Flowise 本地部署文档及 MCP 使用说明

space01

已于 2025-06-03 16:32:18 修改

阅读量501

点赞数 1

CC 4.0 BY-SA版权

分类专栏： AIGC 文章标签： agent 智能体 flowise mcp 人工智能 ollama 编排

于 2025-06-03 16:24:48 首次发布

本文链接：https://blog.youkuaiyun.com/space01/article/details/148403167

AIGC 专栏收录该内容

9 篇文章 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

一、Flowise 简介

Flowise 是一个开源的拖放式 UI 工具，用于构建自定义的 LLM 工作流程。它允许用户通过可视化界面连接不同的 AI 组件，无需编写代码即可创建复杂的 AI 应用。

二、Docker 环境安装

1. 构建 Docker 镜像

docker build -t node22-ubuntu-dev .

其中Dockerfile的内容如下：

# 使用 Ubuntu 22.04 基础镜像
FROM ubuntu:22.04

# 避免交互式提示
ENV DEBIAN_FRONTEND=noninteractive

# 安装基础工具

了解本专栏

订阅专栏解锁全文

超级会员免费看

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

space01

关注关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

大模型企业落地应用方法对比：微调、RAG与MCP工具调用

JarvisGreat的博客

04-10

515

每种方法都有其独特优势和适用场景，企业应根据自身业务需求、技术能力和资源条件，选择最合适的实施路径，也可以考虑这些方法的组合使用，以最大化大模型的应用价值。：微调+RAG的组合，兼顾专业性和知识更新。：MCP为核心，根据需要结合RAG。：优先考虑RAG，投入产出比高。

数智时代：n8n 不够用？试试更懂数据的 HuggingFists

colorknight的专栏

07-04

870

在「低代码+AI」的浪潮中，n8n 无疑是很多人心中的自动化神器。但当数据场景变得复杂、对智能化的需求越来越深时，n8n 也逐渐暴露出「不够用」的一面。于是，HuggingFists 这个「更懂数据、更懂智能」的国产新秀登场了。它不仅解决了数据难搞、模型难训、流程难调的老大难问题，还把这一切做得更优雅、更可视化。今天就带大家一起，重新审视「低代码 AI 平台」的新可能。最近，开源自动化流程工具n8n，凭借其对LLM及AI技术的整合支持，重新回到了人们的视野，并引发了广泛的关注。

参与评论您还未登录，请先登录后发表或查看评论

土司先生的博客

06-30

2351

【摘要】在大模型系统和智能代理开发中，Prompt、Agent和MCP是三个核心概念：1）Prompt作为用户与模型的交互桥梁，通过优化提示词引导模型输出；2）Agent是具备自主决策能力的智能代理，能规划任务、调用工具并执行复杂操作；3）MCP是规范Agent与模型间通信的协议标准，支持多模型协作和工具调用。三者协同工作形成分层架构：用户输入经LLM推理后，由Agent通过MCP协调执行，工具层对接外部服务，最终结果经LLM处理后返回用户。当前Agent技术正向多模型协作（提升鲁棒性）、专业化分工和低代码

Flowise教程｜第一节，开篇：0代码创建AI工作流&Agents

weixin_35762342的博客

05-12

2663

Flowise是一款开源的低代码AI工作流构建工具，通过可视化拖拽界面，让用户无需编程即可轻松搭建基于大语言模型（如GPT、Claude）的定制化应用。它支持多种AI组件（文本处理、向量数据库、条件逻辑等），适用于智能客服、文档分析、自动化内容生成等场景。无论是企业、开发者还是个人用户，都能快速创建AI流程，降低技术门槛，加速AI应用落地。Flowise支持本地、Docker及云端部署，是探索AI自动化与业务集成的理想工具

我用10分钟开发了一个AI助手，感觉还不错哈哈哈

Acho_0的博客

10-25

1131

AI助手是企业数字化转型的核心工具，其价值在于提升效率、沉淀知识并优化客户体验。实现方式主要有三种：本地部署大模型（安全可控但运维成本高）、云厂商API（快速上线但数据风险大）以及混合模式（通用功能用云服务，敏感业务用本地模型）。阿里云AI助手可通过Agent调用MCP协议，支持npx、uvx和sse三种方式，各有适用场景。未来趋势将向混合架构发展，结合云服务的智能优势与本地部署的安全性，形成更灵活的AI解决方案。

轻松上手Flowise：本地部署与最佳实践

andy_68147772的博客

04-17

2685

大家好，我是斜杠君。今天教大家如何在本地部署Flowise，以便更好地基于Flowise创建AI工作流应用。

Flowise工作流引擎的本地部署与远程访问全解析

YYDsis的博客

07-08

1251

当传统工作流管理系统仍在复杂代码中挣扎时，前沿团队已通过Flowise智能引擎实现LLM任务的图形化革命。这种将自然语言处理、数据清洗等繁琐操作转化为可视化流程的创新，正颠覆着企业对智能协作的认知。然而，私有化部署带来的网络孤岛效应却成为制约其价值释放的瓶颈——本地Flowise节点受限于内网防火墙，跨地域协作往往需要冗长的部署周期。本文将揭示突破这一困境的创新方案：通过cpolar的智能穿透技术，将原本封闭的流程引擎升级为支持多终端实时访问的云端协同平台。

AI开源 - LangChain UI 之 Flowise

张伟的专栏

11-01

8427

Flowise 是一个为 LangChain 设计的用户界面(UI)，使得使用 LangChain 变得更加容易（低代码模式）。通过拖拽可视化的组件，组建工作流，就可以轻松实现一个大语言模型的应用配置，包括不限于 ChatGPT。Github 地址：https://github.com/FlowiseAI/FlowiseLangChain是一个工具箱，它帮助人们更容易地使用"大型语言模型"（LLM）。你可以把它想象成一个翻译器，它可以帮助你和大型语言模型进行交流，而不需要你了解所有的复杂细节。

快速上手！使用Flowise轻松搭建你的AI工作流自动化平台——“cpolar内网穿透”

weixin_74957752的博客

12-10

1326

快速上手！使用Flowise轻松搭建你的AI工作流自动化平台——“cpolar内网穿透”

打破地域限制！本地部署并实现Flowise大模型工作流构建平台的远程安全访问

m0_64361522的博客

12-05

1207

在数字化办公时代，工作流自动化和AI集成已经成为提升工作效率、优化业务流程的“秘密武器”。而提到简化复杂的工作流自动化过程，不得不提的就是Flowise。这个强大的工具允许用户通过拖拽界面轻松创建自定义大型语言模型（LLM）流程，无需深厚的编程知识就能玩转聊天机器人和工作流中的AI集成。但是，问题来了：如果你把Flowise部署在内网中，外部访问就会成为一大难题。这时候，就需要一个得力助手——cpolar了！

本地部署开源 AI 大模型工作流神器 Flowise实现外网访问

lyxnwct的博客

12-26

1457

Flowise 是一款基于拖拽界面创建自定义大型语言模型（LLM）流程的工具，它是专门为简化复杂的工作流自动化过程而存在的。有了它给用户带来了极大的便利，这款工具不需要或仅需少量编码，通过直观的图形界面就能让用户可以轻松地构建聊天机器人、实现工作流中的 AI 集成等多种功能。本文将详细的介绍如何利用 Docker 在本地安装部署 Flowise ，并结合路由侠内网穿透实现外网访问本地部署的 Flowise。

LLM+Agent

ttest11的博客

06-13

622

输入：一段新闻正文（source text）模型generate：生成一段摘要文本（prediction）真实标签：人工写的摘要（ground truth）用ROUGE指标，对生成的摘要和人工摘要进行对比打分generate 得到的是模型基于输入生成的预测结果在测试集上 generate 通常表示“让模型看到样本输入，产出完整输出文本”评估指标对比的是生成结果 vs 真实标签整个流程本质上就是用模型实际"写"答案/摘要/回复，然后和标准答案比，看相似度/准确度，用来衡量模型实际水平。优点。

从大模型产业分层到 Agent 与 Workflow 的工程化共识，当所有人都在造 Agent 时，真正被低估的那一层是什么？

最新发布

weixin_39856351的博客

12-14

621

在大模型能力快速趋同、Agent 与工作流框架层出不穷的背景下，真正决定 LLM 应用能否长期落地的，已不再是模型本身，而是系统工程能力。本文从大模型产业分层的宏观视角出发，系统分析 LangChain 技术体系在 Agent 与 Workflow 生态中的真实角色，深入讨论其与商业 Agent、大模型开发平台之间的关系与边界，给出面向企业级 AI 系统的技术选型逻辑与长期判断。

Flowise AI工作流本地部署实战教程

andy_68147772的博客

04-09

1725

默认情况下，应用会在3000端口运行，你可以通过浏览器访问。如果在启动应用后遇到错误，例如提示flowise-ui模块没有安装，你可以进入相应的目录，然后运行pnpm run build来编译并安装这个模块。例如，如果你想安装LTS（长期支持）版本20.12.1，你可以使用命令nvm install 20.12.1。好了，斜杠君为你分享的Flowise的安装就到这里，希望这个教程能帮助你顺利安装，快动手试试吧！，编程界之翘楚，代码之大师。吾欲以此笔记，传授编程之道，助汝解技术难题。

Flowise+LocalAI部署--Agent应用

Nile的专栏

11-21

5709

Flowise 是一个开源的用户界面可视化工具，它允许用户通过拖放的方式来构建自定义的大型语言模型（LLM）流程。Flowise基于LangChain.js，是一个非常先进的图形用户界面，用于开发基于LLM的应用程序。Flowise还支持Docker和NodeJS，可以在本地或者在容器中运行。如果有需求修改相关代码，可以本地部署运行。Langflow 是一个用于创建和运行语言模型流程的网络应用程序。Langflow是一个动态图，每个节点都是一个可执行单元¹。

在win10折腾Flowise：部署和尝试

坚持自己的梦想

05-15

1980

在win10部署Flowise，并基于ollama搭建简单的llm应用

RAG 实践- Ollama+RagFlow 部署本地知识库

python123456_的博客

09-04

6054

本文我们介绍另一种实现方式：利用 Ollama+RagFlow 来实现，其中 Ollama 中使用的模型仍然是Qwen2我们再来回顾一下 RAG 常见的应用架构。

Flowise+OneAPI+Ollama搭建本地知识库问答

BBM的博客

08-16

3585

使用Flowise、OneAPI、Ollama搭建本地知识库问题，首选你要准备三台虚拟机，分别将这三种应用进行部署，默认使用的操作系统Ubuntu22.04。

低代码！小白用10分钟也能利用flowise构建AIGC| 业务问答 | 文本识别 | 网络爬虫

稳稳C9的博客

11-22

3543

低代码，只需要拖动组件就能实现自己的AIGC！

flowise本地安装

01-16

### Flowise 本地安装教程 #### 获取源码为了在本地环境中安装并运行 Flowise，首先需要从 GitHub 上获取项目的源代码。这可以通过 Git 命令来完成： ```bash sudo git clone https://gitcode.com/gh_mirrors/fl/Flowise.git ``` 这条命令会将 Flowise 的仓库克隆到当前的工作目录下[^1]。 #### 安装依赖项进入刚刚克隆下来的项目文件夹内，通常建议创建一个新的虚拟环境用于隔离不同项目的依赖关系。对于 Node.js 类型的应用程序来说，则不需要 Python 虚拟环境而是要确保全局已经安装了 Node.js 和 npm 或者 yarn 工具链。接着，在终端中切换至 `Flowise` 文件夹内部，并按照官方文档指示安装必要的包和库： ```bash cd Flowise npm install # 使用 npm 来安装依赖 # 或者 yarn # 如果偏好于 Yarn 则可以这样操作 ``` 以上步骤能够保证所有必需的 JavaScript 库被正确加载到了 node_modules 中[^4]。 #### 配置服务器端口及其他设置部分情况下可能还需要调整配置文件中的参数以适应个人开发机器的具体情况。比如更改默认监听地址、数据库连接字符串等敏感信息。这些改动一般位于根目录下的 `.env.example` 文件里；复制它成为新的 `.env` 并编辑其中的内容即可生效。 #### 启动服务当一切准备就绪之后就可以尝试启动应用程序啦！ ```bash node . # 或者如果你有 PM2 进程管理器的话也可以考虑用这种方式保持后台持续运行： pm2 start app.js --name flowise-server ``` 此时应该可以在浏览器里面通过访问 http://localhost:3000 (假设未改变过端口号) 查看到 Flowise 的界面了[^3]。 #### 学习更多关于如何使用 Flowise 除了上述技术性的指导外，值得注意的是 Flowise 不仅仅提供了一套强大的工具集，还构建了一个活跃的学习交流社区。这里不仅有着详尽的帮助手册和技术文章可供查阅学习，更有许多由其他开发者贡献出来的案例研究值得借鉴参考。无论是新手还是有一定经验的人都能在这样一个充满活力和支持氛围的空间里不断进步成长[^2]。