Flowise
产品概述
Flowise 是 FlowiseAI 推出的开源低代码 Agent 构建平台，把 LangChain 的能力包装成可视化拖拽画布，让开发者甚至非技术人员无需写 Python 就能搭建 RAG 聊天机器人、Agent 工作流与文档问答系统。它的核心主张是「15 分钟搭出一个可用的 RAG 聊天机器人」。
与其他产品的本质区别在于**「极速上手 + LangChain 组件 1:1 映射」**。Langflow 是「可视化 IDE」（更深、更复杂、偏 LangGraph 多智能体），Dify 是「生产治理中台」（RBAC/SSO/审计），而 Flowise 是三者中最快出成果的一个——把 LangChain 组件近乎一对一映射为节点，拖拽连接即完成，且有内置嵌入式聊天组件可直接挂到网站。适合快速原型与内部工具，而非高吞吐生产级编排。
发展历程
| 时间 | 事件 |
|---|---|
| 2023-04 | Flowise 开源发布，迅速破万星 |
| 2024 | Agentflow 多智能体支持、云托管上线 |
| 2025 | 市场模板、评估与指标、MCP 支持 |
| 2026 | 云档位调整为 Free/Starter/Pro，价格两度调整 |
核心功能详解
1. 可视化拖拽画布
拖拽节点（文档加载器、文本分割器、嵌入、向量库、LLM、检索链、Agent、工具、记忆、条件）连接成流，每个节点对应一个 LangChain 概念，实时配置 API Key、分块参数、检索策略，无需写代码。
2. RAG 管道
原生支持 PDF/CSV/网页/Notion/Confluence/GitHub/S3 等加载器，接入 Pinecone、Weaviate、Chroma、FAISS、pgvector 等向量库，几分钟搭出带引用的文档问答。
3. Agent 与 Agentflow
可构建带工具调用的 Agent（联网搜索、代码执行、数据库查询），Agentflow 支持多 Agent 协作与共享状态，处理更复杂的编排。
4. 一键部署与嵌入
任何构建好的流可自动生成 REST API，或作为嵌入式聊天组件（chat widget）挂到网站，支持自定义品牌。适合把聊天机器人快速部署到现有产品。
5. 多模型与凭据管理
支持 OpenAI、Anthropic、Google、开源模型（Ollama）及任意 OpenAI 兼容 API，集中管理 API Key，导出/导入流程便于分享。
6. 评估与指标
提供基础评估与指标、LangSmith 集成，用于验证问答质量与监控运行。
适用场景
RAG 聊天机器人与文档问答（最佳场景）
内部知识库、客服机器人、产品文档问答，15 分钟从 PDF 到可用聊天机器人。
快速原型与内部工具
验证 AI 想法、搭内部检索工具，速度优先，无需工程资源。
网站嵌入客服
用内置组件把聊天机器人挂到网站，轻量客服与 FAQ。
不适合的场景
高吞吐生产级编排（应选 Temporal/自写 FastAPI+LangChain）；复杂多智能体拓扑（应选 Langflow/LangGraph）；需要 RBAC/SSO/审计的生产 SaaS（应选 Dify）。
定价详情
Flowise 双轨计费：自托管免费 + 云托管按预测：
| 档位 | 价格 | 说明 |
|---|---|---|
| Self-hosted | $0 | Apache 2.0，无限流程，自付基础设施 |
| Cloud Free | $0 | 2 流程，100 预测/月，5MB 存储 |
| Cloud Starter | $35/月 | 无限流程，10000 预测/月，1GB 存储 |
| Cloud Pro | $65/月 | 50000 预测/月，10GB，5 用户（+$15/席） |
| Enterprise | 定制 | 本地部署、SSO、专属支持 |
计费逻辑与成本测算
- 「预测」= 流程运行次数，简单问候与复杂 RAG 查询同价，重度嵌入聊天机器人易超 Starter 额度。
- 隐藏成本是 LLM API 费（Flowise 是编排层，不提供模型），中等流量 GPT 级模型月增 $50-200。
- 自托管在 $20-40/月 VPS 即可跑，是零平台费路线。
定价核验日期：2026-08-13，来源 flowiseai.com（2026-07-04 核验）。
技术架构与模型
Flowise 模型无关：可接 OpenAI、Anthropic、Google、Ollama 本地模型及 OpenAI 兼容 API。技术栈基于 LangChain，Docker 部署，默认 SQLite（生产建议换 PostgreSQL），支持 LangSmith 观测。
优势领域
与 Langflow 对比
Flowise 胜在入门速度（15 分钟 vs 3 小时出 RAG）与嵌入式组件；Langflow 胜在 LangGraph 多智能体、MCP 双端、Python 深度与 MIT 许可。
与 Dify 对比
Flowise 胜在轻量与纯开源（Apache 2.0 无商用限制）；Dify 胜在生产治理与 RAG 管道成熟度。
核心优势
15 分钟极速上手、Apache 2.0 开源、自托管免费、100+ 节点、嵌入式聊天组件。
短板与限制
- 无工作流编排：缺条件分支/循环的可视化管道，多步非对话流程受限。
- 调试基础：无节点级 trace 与 token/耗时详情，静默失败难排查。
- 预测计费模糊：简单与复杂预测同价，云端成本不可预测。
- 文档滞后：新节点文档不全，需查 GitHub/Discord。
使用建议
- 适合：想快速验证 RAG/聊天机器人原型的开发者与非技术产品团队；需要自托管、控制数据的团队；把聊天机器人嵌入现有网站的场景。
- 不适合：高吞吐生产级编排；复杂多智能体拓扑；需要企业治理的生产 SaaS。
- 最佳实践：RAG 原型用 Flowise 快速验证，生产再迁 LangChain/Langflow；自托管并换 PostgreSQL 提升稳定性；用评估指标监控问答质量；留意 LLM API 隐藏成本。