Flowise部署教程：WSL2环境下Windows平台Flowise快速启动

Flowise部署教程：WSL2环境下Windows平台Flowise快速启动

1. 什么是Flowise？——零代码构建AI工作流的可视化平台

Flowise 是一个在2023年开源的、专为大模型应用而生的「拖拽式 LLM 工作流」平台。它把 LangChain 中那些需要写代码才能串联起来的核心组件——比如语言模型（LLM）、提示词模板（Prompt）、文本分块器（Splitter）、向量数据库（VectorStore）、外部工具（Tool）等——全部封装成一个个可拖拽的图形化节点。

你不需要写一行 Python，只要在画布上把它们拖出来、连上线，就能快速搭建出功能完整的 AI 应用：

• 一个能读取公司文档并精准回答问题的 RAG 聊天机器人；
• 一个自动抓取网页内容再总结提炼的智能助手；
• 一个连接数据库、能听懂自然语言并生成 SQL 的数据分析 Agent；
• 甚至还能接入 Zapier，让 AI 自动触发邮件、通知或表单提交。

更关键的是，Flowise 不只是“玩玩而已”。它支持一键导出为标准 REST API，你可以直接嵌入到自己的业务系统、前端页面或内部管理后台中，真正实现从原型到落地的无缝衔接。

2. 为什么选 Flowise？——本地优先、开箱即用、不设门槛

如果你正在找一个既能快速验证想法、又能在本地稳定运行、还不用担心 API 调用费用和隐私泄露的 AI 工具平台，Flowise 就是目前最务实的选择之一。

它不是另一个需要你配环境、调参数、改源码的“技术玩具”，而是一个真正面向工程实践的生产力工具。它的核心优势非常清晰：

• 零代码上手：所有逻辑都通过图形界面完成。拖节点、连线条、加条件分支、设循环逻辑——就像搭乐高一样直观。新手5分钟就能跑通第一个问答流程。
• 多模型自由切换：OpenAI、Anthropic、Google Gemini、Ollama、HuggingFace、LocalAI……官方已内置主流模型接入方式。想换模型？点一下下拉框，改个配置项，不用重写任何代码。
• 100+ 现成模板开箱即用：Flowise Marketplace 提供大量经过验证的模板，比如“PDF知识库问答”、“网页内容摘要”、“SQL查询助手”、“Zapier自动化集成”等。你可以一键导入，再根据实际需求微调几个节点，立刻投入试用。
• 本地优先，轻量可靠：支持 npm 全局安装，也提供 Docker 镜像。哪怕是一台树莓派4，也能流畅运行。默认端口 3000，启动后浏览器打开就能用，没有云服务依赖，数据完全留在你自己的机器里。
• 生产就绪，扩展性强：支持 PostgreSQL 持久化存储流程与用户数据；可导出为独立 API 服务；官方还提供了 Railway、Render、Northflank 等平台的一键部署模板，方便后续平滑迁移到云端。
• MIT 协议，商用无忧：完全开源，无任何使用限制。GitHub 星标已达 45.6k，社区活跃，插件生态持续丰富，每周都有新功能更新。

一句话总结 Flowise 的定位：
“45k Star、MIT 协议、5 分钟搭出 RAG 聊天机器人，本地/云端都能跑。”

一句话帮你判断是否该用它：
“不会写 LangChain，却想 10 分钟把公司知识库变成问答 API，直接docker run flowiseai/flowise即可。”

3. 为什么要在 WSL2 下部署？——兼顾 Windows 生态与 Linux 兼容性

很多 Windows 用户想用 Flowise，但又担心原生 Windows 支持不够稳定，或者怕装一堆 Python、Node.js、CUDA 环境太麻烦。这时候，WSL2（Windows Subsystem for Linux 2）就是一个极佳的折中方案。

它不是虚拟机，也不是双系统，而是 Windows 内核直接支持的 Linux 子系统。你可以在 Windows 上获得近乎原生的 Ubuntu/Debian 体验，同时又能无缝调用 Windows 文件、访问本地网络、使用 VS Code 远程开发，甚至还能跑 vLLM 这类对 CUDA 和 Linux 环境要求严格的推理引擎。

更重要的是，Flowise 官方文档和社区案例绝大多数基于 Linux 或 macOS，WSL2 让你在 Windows 平台上也能复用这些经验，避免踩坑。整个部署过程干净利落，不需要折腾 Cygwin、MinGW 或各种兼容层。

本教程将带你从零开始，在 WSL2 中完成 Flowise + vLLM 的完整本地部署，最终实现：

• 基于本地大模型（如 Qwen2、Phi-3、Llama3）的 RAG 问答；
• 可视化拖拽搭建 Agent 工作流；
• 浏览器直接访问，账号登录，流程保存；
• 后续可随时导出 API，对接自有系统。

4. WSL2 环境准备——三步搞定基础依赖

在正式安装 Flowise 前，我们需要先确保 WSL2 环境已就绪，并安装好必要的编译与运行依赖。

4.1 启用并安装 WSL2

如果你尚未启用 WSL2，请以管理员身份打开 PowerShell，依次执行以下命令：

wsl --install

该命令会自动启用 WSL 功能、下载最新内核、安装默认发行版（通常是 Ubuntu）。安装完成后重启电脑。

启动 Ubuntu 终端，首次运行会提示设置用户名和密码。记好这个账户，后续所有操作都在此环境中进行。

4.2 更新系统并安装基础编译工具

打开 WSL2 终端（Ubuntu），执行以下命令更新软件源并安装关键依赖：

sudo apt update && sudo apt upgrade -y sudo apt install -y cmake libopenblas-dev build-essential python3-dev python3-pip curl git wget

注意：libopenblas-dev是 vLLM 编译所必需的线性代数库，cmake是构建 C++ 扩展的关键工具，缺一不可。

4.3 安装 Node.js 18+ 与 pnpm

Flowise 基于 Node.js 构建，推荐使用 Node.js 18 或更高版本（v20 更佳）。我们使用nvm（Node Version Manager）来管理版本，避免系统级污染：

curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh | bash source ~/.bashrc nvm install 20 nvm use 20

然后安装 pnpm（比 npm/yarn 更快、更节省磁盘空间的包管理器）：

npm install -g pnpm

至此，WSL2 环境已具备运行 Flowise + vLLM 的全部底层能力。

5. Flowise 源码部署——从克隆到启动全流程

Flowise 官方推荐 Docker 部署，但在需要深度定制、接入本地 vLLM 或调试节点逻辑时，源码部署是最灵活的方式。以下是完整步骤：

5.1 克隆仓库并进入项目目录

cd /home/$USER mkdir -p ~/projects && cd ~/projects git clone https://github.com/FlowiseAI/Flowise.git cd Flowise

建议将项目放在/home/用户名/projects/下，便于后续 VS Code 远程连接和文件管理。

5.2 配置环境变量

Flowise 启动前需配置.env文件。我们复制示例文件并添加必要变量：

cp packages/server/.env.example packages/server/.env

用你喜欢的编辑器（如nano或code .）打开packages/server/.env，修改以下几项（其余保持默认即可）：

NODE_ENV=production PORT=3000 FLOWISE_USERNAME=kakajiang@kakajiang.com FLOWISE_PASSWORD=KKJiang123. APIKEY_REQUIRED=false

说明：APIKEY_REQUIRED=false表示无需 API Key 即可调用接口，适合本地开发；若需加强安全，可设为true并配置FLOWISE_APIKEY。

5.3 安装依赖并构建服务

Flowise 使用 pnpm 管理 monorepo 依赖，执行以下命令完成安装与构建：

pnpm install pnpm build

首次构建可能耗时 3–5 分钟（取决于 CPU 性能），请耐心等待。期间会自动下载 TypeScript 类型定义、编译前端资源、打包后端服务。

5.4 启动 Flowise 服务

构建完成后，执行：

pnpm start

你会看到类似如下输出：

> flowise@2.12.0 start > pnpm --filter @flowiseai/server run start > @flowiseai/server@2.12.0 start > node dist/index.js Flowise server is running on http://localhost:3000 Authentication enabled: true Flowise data directory: /home/kakajiang/projects/Flowise/storage

此时服务已在http://localhost:3000启动。但注意：这是 WSL2 内部地址，Windows 浏览器还无法直接访问。

6. Windows 端访问与登录——打通 WSL2 与宿主机网络

WSL2 默认使用虚拟网络，其localhost与 Windows 宿主机localhost并不互通。我们需要做一次简单映射。

6.1 在 Windows 上配置端口转发

以管理员身份打开 Windows PowerShell，执行：

netsh interface portproxy add v4tov4 listenport=3000 listenaddress=127.0.0.1 connectport=3000 connectaddress=$(wsl hostname -I | awk '{print $1}')

这条命令的作用是：把 Windows 的127.0.0.1:3000请求，自动转发到 WSL2 实际 IP 的3000端口。

验证是否成功：在 PowerShell 中运行netsh interface portproxy show v4tov4，应能看到对应条目。

6.2 浏览器访问 Flowise 控制台

现在，打开 Windows 上任意浏览器，访问：

http://localhost:3000

你应该能看到 Flowise 的登录页。使用以下默认凭证登录：

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

登录成功后，即可进入可视化工作流画布，开始拖拽节点、配置模型、上传文档、测试问答。

7. 接入本地 vLLM 模型——让 Flowise 真正“离线可用”

Flowise 默认支持多种模型后端，其中LocalAI和Ollama是最常用的本地方案。但若你追求更高性能、更低延迟、更强控制力（比如量化、LoRA 微调、自定义 stop token），vLLM 是当前最成熟的选择。

7.1 在 WSL2 中安装 vLLM

确保你已安装 CUDA 驱动（Windows 上需先安装 NVIDIA Game Ready 或 Studio 驱动，WSL2 会自动复用）。然后在 WSL2 终端中执行：

pip3 install vllm

验证安装：运行python3 -c "import vllm; print(vllm.__version__)"，应输出版本号（如0.6.3）。

7.2 启动 vLLM API 服务

以 Qwen2-1.5B-Instruct 为例（你可替换为任意 HuggingFace 上的 GGUF 或 AWQ 模型）：

python3 -m vllm.entrypoints.openai.api_server \ --model Qwen/Qwen2-1.5B-Instruct \ --tensor-parallel-size 1 \ --dtype half \ --port 8000 \ --host 0.0.0.0

该命令会在http://localhost:8000启动一个兼容 OpenAI 格式的 API 服务。Flowise 只需将其当作普通 OpenAI 接口接入即可。

7.3 在 Flowise 中配置 vLLM 模型节点

登录 Flowise 后，点击左上角+ Create New Flow→ 选择Blank Flow→ 在左侧节点栏找到LLM分类 → 拖入OpenAI节点。

在右侧配置面板中填写：

• Base Path：http://localhost:8000/v1
• API Key：留空（vLLM 默认无需 key）
• Model Name：Qwen2-1.5B-Instruct（必须与启动时一致）
• Temperature：0.3（可根据需要调整）

保存后，该节点即可调用本地 vLLM 进行推理，全程不联网、不依赖任何第三方服务。

8. 实战演示：5 分钟搭建一个 PDF 知识库问答机器人

现在我们用一个真实场景，走一遍从文档上传到问答测试的全流程。

8.1 创建新流程并添加核心节点

新建流程 → 拖入以下节点并按顺序连线：

• Document Loader（加载本地 PDF）
• RecursiveCharacterTextSplitter（自动分块）
• HNSWLib Vector Store（本地向量库，无需额外服务）
• OpenAI LLM（已配置为 vLLM）
• Prompt Template（输入：“你是一个专业客服，请基于以下内容回答用户问题：{context}\n问题：{question}”）
• RetrievalQA Chain（连接向量库与 LLM）

8.2 上传文档并构建知识库

点击Document Loader节点右上角⋯→Upload File→ 选择一份产品说明书 PDF。Flowise 会自动解析文本、分块、嵌入并存入向量库。

⏱ 首次构建可能需 30–60 秒，后续查询毫秒级响应。

8.3 测试问答效果

点击画布右上角Chat图标 → 输入问题，例如：

“这款设备支持哪些无线协议？”

Flowise 将自动检索相关段落，交由 vLLM 生成自然语言答案，整个过程完全本地完成。

你还可以点击Export→Export as API，获取一个标准 REST 接口地址，供其他程序调用。

9. 常见问题与优化建议——少走弯路的实用提醒

部署过程中，你可能会遇到一些典型问题。以下是高频场景及应对方案：

9.1 启动失败：Error: Cannot find module 'xxx'

原因：pnpm 构建未完成或依赖未正确链接。
解决：

pnpm clean pnpm install pnpm build

9.2 浏览器打不开localhost:3000

原因：端口转发未生效，或 WSL2 IP 变化后未更新规则。
解决：

• 重新运行端口转发命令（见 6.1 节）；
• 或直接在 Windows 浏览器中访问http://$(wsl hostname -I | awk '{print $1}'):3000。

9.3 vLLM 报错CUDA out of memory

原因：显存不足，尤其在运行 7B+ 模型时。
解决：

• 启动时加参数--gpu-memory-utilization 0.8；
• 或改用量化模型（如TheBloke/Qwen2-1.5B-Instruct-AWQ）；
• 或降低--max-num-seqs（默认 256，可设为 64）。

9.4 Flowise 登录后空白页或报 404

原因：前端资源未正确构建，或缓存未刷新。
解决：

• 清除浏览器缓存（Ctrl+Shift+R 强制刷新）；
• 或在 WSL2 中执行pnpm build:frontend单独重建前端。

9.5 想长期运行？别用pnpm start

pnpm start是前台进程，关闭终端即退出。生产建议用：

# 安装 PM2 进程管理器 npm install -g pm2 # 启动 Flowise（后台守护） pm2 start packages/server/dist/index.js --name flowise # 查看日志 pm2 logs flowise

10. 总结：Flowise 是你通往 AI 应用落地的第一块坚实跳板

Flowise 不是一个炫技的 Demo 工具，而是一个真正把“大模型能力”转化成“业务价值”的工程化桥梁。它用最直观的图形界面，消除了 LangChain 学习曲线；用最简化的部署路径，绕开了复杂的环境配置；用最开放的架构设计，支撑从本地实验到云端生产的全生命周期。

在 WSL2 环境下完成本次部署后，你已经拥有了：

• 一个完全可控、数据不出本地的 AI 工作流平台；
• 一套可复用、可导出、可嵌入的 RAG/Agent 构建能力；
• 一条从“想法→原型→API→业务集成”的清晰路径。

接下来，你可以：

• 把公司内部的 SOP 文档、产品手册、会议纪要全部接入，打造专属知识助手；
• 将销售话术、客服FAQ、培训材料结构化，生成智能应答 Bot；
• 结合 Webhook 和数据库节点，让 AI 自动查库存、填工单、发通知。

技术的价值，从来不在参数有多高，而在能否解决真问题。Flowise 正是这样一款“让 AI 回归本质”的工具。

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。