调用这个函数，把结果整合进回答。

这正是MCP（Model Context Protocol）理念的落地——AI不再只是“说”，而是能“做”。

5.3 生产就绪：导出API、嵌入网页、持久化存储

当你在画布上完成调试，下一步就是交付价值：

• 导出REST API：点击工作流右上角⋯→Export as API，获得一个标准的POST /api/v1/prediction/{flowId}端点。前端、APP、ERP系统，任何能发HTTP请求的地方，都能调用它。
• 嵌入网页：复制Embed Code，一行JS代码即可把聊天窗口嵌入公司内网首页，员工无需跳转。
• 持久化升级：默认Chroma是内存型，重启即失。在.env文件中修改VECTOR_STORE=Postgres并配置连接串，所有向量数据将自动存入PostgreSQL，彻底告别丢失风险。

6. 总结：你刚刚掌握的，是一项可立即变现的AI工程能力

回顾这5分钟，你没有写一行Python，没有配置一个YAML，没有查阅任何LangChain文档，却完成了一件传统AI工程师需要半天才能搞定的事：构建一个安全、私有、可扩展的RAG问答系统。

Flowise的价值，不在于它有多“酷炫”，而在于它把AI工程的门槛，从“需要懂向量检索、模型量化、API网关”的专家级，降到了“会用PPT做流程图”的通用级。它让产品经理能自己搭出客服机器人，让法务能一键解析百页合同，让销售能实时生成竞品分析报告。

更重要的是，它不是一个黑盒。你拖进去的每个节点，背后都是标准的LangChain组件；你导出的每个API，都遵循OpenAPI规范；你使用的vLLM，正是业界公认的高性能推理引擎。这意味着，今天你在Flowise里积累的工作流经验，明天就能无缝迁移到代码项目中。

所以，别再把RAG当成一个遥不可及的技术名词。打开你的终端，敲下那条docker run命令，上传第一份文档，问出第一个问题。那个能读懂你知识库的AI助手，已经在等你了。

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。