Flowise: 可视化拖拽式 LLM 应用构建平台
这是早期 research/project 报告的 HTML 公开入口。它被保留为可索引历史证据材料，用于补足分析链路；读者引用前仍应回到当前项目卡、原始 GitHub 仓库和限制段做复核。
Flowise: 可视化拖拽式 LLM 应用构建平台
基本信息
| 字段 | 内容 |
|---|---|
| GitHub | https://github.com/FlowiseAI/Flowise |
| Star | 36,000+ |
| 技术栈 | TypeScript, Node.js, React, LangChain, Express, pnpm Monorepo, Turborepo |
| 许可证 | Apache 2.0 (社区版) / 商业许可 (企业版) |
| 开发者 | FlowiseAI 团队 |
项目简介
Flowise 是一个面向开发者和非技术用户的可视化 LLM 应用构建平台，采用拖拽式界面让用户无需编写代码即可创建复杂的 AI Agent、聊天机器人和工作流。项目基于 LangChain 生态构建，将 LangChain 的各种组件（LLM、Chain、Tool、Memory、向量存储等）封装为可视化节点，用户通过在画布上连接这些节点来定义数据流向和处理逻辑。Flowise 的核心理念是”Build AI Agents, Visually”——让 AI Agent 的构建从代码密集型工作转变为直观的可视化编排。
项目采用 pnpm Monorepo + Turborepo 的架构，包含四个核心模块：packages/server 是基于 Express/Node.js 的后端服务，提供 API 逻辑、数据库持久化和聊天流执行引擎；packages/ui 是 React 前端，实现可视化画布编辑器；packages/components 是第三方集成节点库，包含 300+ 可用组件；packages/agentflow 是 Agent 工作流执行引擎。此外还有 packages/observe（可观测性）和 packages/api-documentation（自动生成的 Swagger API 文档）。
Flowise 支持多种部署方式：本地安装（npm install -g flowise）、Docker 容器化部署、以及 Flowise Cloud 云服务。企业版提供了身份管理、RBAC 权限、SSO 集成等企业级功能。项目的组件生态极为丰富，覆盖了几乎所有主流 LLM 提供商（OpenAI、Anthropic、Google、AWS Bedrock 等）、向量数据库（Pinecone、Chroma、Qdrant 等）、文档加载器、工具集成和多 Agent 编排模式。
目录结构
flowiseai__flowise/
├── packages/
│ ├── server/ # ★ 后端服务
│ │ ├── src/
│ │ │ ├── controllers/ # API 控制器
│ │ │ ├── database/ # 数据库层
│ │ │ ├── commands/ # 命令处理
│ │ │ ├── enterprise/ # ★ 企业版功能
│ │ │ ├── metrics/ # 指标收集
│ │ │ ├── NodesPool.ts # ★ 节点池管理
│ │ │ ├── CachePool.ts # 缓存池
│ │ │ ├── DataSource.ts # 数据源管理
│ │ │ ├── IdentityManager.ts # 身份管理
│ │ │ └── index.ts # 服务入口
│ │ ├── bin/ # CLI 入口
│ │ └── cypress/ # E2E 测试
│ ├── ui/ # ★ React 前端
│ │ └── src/
│ │ ├── components/ # UI 组件
│ │ ├── pages/ # 页面
│ │ └── stores/ # 状态管理
│ ├── components/ # ★ 第三方集成节点
│ │ └── nodes/
│ │ ├── agentflow/ # Agent Flow 节点
│ │ ├── chatmodels/ # ★ 聊天模型集成
│ │ │ ├── ChatAnthropic/
│ │ │ ├── ChatOpenAI/
│ │ │ ├── AWSBedrock/
│ │ │ └── ... # 30+ 模型提供商
│ │ ├── llms/ # LLM 集成
│ │ ├── chains/ # Chain 组件
│ │ ├── tools/ # ★ 工具集成
│ │ ├── memory/ # 记忆组件
│ │ ├── embeddings/ # 嵌入模型
│ │ ├── vectorstores/ # 向量存储
│ │ ├── documentloaders/ # 文档加载器
│ │ ├── textsplitters/ # 文本分割器
│ │ ├── retrievers/ # 检索器
│ │ ├── graphs/ # 图结构
│ │ ├── multiagents/ # ★ 多 Agent 编排
│ │ ├── sequentialagents/ # 顺序 Agent
│ │ ├── outputparsers/ # 输出解析器
│ │ ├── moderation/ # 内容审核
│ │ ├── speechtotext/ # 语音转文本
│ │ ├── analytic/ # 分析工具
│ │ └── engine/ # 引擎组件
│ ├── agentflow/ # ★ Agent 工作流引擎
│ │ └── src/
│ │ ├── core/ # 核心引擎
│ │ ├── features/ # 功能模块
│ │ ├── atoms/ # 原子状态
│ │ └── infrastructure/ # 基础设施
│ ├── observe/ # 可观测性模块
│ │ └── src/
│ │ ├── core/
│ │ ├── features/
│ │ └── atoms/
│ └── api-documentation/ # Swagger API 文档
├── docker/ # Docker 部署配置
│ └── worker/
├── metrics/ # 监控配置
│ ├── grafana/
│ ├── prometheus/
│ └── otel/
├── i18n/ # 国际化
├── images/ # 静态图片资源
├── package.json # 根 package.json
├── pnpm-workspace.yaml # pnpm 工作区配置
└── turbo.json # Turborepo 配置核心模块分析
1. 后端服务与执行引擎 (packages/server/)
Flowise 的后端基于 Express.js 构建，是整个平台的核心运行时。NodesPool.ts 是节点池管理器，负责动态加载和注册所有可用组件节点，构建组件元数据索引。DataSource.ts 管理多种数据源的连接和配置。执行引擎接收前端提交的 Flow JSON 定义，构建 LangChain 执行链并运行。后端还集成了聊天流（Chatflow）的持久化存储，将用户构建的每个工作流以 JSON 格式保存到数据库，支持版本管理和增量更新。CachePool.ts 管理模型实例和嵌入实例的缓存，避免重复初始化开销。
2. 组件节点生态 (packages/components/nodes/)
这是 Flowise 最核心的能力来源，包含了 300+ 可视化组件节点。每个节点本质上是一个 TypeScript 类，封装了 LangChain 对应组件的实例化逻辑和配置参数。组件分为 20+ 大类：chatmodels 覆盖 30+ 聊天模型提供商（OpenAI、Anthropic、Google Gemini、AWS Bedrock 等）；tools 提供 40+ 工具集成（搜索引擎、代码解释器、数据库操作等）；vectorstores 支持 20+ 向量数据库；chains 实现 LangChain 的各种 Chain 模式（LLM Chain、Retrieval QA Chain、Conversational Chain 等）。每个节点定义了输入/输出端口类型、配置参数和默认值，确保画布上的类型安全连接。
3. Agent Flow 工作流引擎 (packages/agentflow/)
AgentFlow 是 Flowise 的 Agent 编排引擎，提供了比传统 Chain 更灵活的工作流模式。它支持条件分支（Condition）、循环迭代（Iteration）、人工输入（HumanInput）、自定义函数（CustomFunction）、HTTP 调用、子流程调用（ExecuteFlow）等高级控制流。AgentFlow 的设计借鉴了低代码平台的流程编排理念，将 Agent 的行为逻辑分解为可组合的步骤，每个步骤可以是 LLM 调用、工具执行、条件判断或数据转换。这种设计使得复杂的多步骤 Agent 行为可以被可视化和调试。
4. 多 Agent 编排 (packages/components/nodes/multiagents/)
Flowise 提供了多 Agent 协作的原生支持。multiagents/ 目录包含 Supervisor 和 Worker 两种角色节点，实现了 Supervisor 模式的多 Agent 编排——一个 Supervisor Agent 负责任务分配和协调，多个 Worker Agent 各自执行特定领域任务。sequentialagents/ 提供了顺序执行模式，Agent 按预定义顺序依次处理任务。这些编排模式使得用户可以构建复杂的多 Agent 协作系统，如”研究 Agent 写草稿 -> 审核 Agent 检查质量 -> 翻译 Agent 输出结果”的流水线。
5. 前端画布编辑器 (packages/ui/)
Flowise 的前端基于 React 构建，提供了直观的拖拽式画布编辑器。画布支持组件拖拽放置、端口连线、实时预览、调试模式等功能。UI 还集成了聊天测试面板，用户可以在编辑画布的同时实时测试 Agent 的对话效果。状态管理采用轻量级方案，通过 API 调用与后端同步。前端还提供了模板库（Marketplace），包含预构建的常见 AI 应用模板（客服机器人、文档问答、代码助手等），用户可以一键导入并根据需要修改。
技术亮点
- 低代码 + 全代码双模态：可视化拖拽构建 AI 应用，同时保留对底层 LangChain 代码的完全访问权限，平衡了易用性和灵活性
- 300+ 组件节点：覆盖几乎所有主流 LLM 提供商、向量数据库、文档加载器和工具集成，是 LangChain 生态最完整的可视化封装
- Monorepo + Turborepo 架构：采用 pnpm workspace + Turborepo 管理多包依赖，确保了模块间的清晰边界和高效的构建缓存
- AgentFlow 高级编排：支持条件分支、循环、人工干预、子流程调用等控制流，突破了传统 Chain 的线性执行限制
- 多 Agent 原生支持：内置 Supervisor-Worker 模式和顺序编排模式，为复杂任务的多 Agent 协作提供了可视化解决方案
- 企业级部署：Docker 容器化、Prometheus/Grafana 监控、OpenTelemetry 可观测性、RBAC 权限和 SSO 集成
- 社区/企业双轨许可：核心功能采用 Apache 2.0 开源，企业版提供身份管理、高级分析等增值功能
与 Self-Evolve 关联
| 维度 | 贡献 |
|---|---|
| 可视化 Agent 构建 | Flowise 的拖拽式 Agent 构建展示了如何将复杂的 LLM 编排逻辑可视化，为 Self-Evolve 的 Agent 设计器提供了 UI 参考 |
| 组件化设计 | 300+ 节点组件的封装模式展示了如何将 LangChain 能力标准化为可组合的原子单元，对 Self-Evolve 的工具注册机制有启发 |
| 多 Agent 编排 | Supervisor-Worker 模式为 Self-Evolve 的多 Agent 协作提供了经过验证的编排模式参考 |
| 工作流持久化 | Flow JSON 的序列化和版本管理展示了如何持久化和复用 Agent 工作流，对 Self-Evolve 的进化历史记录有参考价值 |
| 可观测性 | Prometheus/Grafana/OpenTelemetry 集成展示了如何监控 LLM 应用的运行指标，为 Self-Evolve 的自评估基础设施提供了模板 |
| 节点池管理 | NodesPool 的动态加载和注册机制展示了如何构建可插拔的组件系统，对 Self-Evolve 的能力扩展机制有指导意义 |
参考资料
GitNexus 深度架构分析
- 源码位置：
projects/repos/flowiseai__flowise - 分析命令：
gitnexus analyze repos/flowiseai__flowise --index-only --skip-git --name Flowise - 知识图谱规模：待分析
- 查询语句：
NodesPool component registration; chatflow execution engine; agentflow workflow; supervisor multiagent orchestration; DataSource connection management; CachePool model caching - 核心执行流程候选：用户拖拽节点 -> Flow JSON 生成 -> API 提交 ->
server解析 ->NodesPool实例化组件 -> LangChain 执行链构建 -> 流式响应返回前端 - 关键符号/文件：
packages/server/src/NodesPool.ts（节点池）、packages/server/src/DataSource.ts（数据源）、packages/server/src/CachePool.ts（缓存池）、packages/components/nodes/（组件节点库）、packages/agentflow/src/core/（AgentFlow 引擎）、packages/ui/src/（前端画布） - 调用关系上下文：前端画布 -> Express API -> NodesPool 动态加载组件 -> LangChain Chain/Agent 实例化 -> LLM 调用 -> 结果流式返回；AgentFlow 工作流 -> 条件/循环/工具节点 -> 多步骤执行
- 架构结论：该图谱结果用于把报告中的”可视化编排 / 组件节点生态 / 多 Agent 协作 / AgentFlow 引擎 / 企业级部署”定位到具体符号、文件和流程