小白也能懂的Flowise教程：快速搭建本地AI应用工作流-洪萨配资

小白也能懂的Flowise教程：快速搭建本地AI应用工作流

你是不是也遇到过这些情况：

想把公司内部文档变成能随时问答的知识库，但写 LangChain 代码太费劲？
看到 RAG、Agent、向量检索这些词就头大，可又不想只用黑盒 AI 工具？
听说 Flowise 能拖拽建工作流，点开官网却卡在“npm install”和“环境变量配置”上？

别担心——这篇教程专为没写过一行 LangChain、没配过一次向量库、甚至刚装好 Docker 的新手而写。不讲抽象概念，不堆技术参数，只带你从零开始：
5 分钟启动本地 Flowise 服务
拖拽 4 个节点，做出一个能读 PDF 并回答问题的机器人
不改一行代码，导出 API 给网页或 Excel 调用
真实可用，不是演示 Demo

全程用大白话+截图逻辑+可复制命令，就像朋友手把手教你搭积木。

1. 先搞明白：Flowise 到底是干啥的？

Flowise 不是一个“AI模型”，它更像一个AI 应用组装台。

想象一下：LangChain 是一整套乐高零件（聊天模型、提示词模板、文本分割器、向量数据库、网络工具……），而 Flowise 把它们全做成带标签的彩色积木块，摆在画布上。你只需要：

拖 —— 把需要的模块拖进来（比如“本地大模型”“PDF 解析器”“向量检索器”）
连 —— 用线把它们连起来（输出 → 输入）
点 —— 点“保存”“启动”，就能跑起来

它不训练模型，也不优化推理，但它让你跳过所有代码门槛，直接做出能落地的 AI 功能。

官方原话叫 “Drag & drop UI to build your customized LLM flow”
中文直译就是：“拖一拖、连一连，做出你自己的大模型工作流”

而且它完全本地运行：你的文档不会上传云端，你的提问不会进别人服务器，所有数据留在你自己的电脑或服务器里。

2. 三步启动：不用 npm，不用编译，Docker 一键开箱

Flowise 官方提供了预构建的 Docker 镜像，这是对新手最友好的方式。我们跳过源码编译、pnpm 构建、环境变量调试这些容易卡住的环节，直接走最短路径。

2.1 前提检查：你的机器得有啥？

已安装 Docker（验证命令：docker --version，输出类似Docker version 24.0.7即可）
内存 ≥ 8GB（跑本地模型推荐 16GB，但 Flowise 本身只要 2GB 就能启动）
磁盘剩余空间 ≥ 5GB（用于存储知识库和缓存）

如果还没装 Docker？别回头去查教程了——直接复制粘贴这三行命令（Linux/macOS）：
curl -fsSL https://get.docker.com | sh sudo usermod -aG docker $USER newgrp docker
执行完重启终端，再输docker --version就能看到版本号。

2.2 一条命令，启动 Flowise 服务

打开终端（Windows 用户可用 PowerShell 或 WSL），输入：

docker run -d \ --name flowise \ -p 3000:3000 \ -v $(pwd)/flowise-storage:/root/.flowise \ -e FLOWISE_USERNAME=admin \ -e FLOWISE_PASSWORD=123456 \ --restart unless-stopped \ flowiseai/flowise:latest

这条命令做了什么？我们用人话拆解：

部分	说明
`docker run -d`	后台运行容器（不占终端）
`--name flowise`	给这个服务起名叫`flowise`，方便后续管理
`-p 3000:3000`	把容器里的 3000 端口映射到你电脑的 3000 端口，之后访问`http://localhost:3000`就能打开界面
`-v $(pwd)/flowise-storage:/root/.flowise`	把当前文件夹下的`flowise-storage`目录，作为 Flowise 的永久存储位置（存知识库、日志、配置等），关机重启也不丢数据
`-e FLOWISE_USERNAME=admin -e FLOWISE_PASSWORD=123456`	设置登录账号密码（用户名 admin，密码 123456），避免默认空密码的安全风险
`--restart unless-stopped`	电脑重启后自动拉起 Flowise，不用手动再输命令
`flowiseai/flowise:latest`	从 Docker Hub 拉取最新版官方镜像（已内置 vLLM 支持，开箱即用）

执行后你会看到一串长 ID（如a1b2c3d4e5...），说明启动成功。

2.3 打开浏览器，登录你的 AI 工作台

在浏览器地址栏输入：
http://localhost:3000

输入你刚刚设置的账号密码：

用户名：admin
密码：123456

首次登录会进入欢迎页，点击右上角“Get Started”，就正式进入 Flowise 的可视化画布。

注意：如果打不开页面，请检查是否还有其他程序占用了 3000 端口（比如另一个 Flowise、Vite 项目等）。可临时换端口：把上面命令中的-p 3000:3000改成-p 3001:3000，然后访问http://localhost:3001。

3. 第一个实战：拖拽做出「PDF 文档问答机器人」

我们不做虚的，现在就做一个真实能用的功能：上传一份 PDF（比如产品说明书），让它能回答“这个功能怎么开启？”“支持哪些接口？”这类问题。

整个过程只需 4 步，全部在网页里点选完成，不需要写任何代码。

3.1 创建新工作流：选对起点很关键

点击左侧菜单栏的Chatflows（这是最常用的工作流类型，适合问答、对话类场景）
点右上角+ Create New Chatflow
输入名称，比如产品手册问答
点击Create

你将看到一张空白画布，右侧是组件面板，左边是节点库。

3.2 拖入四个核心节点（按顺序连）

请严格按以下顺序拖入并连线（顺序错了可能无法运行）：

### 3.2.1 拖入「Document Loader」→ 加载 PDF

在左侧节点库中，找到Document Loaders分类
拖一个PDF File节点到画布中央
点击该节点，在右侧设置面板中：
- 勾选“Allow upload from UI”（允许你在界面上直接上传 PDF）
- 其他保持默认即可

这个节点的作用：把 PDF 文件转成纯文本段落（自动处理目录、表格、图片文字等）

### 3.2.2 拖入「Text Splitter」→ 切分文本

在Text Splitters分类下，拖一个Recursive Character Text Splitter
连线：把PDF File的输出箭头（绿色小圆点），拖到Recursive Character Text Splitter的输入箭头（灰色小圆点）上
点击该节点，在右侧设置：
- Chunk Size:500（每段最多 500 字符，太长影响检索精度）
- Chunk Overlap:50（相邻段落重叠 50 字，避免断句丢失上下文）

这个节点的作用：把几十页的 PDF 拆成几百个“小知识块”，方便后面存进向量库快速查找

### 3.2.3 拖入「Vector Store」→ 存知识、做检索

在Vector Stores分类下，拖一个In-Memory Vector Store（新手首选，无需额外数据库）
连线：把Text Splitter的输出，连到In-Memory Vector Store的输入
点击该节点，在右侧设置：
- Embedding: 选择Ollama Embeddings（如果你本地没装 Ollama，先跳过，我们用备用方案）
- 替代方案（推荐新手）：点击+ Add Credential→ 选择HuggingFace Embeddings→ 填写model:sentence-transformers/all-MiniLM-L6-v2（免费、轻量、中文友好）

这个节点的作用：把每一段文字转成数字向量，存进内存；当你提问时，它能快速找出“最像”的几段原文

### 3.2.4 拖入「LLM」→ 让 AI 看懂并回答

在LLMs分类下，拖一个Ollama节点（如果你已装 Ollama 并运行了模型）
替代方案（无 Ollama 用户）：拖OpenAI节点（需 OpenAI API Key）或HuggingFace Inference API（需 HuggingFace Token）
连线：把Vector Store的输出（标着retriever的端口），连到LLM节点的retriever输入；再把LLM的output连到画布右上角的“Output”节点（它自带，不用拖）
点击 LLM 节点设置：
- 若用 OpenAI：填入你的API Key，Model Name:gpt-3.5-turbo
- 若用 HuggingFace：填入Token，Model ID:google/flan-t5-base（轻量、响应快）

这个节点的作用：接收用户问题 + 检索到的相关原文，生成自然语言回答（不是简单复制粘贴，而是理解后组织语言）

3.3 保存并测试：上传 PDF，问一句试试

点右上角Save
点左上角Chat标签（或刷新页面），进入聊天界面
点击右下角 ** Upload Document**，选择一份 PDF（建议先用 2–3 页的简单文档测试）
等待右上角显示 “Document processed successfully”
在输入框里问：
“这个产品支持蓝牙吗？”
“如何重置设备？”

你会看到 Flowise 先检索相关段落，再调用大模型生成回答——整个流程不到 5 秒。

4. 进阶一步：导出 API，让别人也能用

做出来只是第一步，真正落地，是要让其他人（同事、前端、Excel 宏）也能调用它。

Flowise 提供了一键导出 REST API 的能力，且完全免费。

4.1 获取你的工作流 API 地址

回到Chatflows页面
找到你刚创建的产品手册问答，点右侧⋯ → Export Chatflow
复制弹窗里的API Endpoint，形如：
http://localhost:3000/api/v1/prediction/abc123def456

4.2 用 curl 测试调用（30 秒搞定）

在终端里执行（替换为你自己的 endpoint）：

curl -X POST "http://localhost:3000/api/v1/prediction/abc123def456" \ -H "Content-Type: application/json" \ -d '{ "question": "这个产品保修期多久？", "overrideConfig": { "sessionId": "user_001" } }'

你会立刻收到 JSON 响应，其中"text"字段就是 AI 的回答。

后续你可以：
把这个地址给前端工程师，让他用 fetch 调用
写个 Python 脚本批量提问
在 Excel 里用 Power Query 调用它生成报告
接入企业微信/钉钉机器人，@它就回答问题

5. 常见问题：新手最容易卡在哪？

我们整理了 90% 新手第一次使用 Flowise 会遇到的 3 个问题，并给出“抄作业式”解决方案。

5.1 问题：上传 PDF 后一直转圈，“Document processed” 不出现

解决方案：

检查 PDF 是否加密（带密码的 PDF Flowise 无法解析）
检查是否是扫描版 PDF（全是图片，没文字）→ 用 Adobe Acrobat 或 Smallpdf 先 OCR 识别成可选中文本
检查 Flowise 日志：在终端执行docker logs flowise，看是否有Error: ENOENT（文件路径错误）或Embedding model not found（嵌入模型未加载）
最快自救：换一个已知正常的 PDF（比如 Flowise 官网的 Getting Started PDF）

5.2 问题：提问后返回空，或答非所问

解决方案：

先确认你连的是retriever端口（不是input或output）
检查Text Splitter的Chunk Size是否太大（>1000）导致检索不准 → 改成400
检查Embedding模型是否支持中文（all-MiniLM-L6-v2支持，text-embedding-ada-002也支持）
快速验证：在聊天框输入test，看是否返回“我还不知道”之类兜底回复 —— 如果连兜底都不回，说明 LLM 节点根本没连通

5.3 问题：想用本地大模型（如 Qwen2、Phi-3），但不知道怎么配

解决方案（两步到位）：

先装 Ollama（Mac/Linux 一行命令）：

curl -fsSL https://ollama.com/install.sh | sh

拉取并运行模型：

ollama run qwen2:0.5b # 轻量版，1GB 显存够用 # 或 ollama run phi3:mini # 更小，CPU 也能跑

在 Flowise 的 LLM 节点里：
- 类型选Ollama
- Base URL:http://host.docker.internal:11434（Mac/Linux）或http://172.17.0.1:11434（Windows WSL）
- Model Name:qwen2:0.5b（和你ollama run的名字一致）

这样你就拥有了完全离线、不联网、不依赖 OpenAI 的私有 AI 助手。

6. 总结：你已经掌握了什么？

回顾一下，你刚刚完成了：

用一条 Docker 命令，绕过所有编译和依赖，启动 Flowise 服务
在网页里拖拽 4 个节点，连成一条工作流，做出能读 PDF 并回答问题的机器人
上传任意文档，5 秒内获得精准回答，不是关键词匹配，而是语义理解
导出一个标准 REST API 地址，让任何人、任何系统都能调用你的 AI 能力
解决了新手三大高频卡点，并学会接入本地大模型

Flowise 的价值，从来不是“多酷炫”，而是“多省事”。它不替代你学 LangChain，但它让你在学会 LangChain 之前，就能交付真实价值。

下一步你可以：
➡ 去Marketplace里一键导入 “SQL Agent” 模板，让 AI 直接查你公司的数据库
➡ 在Tools里写一段 JS，让机器人能查天气、发邮件、调用内部 API
➡ 把多个 Chatflow 组合成一个Assistant，给它起名字、设人设、加记忆

但最重要的，是今天你已经跨过了那道“不敢开始”的门槛。