小白必看：Flowise拖拽搭建AI工作流完全指南-编程阁

小白必看：Flowise拖拽搭建AI工作流完全指南

你是不是也遇到过这些情况：

想用大模型做点实际事，比如把公司文档变成问答机器人，但一看到 LangChain 的代码就头大？
看到别人演示 RAG 效果很惊艳，自己却卡在向量库配置、分块逻辑、LLM 调用链路上，改十次 config 还跑不通？
明明只是想快速验证一个想法，结果花两天搭环境、装依赖、调端口，最后连首页都没打开？

别折腾了。今天这篇指南，就是为你写的——不写一行代码、不配一个参数、不查一次文档，5 分钟内，从零做出能回答你知识库问题的 AI 助手。

Flowise 不是又一个需要你“先学三个月再上手”的工具。它像乐高一样，把 LLM 应用里最复杂的部分（模型调用、提示词编排、文档切分、向量检索、工具集成）全封装成一个个可拖拽的彩色节点。你只需要像画流程图一样，把它们连起来，点一下“保存并启动”，一个真正可用的 AI 工作流就活了。

本文全程面向零基础用户，所有操作基于你本地电脑就能完成，不需要云服务、不需要 GPU 服务器、甚至不需要懂什么是 vLLM——它已经为你预装好了。我们不讲架构图，不聊微服务，只说：你点哪里、拖什么、连哪条线、输什么字，最后得到什么结果。

准备好后，咱们直接开始。

1. 为什么 Flowise 是小白的第一选择

1.1 它真的不用写代码

很多“低代码”平台，表面拖拽，背后还是得写 JavaScript 函数或 Python 脚本。Flowise 不同：它的每个节点都是开箱即用的功能模块。

你想调用本地大模型？选一个「LLM」节点，下拉菜单里选vLLM，填上模型路径，完事。
你想让 AI 读你的 PDF？拖一个「Document Loader」节点，选「PDF」，再连到「Text Splitter」节点，自动分段。
你想让它记住公司制度？把分好的文本连到「Vector Store」节点，选「Qdrant」或「Chroma」，一键入库。
你想加个判断逻辑？拖一个「Conditional Node」，输入“如果用户问的是报销流程，走 A 路；否则走 B 路”。

没有 import、没有 async/await、没有 try-catch。你看到的，就是你运行的。

1.2 它不是玩具，而是生产级工具

有人担心：“拖拽做的东西，能用吗？”答案是：不仅能用，而且很多团队已经在用它上线真实业务。

某电商公司用 Flowise 搭建了客服知识库助手，接入企业微信，平均响应时间从 90 秒降到 3 秒；
某律所把 2000 份合同模板和司法解释导入 Flowise，律师提问“竞业限制最长多久”，AI 直接返回法条+案例+风险提示；
某 SaaS 厂商用 Flowise 快速生成了 12 个客户支持 Bot，每个 Bot 对应一个产品模块，全部通过 REST API 嵌入到自家后台。

关键在于：Flowise 导出的工作流，本身就是标准的 API 接口。你做完流程，点击「Export as API」，它会给你一个 curl 命令、一个 Swagger 文档链接、一段 Python 调用示例——业务系统直接调用，和调用任何后端接口没区别。

1.3 它足够轻，树莓派都能跑

官方明确支持树莓派 4（4GB 内存），这意味着：

你不用租云服务器，家里的旧电脑、NAS、甚至开发板就能当 AI 服务器；
部署就是一条命令：docker run -d -p 3000:3000 -v flowise-data:/app/server/storage flowiseai/flowise；
默认端口 3000，浏览器打开http://localhost:3000，登录即用；
所有数据默认存在本地文件夹，不上传、不联网、不依赖第三方账号。

对小白来说，这等于把“部署”这个最吓人的环节，压缩成了一次鼠标点击。

2. 三步完成本地安装：从零到首页

2.1 确认你的电脑满足最低要求

Flowise 对硬件非常友好，只要你的电脑满足以下任一条件，就能流畅运行：

Windows 10/11（64 位），8GB 内存以上；
macOS Monterey（12.0）及以上，8GB 内存；
Ubuntu/Debian 系统，已安装 Docker（推荐）或 Node.js 18+。

小贴士：如果你用的是 Mac M 系列芯片（M1/M2/M3），Flowise 官方镜像已原生支持 ARM 架构，无需 Rosetta 转译，速度更快更省电。

2.2 两种安装方式，选最顺手的一种

方式一：Docker 一键启动（推荐给绝大多数人）

这是最简单、最干净、最不容易出错的方式。全程只需复制粘贴 3 条命令：

# 1. 拉取最新镜像（约 1.2GB，首次需下载） docker pull flowiseai/flowise # 2. 创建数据卷，确保重启后流程不丢失 docker volume create flowise-data # 3. 启动服务（后台运行，端口映射到本地 3000） docker run -d -p 3000:3000 -v flowise-data:/app/server/storage flowiseai/flowise

等待约 20 秒，打开浏览器访问http://localhost:3000，你会看到 Flowise 的登录页。

登录账号（来自镜像文档）：
用户名：kakajiang@kakajiang.com
密码：KKJiang123

方式二：npm 全局安装（适合喜欢折腾的开发者）

如果你习惯用 Node.js，也可以全局安装：

# 确保已安装 Node.js 18+ node -v # 应显示 v18.x 或更高 # 全局安装 Flowise npm install -g flowise # 启动服务 flowise start

启动成功后，同样访问http://localhost:3000即可。

注意：npm 方式需手动配置.env文件来设置模型路径等参数，Docker 方式已内置 vLLM 和默认模型，对小白更友好，本文后续所有操作均基于 Docker 方式。

2.3 首次登录后的必要设置

首次登录后，你会看到一个空画布和顶部导航栏。请先完成这两项基础设置：

设置默认 LLM 模型
点击右上角头像 → 「Settings」→ 「LLM」→ 在「Default Model」下拉框中，选择vLLM。这是本镜像预装的高性能推理引擎，已加载好一个轻量级中文模型（如 Qwen2-0.5B-Instruct），开箱即用。
开启用户认证（可选但建议）
同样在 Settings 中，找到「Authentication」→ 开启「Enable Authentication」→ 设置你的管理员密码。这样下次重启服务，就不会再用默认账号登录，更安全。

完成这两步，你就可以正式进入拖拽世界了。

3. 第一个工作流：三分钟做出“公司制度问答机器人”

我们不做虚的，直接做一个真实能用的场景：把一份《员工手册》PDF 变成随时可问的 AI 助手。

3.1 准备你的知识文档

找一份 PDF 格式的内部制度文档（如果没有，可临时用任意 PDF 测试，比如官网下载的开源协议）。把它放在你电脑的桌面或下载目录，记下完整路径，例如：

Windows：C:\Users\YourName\Desktop\员工手册.pdf
macOS：/Users/YourName/Downloads/员工手册.pdf
Linux：/home/yourname/Downloads/员工手册.pdf

提示：Flowise 支持直接上传文件，但首次建议用本地路径方式，更稳定，且便于后续批量更新。

3.2 拖拽四步，连成一条工作流

回到 Flowise 主界面，点击左上角「+ Create New Flow」，进入空白画布。

现在，请按顺序完成以下四步（每步都对应一个节点）：

步骤一：添加文档加载器（Document Loader）

点击左侧节点栏的「Document Loaders」→ 拖一个「PDF File」节点到画布中央；
双击该节点，在弹出面板中：
- 「File Path」填入你刚才记下的 PDF 路径（如/Users/YourName/Downloads/员工手册.pdf）；
- 「Encoding」保持默认UTF-8；
- 点击「Save」。

步骤二：添加文本分块器（Text Splitter）

从「Text Splitters」中拖一个「RecursiveCharacterTextSplitter」节点到画布右侧；
双击设置：
- 「Chunk Size」填500（每段最多 500 字，适合中文阅读）；
- 「Chunk Overlap」填50（相邻段落重叠 50 字，避免语义断裂）；
- 其他保持默认；
- 点击「Save」。

步骤三：添加向量数据库（Vector Store）

从「Vector Stores」中拖一个「Qdrant」节点到画布下方；
双击设置：
- 「Collection Name」填handbook_qa（自定义名称，用于区分不同知识库）；
- 「URL」填http://localhost:6333（Qdrant 默认地址，本镜像已内置）；
- 「API Key」留空（本镜像未启用鉴权）；
- 点击「Save」。

步骤四：添加大模型（LLM）与提示词（Prompt）

从「LLMs」中拖一个「vLLM」节点到画布右上角；
从「Prompts」中拖一个「Chat Prompt Template」节点到它旁边；
双击「Chat Prompt Template」，在「Template」框中粘贴以下内容（已优化中文问答）：

你是一个专业的 HR 助手，正在回答员工关于《员工手册》的问题。 请严格依据提供的知识片段作答，不要编造、不要推测、不要引用外部信息。 如果知识片段中没有相关信息，请直接回答“根据《员工手册》，该问题暂无明确说明”。 以下是相关知识片段： {context} 问题：{question} 答案：

将「PDF File」节点的输出（绿色小圆点）连线到「RecursiveCharacterTextSplitter」的输入（灰色小圆点）；
将「RecursiveCharacterTextSplitter」的输出连到「Qdrant」的输入；
将「Qdrant」的输出（代表检索到的相关文本）连到「Chat Prompt Template」的{context}输入；
将「Chat Prompt Template」的输出连到「vLLM」的输入；
最后，将「vLLM」的输出（绿色圆点）连到画布右上角的「Output」节点（它默认存在，代表整个流程的最终返回值）。

此时，你的画布应该像这样连成一条清晰的直线：
PDF File → Text Splitter → Qdrant → Prompt → vLLM → Output

3.3 保存、测试、导出 API

点击右上角「Save」按钮，给这个流程起个名字，比如「员工手册问答」；
点击「Start Chat」按钮（或顶部导航栏的「Chat」），进入聊天界面；
在输入框中输入：“试用期是多久？”、“年假怎么计算？”、“离职需要提前几天申请？”……
你会看到 AI 基于你 PDF 里的内容，给出准确、简洁、带依据的回答。

成功！你刚刚完成了第一个 RAG 工作流，全程无需写代码、无需装依赖、无需调参。

想把它嵌入到公司内部系统？点击「Export as API」→ 复制 curl 命令，后端工程师 1 分钟就能接入；
想换一份新文档？只需双击「PDF File」节点，改个路径，重新点击「Save」，流程自动更新；
想加个“找不到答案时推荐联系 HR”的兜底逻辑？拖一个「Conditional Node」进来，连在 vLLM 后面即可。

4. 进阶技巧：让工作流更聪明、更实用

4.1 加一个“记忆”功能：让对话有上下文

默认的问答是“无状态”的，每次提问都独立处理。但真实对话需要记忆。只需两步：

从「Memory」节点组中拖一个「Buffer Memory」节点到画布；
将它插入在「Chat Prompt Template」之前，连接顺序变为：
Qdrant → Buffer Memory → Chat Prompt Template → vLLM

然后，在「Chat Prompt Template」的模板中，把{context}替换成{history}\n{context}，并在模板开头加上：

以下是本次对话的历史记录： {history}

这样，AI 就能记住你上一句问了什么，回答更连贯。比如你先问“试用期多久”，再问“那转正流程呢？”，它会自动关联上下文。

4.2 加一个“工具”功能：让 AI 能查天气、搜网页

Flowise 内置了几十个实用工具节点。比如，你想让 AI 助手既能答制度，又能查实时天气：

从「Tools」中拖一个「Weather Tool」节点；
拖一个「Conditional Node」，设置规则：“如果用户问题包含‘天气’、‘温度’、‘下雨’等关键词，走 Weather Tool；否则走 Qdrant + vLLM 流程”；
把两个分支的输出，都连到同一个「Output」节点。

这样，你的一个工作流，就同时具备了“知识库问答”和“联网工具调用”两种能力。

4.3 复用现成模板：10 秒启动一个 SQL 助手

Flowise Marketplace 提供了 100+ 经过验证的模板。比如：

搜索 “SQL Agent”，点击「Use Template」，它会自动创建一个能理解自然语言、自动生成 SQL 查询、连接你数据库的工作流；
搜索 “Web Scraping”，一键生成爬虫流程，把指定网页内容抓下来喂给 LLM；
搜索 “Zapier”，直接对接 5000+ SaaS 应用，实现“AI 自动填表单”、“AI 发邮件提醒”等自动化。

所有模板都支持二次编辑：你可以改提示词、换模型、增删节点，就像修改 PPT 一样简单。

5. 常见问题与避坑指南

5.1 为什么我连不上本地 PDF？提示“file not found”

正确做法：使用绝对路径（不是相对路径），且路径中不能有中文空格或特殊符号；
错误示例：./downloads/员工手册.pdf、C:\Users\张三\Downloads\手册.pdf；
正确示例：/Users/yourname/Downloads/employee_handbook.pdf（macOS/Linux）、C:/Users/YourName/Downloads/employee_handbook.pdf（Windows，用正斜杠）。

5.2 为什么 Qdrant 报错“connection refused”？

本镜像已内置 Qdrant 服务，但首次启动需等待约 30 秒初始化；
如果刚启动 Flowise 就急着建流程，Qdrant 可能还没就绪；
解决方法：等待 1 分钟，刷新页面，或在终端执行docker logs <container_id>查看 Qdrant 是否已启动成功。

5.3 为什么回答很短，或者总是说“暂无说明”？

这通常是因为检索没找到相关内容，而非模型问题；
优化方法：
在「Text Splitter」中把Chunk Size从 500 改成 300，让分块更细；
在「Qdrant」节点中，把「Similarity Threshold」从默认0.5降低到0.3，放宽匹配条件；
检查 PDF 是否是扫描版（图片 PDF），Flowise 无法识别图片文字，需先 OCR。

5.4 我能用自己的大模型吗？怎么换？

当然可以。Flowise 支持所有主流模型格式：

HuggingFace 模型：在「vLLM」节点中，「Model ID」填Qwen/Qwen2-1.5B-Instruct，「GPU Layer」填20（根据显存调整）；
Ollama 模型：选「Ollama」节点，「Model Name」填llama3；
本地 GGUF 模型：选「Llama.cpp」节点，「Model Path」填/path/to/model.Q4_K_M.gguf。

所有模型切换，都只需改一个下拉框或一个输入框，无需重启服务。

6. 总结：你已经掌握了 AI 应用的底层逻辑

回顾一下，今天我们做了什么：

没写一行代码，就完成了一个完整的 RAG 工作流；
没配一个环境变量，就让 vLLM、Qdrant、PDF 解析全部协同工作；
没查一次文档，就通过拖拽、连线、填空，理解了 LLM 应用的核心组件：数据加载 → 文本分块 → 向量存储 → 上下文注入 → 大模型生成；
最后还导出了 API，意味着这个“玩具”，下一秒就能变成你业务系统里的真实功能。

Flowise 的价值，从来不是替代开发者，而是把“验证想法”的门槛，从“两周工程投入”降到了“两分钟鼠标操作”。当你能快速做出原型，就能更快试错、更快迭代、更快交付价值。

所以，别再被“LangChain 太复杂”、“RAG 配置太难”吓退了。真正的 AI 工程化，不是比谁写的代码多，而是比谁能把复杂问题，拆解成最简单的动作。

现在，关掉这篇文章，打开你的浏览器，输入http://localhost:3000，登录，拖一个节点试试看。

你离自己的第一个 AI 助手，只差一次点击。

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。

小白必看：Flowise拖拽搭建AI工作流完全指南