精通 Agent Flows V2 与 Model Context Protocol
Source: Dev.to
引言
我们都有过这种经历。你在本地机器上构建了一个运行良好的聊天机器人，可能是一个简单的 RAG（检索增强生成）系统。它能回答问题，检索上下文，感觉像魔法。然后，你尝试让它做点别的——计算一个数字、向 Slack 发送信息，或根据复杂逻辑有条件地路由用户——线性链路就断了。魔法化为一团意大利面式的代码和脆弱的 API 粘合剂。
从简单的大语言模型（LLM）链路到自主代理的转变，是当前 AI 周期的决定性变化。Flowise 版本 2（V2）在系统设计上实现了显著的架构跃迁，从僵硬的线性依赖转向动态、具备状态感知的代理工作流。
如果说版本 1 是把珍珠串起来——把提示连接到模型再到输出——版本 2 则是构建工具的神经网络。界面可能看起来熟悉，但逻辑已经根本改变。在 V2 中，最主要的区别在于对代理决策过程的粒度控制。我们不再仅仅发送一个提示，而是在编排一个工作空间。
V2 工作流的解剖
起始节点 & 输入策略
入口点不再只是一个文本框。你可以定义 表单输入模式。例如，在 LLM 介入之前，你可以强制收集结构化数据——通过布尔值或选项选择器询问用户“你有工作吗？” 这些结构化数据会成为变量（例如 job），从而在概率性的 AI 逻辑接管之前，实现确定性的程序化逻辑。
代理节点
这是执行功能。无论使用 OpenAI 的 gpt‑4o‑mini 还是其他模型，代理节点不仅生成文本；它决定使用哪个工具。它连接到 工具 输入，工具可以是计算器，也可以是自定义 API 集成。
条件与逻辑
V2 在 条件节点（基于变量的标准 if/else 逻辑）和 条件代理 上表现出色。后者使用 LLM 执行“顺序思考”，分析用户意图并动态将其路由到不同路径。
循环节点
常被忽视的循环节点允许迭代细化。你可以强制代理在其推理过程中循环 n 次，实现自我纠正——一种原始的“系统 2”思考。
使用便利贴进行混乱管理
便利贴看似微不足道，但在生产环境中给节点簇（例如 “计算器代理”、 “Slack 逻辑”）贴标签，对可维护性至关重要。
MCP 承诺 vs. 当前现实
该生态系统中最重要的技术升级是对 模型上下文协议（Model Context Protocol，MCP） 的支持。以前，将 LLM 连接到外部工具需要自定义 JavaScript 函数或专有集成。MCP 使其标准化——它是 AI 代理世界的 USB‑C。
支持的 MCP 工具（示例）
- Brave Search – 实时网页访问
- Slack – 读取和发送消息
- Postgres – 数据库交互
- Filesystem – 读取本地目录
当前瓶颈
在当前的 Flowise V2 版本中，使用 npx 运行 MCP 服务器（常见的快速部署方式）经常失败或不受支持。我们被限制为 基于 node 的执行，这意味着不能简单地指向一个 GitHub 仓库并期望 npx 在自定义 MCP 工具节点内部解析依赖。
超级网关解决方案
为了解决 npx 限制下的 MCP 使用问题，可通过 超级网关（Super Gateway）使用服务器发送事件（SSE）。
- 在 Flowise 容器外运行 MCP 服务器（例如在 n8n 等自动化平台内部）。
- 将 MCP 服务器暴露为 SSE 端点。
- 在 Flowise 中配置该端点：
# 示例配置
SSE: "https://your-mcp-server.example.com/sse"此变通办法让你的 Flowise 代理能够使用在 n8n 中定义的工具（Google Sheets、自定义 HTTP 请求、天气 API、金融数据等），就像它们是原生函数一样。当工作流询问 “Apple 的最新新闻是什么？” 时，代理通过网关调用 Brave Search MCP，检索链接，合成答案并标注来源。抽象层是无缝的。
长期记忆 & 向量数据库
一个可运行的代理需要持久记忆。虽然简单交互可以依赖内存缓冲区，但生产级实现需要稳健的向量数据库。推荐的转变是从短暂存储迁移到 Postgres（通过 Supabase）。
导入管道
| 步骤 | 推荐工具 |
|---|---|
| Loader | PDF loader |
| Splitter | Recursive Character Text Splitter（块大小 = 1000，重叠 = 200） |
| Embeddings | text‑embedding‑3‑small（或类似模型） |
| Vector Store | 将向量 upsert 到 Postgres |
记录管理器
记录管理器（SQLite 或 Postgres）用于追踪内容哈希，防止重复嵌入。若没有它，每次导入都会产生重复块，导致数据库膨胀并降低检索质量。类似 “33 documents skipped” 的幂等性信息表明去重工作正常。
当代理查询 “狗训练师的三大类别是什么？” 时，它会访问 Postgres 存储，检索相关块，并可配置返回来源文档以提升透明度。
短暂存储陷阱
在 localhost:3000 上开发虽然舒适，却会形成孤岛。为了让客户或远程团队成员也能使用，需要部署。
Render 是部署 Flowise 的理想托管环境，但免费层使用 短暂存储。若想拥有永久、专业的实例，需要升级到支持 持久磁盘 的套餐（通常是 “Starter” 计划）。
配置变量
在托管平台上定义以下环境变量：
FLOWISE_USERNAME=your_username
FLOWISE_PASSWORD=your_password
DATABASE_PATH=/opt/render/flowise/.flowise # 持久挂载路径
APIKEY_PATH=/opt/render/flowise/apikeys # 工具凭证路径
SECRETKEY_PATH=/opt/render/flowise/secretkey # 加密密钥路径
LOG_PATH=/opt/render/flowise/logs部署检查清单
- Fork 仓库 – 在 GitHub 上创建 Flowise 仓库的副本。保持与上游同步，以获取更新（例如 npx 支持修复）。
- 创建 Web Service（Render） – 关联你的 GitHub Fork。
- 选择套餐 – 选 “Starter” 以启用磁盘挂载。
- 挂载磁盘 – 将磁盘（通常 1 GB 足够）映射到
/opt/render/flowise。 - 设置环境变量 – 输入上表中的路径和凭证。
- 部署 – 监控日志；上线后，URL 即可提供全局访问。
部署后，你的代理不再是工具，而是产品。
前端集成
- HTML/Script 标签 – 在网页的
<head>中放入简单的 JS 片段，即可生成悬浮聊天气泡。 - React/完整页面 – 使用 React 组件进行更深度的集成。
- API/Curl – 通过 HTTP 请求从 Python 或其他后端程序化触发代理。
自定义空间广阔：通过嵌入配置 JSON 修改 “开始聊天” 按钮、欢迎语和配色方案。这实现了后端逻辑（Flowise flow）与前端展示的解耦，使你能够在不重新部署客户网站的情况下更新代理逻辑。
从 Flowise V2 的转变以及模型上下文协议的采用，不仅是功能升级，更是一次范式革命。