software

为什么 Flowise 是 LangChain 生态系统中缺失的环节

发布: (2025年12月12日 GMT+8 04:33)
7 min read
原文: Dev.to

Source: Dev.to

引言

我们都有过这样的经历：你为 AI 代理绘制了一张完美的架构图——监督者、专职工作者、共享记忆——却在打开 IDE 后被大量样板代码、Python 依赖、LangGraph 状态图调试和 OAuth 回调所淹没。叙事在语法中迷失了。

在生成式 AI 领域，人们对“编排开销”感到日益疲惫。我们花的时间更多在配置管道上，而不是在打磨流经管道的智能本身。

于是 Flowise 出现了。

Flowise 并不是业余的“无代码”玩具；它是一个可视化的拖拽界面，位于原始 LangChain/LangGraph 库之上。它让你能够构建复杂的 RAG 流水线、多代理系统以及使用工具的“双代理”，同时仍然支持自定义 JavaScript 和无头向量连接。如果你想在不承受纯代码环境认知负担的情况下原型化生产级别的代理，Flowise 是必须了解的框架。

为什么 LangChain 生态需要可视化界面？

要体会 Flowise 的价值，先看当前的层级结构：

  • LangChain – 用于聊天流和简单自动化的库。
  • LangGraph – 为自主代理添加有状态、循环操作。
  • LangSmith – 评估与追踪。

LangChain 和 LangGraph 功能强大，但在代码中直接集成 模型上下文协议（MCP） 往往技术门槛高，需要适配器和深厚的专业知识。Flowise 抽象了这些复杂性，却不削弱能力。它运行在 Node.js 上，可视化逻辑的同时在后台执行底层 LangChain 代码——在架构意图与实际执行之间架起桥梁。

设置：本地优先的方式

开发应在本地进行，以保证安全和速度，即使最终会部署到云端（例如 Render）。

  1. Node 版本 – 使用 Node 20.16。更高版本可能在某些依赖上出现不稳定。使用 nvm 管理版本。

  2. 安装 – 全局安装：

    npm install -g flowise

  3. 运行 – 启动服务器：

    npx flowise start

    UI 将在 http://localhost:3000 打开。关闭终端即停止服务器。

  4. 维护 – 保持 Flowise 为最新：

    npm update -g flowise

双代理框架：从聊天机器人到执行者

当前 Flowise 中最稳健的模式是 双代理，它将推理引擎与执行能力分离。

1. 大脑（聊天模型）

双代理需要支持 函数调用（工具调用） 的模型。没有此能力的模型会产生幻觉式的动作。推荐通过 OpenRouter 访问的模型包括：

  • Claude 3.7 Sonnet
  • Google Gemini Pro

OpenRouter 充当聚合器，让你在不改代码的情况下切换后端，并提供模型选择的排序指标。

2. 上下文（记忆）

添加记忆节点——例如 Buffer Window Memory——使代理能够回忆先前的对话。配置 “k” 值（如 k=20）来控制保留的历史轮数。k 值过低会导致失忆，过高则会在无关历史上消耗大量 token。

3. 双手（工具 & MCP）

连接 工具，让代理在检测到相关意图时调用它们。

  • 标准工具 – 单一功能函数，如 计算器 或 Brave Search API。示例：询问比特币价格时触发搜索，获取数值并合成答案。
  • 模型上下文协议（MCP） – 提供更丰富的动作级控制。
    示例：Brave Search MCP 暴露子动作，如 local_search（本地业务）和 web_search（通用信息）。代理可动态选择合适的子动作，实现更细粒度的工作流。

集成悖论：用 Compose.io 解决 “认证地狱”

跨多个服务（Google Calendar、Slack、Notion 等）的认证传统上需要为每个服务单独配置 OAuth 客户端并管理令牌。Flowise 原生集成 Compose.io，一个统一的适配器，集中管理认证。

  1. 在 Compose.io 上一次性完成认证（通过其仪表盘连接 Google、Slack 等）。
  2. Compose.io 为 Flowise 提供单一 API Key。
  3. 将 Compose.io 工具拖到画布上，选择所需的应用和动作（例如 create_event 用于 Google Calendar）。
{
  "tool": "compose_io",
  "action": "google_calendar.create_event",
  "parameters": {
    "title": "Team Sync",
    "start_time": "2025-12-15T10:00:00Z",
    "duration_minutes": 60
  }
}

这就产生了类似 MCP 的行为：代理可以获取当前日期、查询日历可用性并安排事件——全部通过自然语言提示完成。

数据持久化：“文档存储” RAG 架构

RAG（检索增强生成）为代理提供知识。Flowise 将 知识摄取 与 知识检索 分离，通过 文档存储 防止对静态资产（如 PDF）进行重复处理。

摄取流水线

创建一个新的 Document Store 流程，包含三个阶段：

  1. 加载器 – 导入原始数据（PDF、文本文件、Cheerio 或 Firecrawl 等网页爬虫、API 加载器）。
    元数据策略：在加载时注入键值元数据（如来源类型、作者），以便后续精准引用。
  2. 分块器 – 将原始文本切分。对于 PDF，Recursive Character Text Splitter 表现良好，既保留上下文又生成可管理的块。
  3. 向量存储 – 使用选定的嵌入模型对块进行向量化，并存入向量数据库（如 Pinecone、Qdrant，或本地的 Chroma 实例）。

文档存储填充完成后，检索器 节点即可在推理阶段获取相关块，使代理能够用最新、带来源的资讯回答问题。

Back to Blog

相关文章

阅读更多 »