Flowise：在 上通过拖放构建 AI 代理 Ollama

#为何选择 Flowise

Flowise 是一个基于 LangChain 和 LangGraph 构建的开源可视化构建工具（采用 Apache 2.0 许可证）。它将相同的组件——模型、记忆、检索器、工具——呈现为可连接的节点，让原本需要数百行 Python 代码的智能体原型变成一张一目了然的图。

与本站介绍的另一款无代码平台 Dify 相比，Flowise 更侧重精细编排：Dify 提供了一套框架明确的产品体验（应用、提示词集、团队管理），而 Flowise 则让您看清 LangChain 的底层机制，更适合希望理解并调整智能体每一步操作的用户。两者连接 Ollama 的方式相同。

100 % 本地

搭配 Ollama，没有任何 token 或文档会发送至云端 API。适用于敏感数据或离线使用场景。

快速迭代

测试聊天功能已集成到画布中：您修改一个节点，即可立即看到效果，无需重新部署任何内容。

提供 API 接口和网页组件

每个聊天流程自动变为一个 REST 接口和一个嵌入式 Web 小部件，无需编写后端代码。

可扩展

模板市场、自定义JavaScript节点以及工具集成（网络搜索、计算器、HTTP调用）。

#先决条件

Flowise 本身资源占用很低：消耗内存的是 Ollama 和已加载的模型。请准备一台能流畅运行目标 LLM 的机器。

Ollama 已安装

守护进程应运行并监听 http://localhost:11434（默认值）。请使用「ollama list」进行验证。

一个聊天模型

供智能体使用、支持工具调用的模型：Qwen 3.5 8B、Granite 4.2 8B 或 Mistral Small 24B，具体取决于您的显存容量（采用 Q4_K_M 量化时，7B ≈ 5 GB，14B ≈ 9 GB，24B ≈ 16 GB）。

嵌入模型

对于 RAG：使用「nomic-embed-text」或「mxbai-embed-large」，轻量且可通过 Ollama 获取。

Node.js 18.15+ 或 Docker

Flowise 可通过 npm 或容器安装。建议使用 Docker，以保持部署环境整洁并实现持久化。

#安装 Flowise

有两种方法。测试时最快的方法是使用 npx；若要长期使用并持久保存数据，建议选择 Docker。

# Lancement direct, sans installation permanente
npx flowise start

# Ou installation globale puis démarrage
npm install -g flowise
flowise start

docker run -d \
  --name flowise \
  -p 3000:3000 \
  --add-host=host.docker.internal:host-gateway \
  -v ~/.flowise:/root/.flowise \
  flowiseai/flowise

接下来，在浏览器中打开 http://localhost:3000，即可看到画布界面。挂载的数据卷（~/.flowise）会保留您的聊天流程和密钥，使其在容器重启后仍然存在。

#将 Ollama 连接到 Flowise

节点「ChatOllama」是Flowise与您本地守护进程之间的桥梁。关键点在于基础URL：它取决于Flowise的启动方式。

1. 01
   添加 ChatOllama 节点

   在画布中打开节点面板，找到“Chat Models”类别，然后将“ChatOllama”拖到工作区。
2. 02
   填写基础 URL

   如果 Flowise 以原生方式运行（npx/npm），请使用 http://localhost:11434。如果它在 Docker 中运行，请使用 http://host.docker.internal:11434 —— 容器无法访问主机的“localhost”。
3. 03
   选择模型

   在「Model Name」字段中，输入 Ollama 中已加载模型的准确名称，例如「qwen3.5:8b」或「mistral-small」。
4. 04
   设置参数

   调整 Temperature（聊天时设为 0.7，基于事实的 RAG 任务设为 0.1–0.3），如有需要，还可在高级选项中通过 num_ctx 调整上下文长度。

#聊天流程中的核心节点

聊天流应从左向右阅读：提供模型、记忆和工具的节点向一个“链”或“智能体”节点提供输入，由该节点生成回答。以下是几乎所有流程中都会出现的几个模块。

Chat Model（ChatOllama）

大脑：负责生成回复的 LLM。始终是必备组件。

Memory（Buffer Memory）

保留对话历史，让智能体在不同对话轮次之间保持上下文连贯。

Prompt Template

定义系统指令和问题的格式。在这里为模型指定角色和上下文框架。

Chain / Agent

末端节点。“Conversation Chain”用于简单聊天；当模型需要决定是否调用工具时，使用“Tool Agent”。

Tools

外部能力：计算器、网络搜索、HTTP 请求、文件读取。将这些能力接入智能体后，就能扩展它能执行的任务。

Document Loaders & Vector Store

RAG 模块：加载文档、分割文档、建立索引并使其可被查询（详见下文）。

#创建第一个聊天流程

先从最简单的开始：一个连接到 Ollama、具有记忆功能的对话助手。它将成为后续所有内容的基础。

1. 01
   创建新的 Chatflow

   在首页的 Chatflows 选项卡中，点击「Add New」。随后会打开一个空白画布。
2. 02
   放置三个基础节点

   将「ChatOllama」、「Buffer Memory」和「Conversation Chain」拖拽至画布上。
3. 03
   建立连接

   将 ChatOllama 的输出连接到 Conversation Chain 的“Chat Model”输入，再将 Buffer Memory 的输出连接到同一链的“Memory”输入。
4. 04
   自定义系统提示

   在 Conversation Chain 中，打开 System Message 字段并指定角色：“你是一名回答简洁、使用法语作答的技术助手”。
5. 05
   在内置聊天中测试

   点击右上角的聊天图标，先问一个问题，再问一个依赖前一个问题的后续问题，以检查对话记忆是否正常工作。

#通过拖放搭建完整的 RAG

RAG（检索增强生成）使模型能够基于您自己的文档进行回答。在Flowise中，所有操作均在画布上完成：上传文件、进行向量化处理，并将检索器连接至问答流程。

1. 01
   加载文档

   请根据您的数据源添加合适的“Document Loader”节点：PDF File、Text File 或 Folder。该节点会读取原始内容。
2. 02
   切分为文本块

   将「Recursive Character Text Splitter」连接到加载器。将分块大小设置为约 1000 个字符，重叠量为 100，以保持片段间的上下文连续性。
3. 03
   生成嵌入向量

   添加一个“Ollama Embeddings”节点，使用“nomic-embed-text”模型，并设置与 ChatOllama 相同的基础 URL。
4. 04
   在向量存储中建立索引

   拖入一个「In-Memory Vector Store」（简单，适合入门），或使用「Chroma」实现持久化存储。将 splitter 和 embeddings 连接到该存储。
5. 05
   连接一个 Retrieval QA Chain

   将向量存储（作为检索器）和 ChatOllama 连接到“Retrieval QA Chain”或“Conversational Retrieval QA Chain”节点，以保留对话记忆。
6. 06
   查询您的文档

   保存后，打开聊天窗口并提出一个问题，其答案已存在于您的文件中。模型现在会引用您的内容。

ollama pull qwen3.5:8b
ollama pull nomic-embed-text

#发布并集成聊天机器人

当聊天流程达到满意效果后，Flowise 无需任何后端代码即可通过两种方式暴露该流程：一个 REST API 和一个可直接嵌入网站的网页组件。

点击「API Endpoint」或画布右上角的 </> 图标。Flowise 会生成预测URL以及可复制的示例。端点始终遵循相同的格式，包含聊天流程的唯一标识符。

curl http://localhost:3000/api/v1/prediction/<CHATFLOW_ID> \
  -H "Content-Type: application/json" \
  -d '{"question": "Résume la politique de retour en une phrase."}'

集成到网页时，“Embed”选项卡会提供一段脚本代码，需放在各页面的 </body> 结束标签之前。该组件会显示一个可全面配置的浮动聊天气泡（颜色、欢迎消息、头像）。

<script type="module">
  import Chatbot from 'https://cdn.jsdelivr.net/npm/flowise-embed/dist/web.js'
  Chatbot.init({
    chatflowid: '<CHATFLOW_ID>',
    apiHost: 'http://localhost:3000',
  })
</script>

#常见问题排查

ChatOllama出现「fetch failed」错误

基础 URL 错误。在 Docker 中请使用 host.docker.internal:11434，而非 localhost。请确认 Ollama 正常运行（运行 ollama list 检查）。

模型始终不调用工具

LLM 不支持工具调用，或支持效果不佳。请改用专门针对工具调用训练的较新模型（Qwen 3.5、Mistral Small），并确认您使用的是“Tool Agent”，而不是普通的处理链。

响应缓慢或被截断

上下文过大，超出了显存容量：模型会有部分转由 CPU 运行。请减小 num_ctx、RAG 分块大小，或选择更小的模型。

RAG未找到相关结果

分块尺寸不正确或嵌入模型错误。请调整分块大小，增加召回文档数量（top-k），并确认索引已正确构建。

数据在重启后会消失

在Docker中未挂载卷时，所有数据将丢失。请确保包含「-v ~/.flowise:/root/.flowise」，并使用持久化向量存储而非内存存储。

#深入了解

Flowise 只是一个可视化层：您构建的智能体质量如何，主要取决于底层模型和技术栈。本站另有三篇指南延伸了本篇的内容——连接 Flowise 前如何正确安装 Ollama、比较 Dify 与 Flowise 的无代码方案，以及了解 Python 中 RAG 的工作机制，从而对画布自动完成的操作进行精细调整。