Flowise：让小白也能 5 分钟搭建 AI 应用的神器

10 months ago

Flowise 能帮你做什么？

想象一下，你想做个能读懂公司文档的 AI 助手，或者做个智能客服机器人。以前这事儿得找程序员写一堆代码，现在用 Flowise，你只需要像玩拼图一样，把功能模块拖来拖去连起来就完事了。

Flowise 最适合做这些事：

应用安装后，登录用户名和密码：lazycat / 123456

来个实际的例子，假设你要做个能回答产品问题的 AI 助手。

进入 Flowise 后，点击「Chatflows」→「Add New」，给你的项目起个名字，比如"产品知识库"。

点击左侧的+，可以看到节点的弹窗，默认显示的LangChain：主打 LLM 工作流和智能体，适合复杂 AI 应用。

LlamaIndex：主打数据接入和知识库问答，适合做 RAG 场景。

Utilities：通用工具，辅助数据处理和流程搭建。

你需要这几个核心组件：

文档加载器：搜索"PDF"，拖一个 PDF File 组件进来

文本分割器：搜索"Text Splitter"，选 Recursive Character Text Splitter（把长文档切成小块）

向量数据库：搜索"Pinecone"或"Chroma"（免费的选 Chroma）

嵌入模型：搜索"OpenAI Embeddings"（把文字转成 AI 能理解的格式）

对话模型：搜索"ChatOpenAI"（负责回答问题的大脑）

链条：搜索"Conversational Retrieval QA Chain"（把以上组件串起来）

把组件连起来，顺序是：

虽然逻辑上是“先读 PDF 再切分”，但在 Flowise 的这个节点设计里，Pdf File 节点支持“注入一个 Text Splitter”，所以需要把 Text Splitter 连到 Pdf File 的“Text Splitter”输入。

OpenAI Embeddings → Vector Store 将 Pdf File 的 Output “Document” 端口，拖线连接到 Chroma 的 Inputs 里的“Document”端口。

将 OpenAI Embeddings 的 Output 端口，拖线连接到 Chroma 的 Inputs 里的“Embeddings”端口。

将 Chroma 的“Chroma Retriever”输出连到“Conversational Retrieval QA Chain”的“Vector Store Retriever”输入。

将 ChatOpenAI 的输出连到该链的“Chat Model”输入。

这样就能在对话里基于你刚入库的 PDF 内容进行检索问答。

双击每个组件，填入配置：

点右上角的聊天图标，问个问题试试，比如"产品的主要功能是什么？"

你的第一个知识库就搭好了！

Flowise 自动生成 API，可以轻松集成到网站或 App：

Flowise 最大的价值在于让 AI 应用开发平民化了。你不需要懂 Python，不需要会调 API，只要会拖拽，有想法，就能做出实用的 AI 工具。

作者

天天