Flowise AI 智能体构建器

在 Clore.ai 上部署 Flowise——通过拖拽式无代码界面和即时 API 端点，在经济实惠的 GPU 云服务器上构建并托管可视化 LLM 聊天机器人、AI 智能体和 RAG 流水线。

概览

Flowise 是一个开源的拖放式工具，可在无需编写代码的情况下构建由 LLM 驱动的应用程序。凭借 3.5 万+ GitHub stars 和超过 500 万次 Docker Hub 拉取，Flowise 已成为生态系统中部署最广泛的自托管 AI 工具之一。它使团队能够通过直观的可视化界面创建聊天机器人、RAG 系统、AI 代理和自动化工作流，并在几分钟内将它们部署为 REST API 端点。

Flowise 基于 LangChain.js 构建，提供一个基于节点的画布，你可以在其中连接各个组件：LLM、向量数据库、文档加载器、记忆存储、工具和代理。每个流程都会自动生成一个可嵌入的聊天组件和 API 端点，你可以将其集成到任何应用中。

关键能力：

• 拖放式流程构建器 — 使用 100+ 个预构建节点进行可视化 LLM 编排

• 聊天机器人创建 — 为网站和应用提供可嵌入的聊天组件

• RAG 流水线 — 可视化连接文档加载器、嵌入器和向量存储

• 多代理支持 — 通过工具使用和委派构建代理层级

• 即时 API — 每个流程都会生成一个 /api/v1/prediction/<flowId> 端点

• LangChain 节点 — 完整访问 LangChain.js 生态系统

• 凭证管理器 — 集中管理 API 密钥、数据库连接

为什么在 Flowise 中选择 Clore.ai？

Flowise 是一个轻量级的 Node.js 服务器——它负责编排，不负责计算。将它与 Clore.ai 配合使用可实现：

• 本地模型推理 — 在同一台 GPU 服务器上运行 Ollama 或 vLLM，消除 API 成本

• 私有文档处理 — 永远不会将数据发送到外部服务的 RAG 流水线

• 持久化部署 — 以 GPU 服务器价格提供全天候聊天机器人和 API 托管

• 大规模下具备成本效益 — 构建多租户聊天机器人平台，而无需按次调用 API 付费

• 全栈 AI 托管 — Flowise + Ollama + Qdrant/Chroma 全部运行在一台经济实惠的服务器上

---

需求

Flowise 本身是一个 Node.js 应用，资源需求很低。只有在你添加本地 LLM 后端时才需要 GPU。

配置	GPU	显存	内存	存储	预估价格
仅 Flowise（外部 API）	无	—	2–4 GB	10 GB	约 $0.03–0.08/小时
+ Ollama（Llama 3.1 8B）	RTX 3090	24 GB	16 GB	40 GB	$0.07–0.21/小时
+ Ollama（Mistral 7B + 嵌入）	RTX 3090	24 GB	16 GB	30 GB	$0.07–0.21/小时
+ Ollama（Qwen2.5 32B）	RTX 4090	24 GB	32 GB	60 GB	$0.14–0.42/小时
+ vLLM（生产环境）	A100 80GB	80 GB	64 GB	100 GB	裸机

注意： Flowise 可以轻松运行在任何 Clore.ai 服务器上。只有当你想要免费的本地推理时才需要 GPU。参见 GPU 比较指南.

Clore.ai 服务器要求：

• Docker Engine（所有 Clore.ai 镜像均已预装）

• NVIDIA Container Toolkit（仅用于 GPU/Ollama）

• 端口 3000 可访问（或在 Clore.ai 控制面板中映射）

• 至少 2 GB 可用内存，10 GB 磁盘空间

---

快速开始

步骤 1：在 Clore.ai 上预订服务器

在 Clore.ai 市场:

• 仅 API 使用：任何服务器，按 RAM ≥ 4 GB 过滤

• 本地 LLM：按 GPU ≥ 24 GB VRAM 过滤

• 确保在模板中启用 Docker

通过 SSH 连接：

ssh root@<server-ip> -p <ssh-port>

步骤 2：运行 Flowise（单条命令）

docker run -d \\
  --name flowise \
  --restart unless-stopped \
  -p 3000:3000 \
  flowiseai/flowise

就这样。Flowise 将可在 http://<server-ip>:3000 20–30 秒内可用。

步骤 3：验证它是否正在运行

# 检查容器状态
docker ps | grep flowise

# 检查日志
docker logs flowise --tail 20

# 测试 API
curl http://localhost:3000/api/v1/chatflows

步骤 4：打开 UI

访问 http://<server-ip>:3000 在浏览器中。

Clore.ai 端口映射： 确保在你的 Clore.ai 服务器配置中转发了端口 3000。进入服务器详情 → Ports → 确认 3000:3000 已映射。某些模板默认只开放 SSH。

---

配置

持久化存储

挂载卷，以便在容器重启后保留你的流程、凭证和上传文件：

mkdir -p /opt/flowise/{data,uploads,logs}

docker run -d \\
  --name flowise \
  --restart unless-stopped \
  -p 3000:3000 \
  -v /opt/flowise/data:/root/.flowise \
  -v /opt/flowise/uploads:/app/uploads \
  -e DATABASE_PATH=/root/.flowise \
  -e APIKEY_PATH=/root/.flowise \
  -e SECRETKEY_PATH=/root/.flowise \
  -e LOG_PATH=/root/.flowise/logs \
  flowiseai/flowise

身份验证

使用用户名/密码保护你的 Flowise 实例：

docker run -d \\
  --name flowise \
  --restart unless-stopped \
  -p 3000:3000 \
  -v /opt/flowise/data:/root/.flowise \
  -e FLOWISE_USERNAME=admin \
  -e FLOWISE_PASSWORD=$(openssl rand -base64 16) \
  -e FLOWISE_SECRETKEY_OVERWRITE=$(openssl rand -hex 32) \
  flowiseai/flowise

安全提示： 当你在 Clore.ai 上公开暴露 Flowise 时，务必设置凭证。没有身份验证，任何知道你服务器 IP 的人都可以访问你的流程和 API 密钥。

完整环境变量参考

docker run -d \\
  --name flowise \
  --restart unless-stopped \
  -p 3000:3000 \
  -v /opt/flowise/data:/root/.flowise \
  -e PORT=3000 \
  -e FLOWISE_USERNAME=admin \
  -e FLOWISE_PASSWORD=your-secure-password \
  -e FLOWISE_SECRETKEY_OVERWRITE=your-secret-key \
  -e DATABASE_TYPE=sqlite \
  -e DATABASE_PATH=/root/.flowise \
  -e APIKEY_PATH=/root/.flowise \
  -e SECRETKEY_PATH=/root/.flowise \
  -e LOG_PATH=/root/.flowise/logs \
  -e LOG_LEVEL=info \
  -e TOOL_FUNCTION_BUILTIN_DEP=crypto,fs \
  -e TOOL_FUNCTION_EXTERNAL_DEP=moment,lodash \
  -e CORS_ORIGINS=* \
  -e IFRAME_ORIGINS=* \
  flowiseai/flowise

变量	描述	默认值
PORT	Web 服务器端口	3000
FLOWISE_USERNAME	管理员用户名（启用认证）	—（无认证）
FLOWISE_PASSWORD	管理员密码	—
FLOWISE_SECRETKEY_OVERWRITE	凭证加密密钥	自动生成
DATABASE_TYPE	sqlite 或 mysql 或 postgres	sqlite
DATABASE_PATH	SQLite 存储路径	/root/.flowise
LOG_LEVEL	error, warn, info, debug	info
TOOL_FUNCTION_BUILTIN_DEP	代码节点中允许的 Node.js 内置模块	—
TOOL_FUNCTION_EXTERNAL_DEP	代码节点中允许的 npm 包	—
CORS_ORIGINS	API 允许的 CORS 来源	*
IFRAME_ORIGINS	允许 iframe 嵌入的来源	*

Docker Compose（推荐）

Flowise 官方仓库包含 Docker Compose 配置。这是 Clore.ai 推荐的方式：

# 下载官方 docker-compose.yml
curl -o /opt/flowise/docker-compose.yml \
  https://raw.githubusercontent.com/FlowiseAI/Flowise/main/docker/docker-compose.yml

cd /opt/flowise

或者使用 PostgreSQL 自行创建：

# /opt/flowise/docker-compose.yml
version: "3.9"

services:
  flowise:
    image: flowiseai/flowise:latest
    restart: unless-stopped
    ports:
      - "3000:3000"
    environment:
      - PORT=3000
      - FLOWISE_USERNAME=${FLOWISE_USERNAME:-admin}
      - FLOWISE_PASSWORD=${FLOWISE_PASSWORD:-changeme}
      - FLOWISE_SECRETKEY_OVERWRITE=${SECRET_KEY}
      - DATABASE_TYPE=postgres
      - DATABASE_HOST=db
      - DATABASE_PORT=5432
      - DATABASE_USER=flowise
      - DATABASE_PASSWORD=flowise-secret
      - DATABASE_NAME=flowise
    volumes:
      - flowise-data:/root/.flowise
    depends_on:
      db:
        condition: service_healthy

  db:
    image: postgres:16-alpine
    restart: unless-stopped
    environment:
      - POSTGRES_USER=flowise
      - POSTGRES_PASSWORD=flowise-secret
      - POSTGRES_DB=flowise
    volumes:
      - pgdata:/var/lib/postgresql/data
    healthcheck:
      test: ["CMD-SHELL", "pg_isready -U flowise"]
      interval: 10s
      timeout: 5s
      retries: 5

volumes:
  flowise-data:
  pgdata:

SECRET_KEY=$(openssl rand -hex 32) \
FLOWISE_PASSWORD=yourpassword \
docker compose -f /opt/flowise/docker-compose.yml up -d

---

GPU 加速（本地 LLM 集成）

Flowise 负责编排——GPU 在连接的服务中承担繁重计算。

Flowise + Ollama（推荐）

在同一台 Clore.ai 服务器上运行 Ollama，并将 Flowise 连接到它：

# 步骤 1：以 GPU 访问权限启动 Ollama
docker run -d \\
  --name ollama \\
  --gpus all \\
  --restart unless-stopped \
  -p 11434:11434 \
  -v ollama-models:/root/.ollama \
  ollama/ollama:latest

# 步骤 2：拉取模型
docker exec ollama ollama pull llama3.1:8b          # 聊天/代理模型
docker exec ollama ollama pull nomic-embed-text     # RAG 的嵌入模型
docker exec ollama ollama pull mistral:7b           # 替代聊天模型

# 步骤 3：使用主机网络访问启动 Flowise
docker run -d \\
  --name flowise \
  --restart unless-stopped \
  -p 3000:3000 \
  -v /opt/flowise/data:/root/.flowise \
  --add-host host.docker.internal:host-gateway \
  -e FLOWISE_USERNAME=admin \
  -e FLOWISE_PASSWORD=changeme \
  flowiseai/flowise

在 Flowise UI 中：

1. 创建一个新的 Chatflow

2. 在 Ollama 节点（在 Chat Models 下）

   • 基础 URL： http://host.docker.internal:11434

   • 模型名称： llama3.1:8b

3. 在 OllamaEmbeddings 节点（用于 RAG）

   • 基础 URL： http://host.docker.internal:11434

   • 模型名称： nomic-embed-text

4. 连接到你的向量存储（Chroma、FAISS、Qdrant）

查看完整的 Ollama 指南 以了解模型下载和 GPU 设置。

Flowise + vLLM（生产级规模）

用于兼容 OpenAI 的高吞吐服务：

# 启动 vLLM
docker run -d \\
  --name vllm \\
  --gpus all \\
  --restart unless-stopped \
  -p 8000:8000 \
  --ipc=host \
  vllm/vllm-openai:latest \
  --model mistralai/Mistral-7B-Instruct-v0.3 \
  --gpu-memory-utilization 0.85

# 在 Flowise 中，使用带自定义基础 URL 的 ChatOpenAI 节点：
# Base URL: http://host.docker.internal:8000/v1
# OpenAI API Key:（任意值）
# 模型名称：mistralai/Mistral-7B-Instruct-v0.3

请参阅 vLLM 指南 了解量化和多 GPU 配置。

构建仅本地 RAG 聊天机器人

在 Clore.ai 上实现完全不调用外部 API 的完整 Flowise 流程：

节点	组件	Settings
1	PDF 文件加载器	上传文档
2	递归文本分割器	块大小：1000，重叠：200
3	Ollama Embeddings	模型： nomic-embed-text
4	内存向量存储	（或使用 Chroma 持久化）
5	Ollama 聊天	模型： llama3.1:8b
6	对话式检索问答	链类型：Stuff
7	缓冲记忆	基于会话的记忆

将其导出为 API，并把聊天组件嵌入到任何网站。

---

提示与最佳实践

1. 定期导出流程

在停止或切换 Clore.ai 服务器之前：

# 通过 API 导出所有流程
curl http://localhost:3000/api/v1/chatflows \
  -H "Authorization: Basic $(echo -n admin:password | base64)" \
  > /opt/flowise/backup-flows.json

# 或使用 UI：Chatflows → Export All

2. 使用嵌入式组件

每个 Flowise chatflow 都会生成一个可直接投入生产的聊天组件：

1. 打开你的 chatflow → 点击 </> （嵌入）按钮

2. 复制脚本片段

3. 粘贴到任意 HTML 页面中——即可获得即时客户支持机器人

3. 安全管理 API 密钥

将所有 LLM API 密钥存储在 Flowise 的 凭证 面板中（不要硬编码到流程里）：

• 菜单 → Credentials → Add Credential

• 密钥使用 FLOWISE_SECRETKEY_OVERWRITE

4. 限流

对于面向公众的部署，可在 Flowise 前端通过 Nginx 或 Caddy 添加限流：

# 简单的 nginx 反向代理配置
docker run -d \\
  --name nginx \
  -p 80:80 \
  -v /opt/flowise/nginx.conf:/etc/nginx/conf.d/default.conf:ro \
  --link flowise:flowise \
  nginx:alpine

5. 监控性能

# 实时资源监控
watch -n 3 'docker stats flowise ollama --no-stream'

# 检查 Flowise 日志中的错误
docker logs flowise --tail 50 -f

# 检查流程是否被调用
docker logs flowise 2>&1 | grep "Prediction"

6. 备份 SQLite 数据库

# 创建带时间戳的备份
cp /opt/flowise/data/database.sqlite \
   /opt/flowise/backup-$(date +%Y%m%d-%H%M%S).sqlite

# 或使用 cron 自动化
echo "0 */6 * * * cp /opt/flowise/data/database.sqlite /opt/flowise/backup-\$(date +\%Y\%m\%d-\%H\%M\%S).sqlite" | crontab -

---

故障排查

容器立即退出

# 检查退出原因
docker logs flowise

# 常见原因：
# 1. 端口 3000 已被占用
lsof -i :3000
# 解决方法：使用不同端口
docker run ... -p 3001:3000 ...

# 2. 卷权限错误
ls -la /opt/flowise/
chown -R 1000:1000 /opt/flowise/data

UI 显示“连接失败”

# 验证 Flowise 是否 वास्तव正在运行
docker ps -a | grep flowise
docker stats flowise --no-stream

# 检查它是否绑定到所有接口
docker logs flowise | grep "listening"
# 应显示：Server is listening at port 3000

# 先在本地测试
curl -s http://localhost:3000/api/v1/chatflows | head -20

流程因 LLM 错误失败

# 从 Flowise 容器测试 Ollama 连通性
docker exec flowise wget -qO- http://host.docker.internal:11434/api/tags

# 如果失败，验证是否包含了 --add-host：
docker inspect flowise | grep -A5 ExtraHosts

# 测试 Ollama 是否正在运行
curl http://localhost:11434/api/tags

更新时的数据库迁移错误

# 升级 Flowise 版本时，先备份
cp -r /opt/flowise/data /opt/flowise/data-backup-$(date +%Y%m%d)

# 拉取新镜像
docker pull flowiseai/flowise:latest

# 使用相同卷重启（迁移会自动运行）
docker stop flowise && docker rm flowise
docker run -d --name flowise ... flowiseai/flowise:latest
docker logs flowise -f  # 观察迁移输出

重启后的凭证解密错误

# 如果你没有设置 FLOWISE_SECRETKEY_OVERWRITE，重启时会生成新的密钥
# 始终显式设置它：
-e FLOWISE_SECRETKEY_OVERWRITE=your-stable-32-char-secret

# 恢复方法：设置稳定密钥后，在 UI 中重新输入凭证

聊天组件 CORS 错误

# 允许特定来源（生产环境中将 * 替换为你的域名）
-e CORS_ORIGINS=https://yourdomain.com,http://localhost:3000
-e IFRAME_ORIGINS=https://yourdomain.com

---

延伸阅读

• Flowise GitHub 仓库 — 源代码、发布版本、官方 docker-compose

• Flowise 文档 — 节点参考、API 文档、部署指南

• Flowise Discord — 社区模板、流程分享、支持

• Docker Hub：flowiseai/flowise — 500 万+ 次拉取，可用标签

• Clore.ai 上的 Ollama — 运行本地 LLM，实现免费的 Flowise 推理

• Clore.ai 上的 vLLM — 面向 Flowise 的生产级 LLM 服务

• GPU 比较指南 — 为你的技术栈选择合适的 GPU

• LangChain.js 文档 — 底层框架参考