入门
用 Flowise 开源可视化搭本地 AI Agent：无需 GPU、数据自托管
你听过 Langflow，但担心它太「云」、数据出不去？Flowise 是同一赛道里更偏「本地优先」的开源选手：同样是拖拽画布搭 AI Agent，但它一条命令就能跑在你自己的电脑或服务器上、无需 GPU、支持离线模型，还自带执行日志和可视化调试。本教程手把手教你本地启动 Flowise，拖出第一个会读文件、联网搜索、跑代码的智能体。
🔧 本教程适合：想自己掌控数据、不想把资料上传第三方云，又不想写一堆胶水代码的技术爱好者 / 小团队。你只需要装好 Node.js（v18.15 或 v20+）。
先搞懂：Flowise 和 Langflow 怎么选？
两者都是「拖拽搭 LLM 应用」的开源神器，但重心不同：
| 维度 | Flowise | Langflow |
|---|---|---|
| 定位 | 本地优先、生产向、自带追溯 | 乐高式、上手快、社区插件多 |
| 启动难度 | npm i -g flowise 一行 | Desktop 双击 / 命令行 |
| 硬件 | 无需 GPU，轻量模型可跑 | 类似，本地模型可选 |
| 调试 | 执行日志 + 可视化调试强 | 画布直观 |
| 选它当 | 想把 Agent 常年跑在自己机器/内网 | 想快速拼个原型玩玩 |
新手从最简单开始：Flowise 有 Assistant / Chatflow / Agentflow 三种画布，先做「Chatflow」——它最直观，本教程就带你做一个会调用工具的单 Agent。
Step 1：一行命令本地启动 Flowise
1 装好 Node，直接全局安装
# 前提：已装 Node.js（v18.15 或 v20 及以上）
# 全局安装 Flowise
npm install -g flowise
# 启动（默认端口 3000）
npx flowise start
# 浏览器打开
# http://localhost:3000💡 全程不到 3 分钟，无需 GPU。如果习惯 Docker，也可以
git clone 官方仓库进 docker 目录，docker-compose up -d 一键起。Step 2：给 Agent 接上「大脑」（模型）
2 本地模型 or 云端模型，二选一
Flowise 不绑死任何一家模型，两种接法：
方式 A：本地模型（免费离线，推荐隐私党）
1. 终端：ollama run qwen:0.5b # 拉一个轻量中文模型
2. Flowise 新建 Chatflow → 搜 ChatOllama 拖入画布
3. Model Name 填 qwen:0.5b，保存即可（完全本地、离线可用）
方式 B：云端模型（通义/DeepSeek，简单）
1. 搜 ChatOpenAI 或 ChatTongyi 拖入画布
2. 填入 API Key，选 qwen-turbo / deepseek-chat
3. 保存本地模型无 GPU 也能跑，但 0.5b 这种小模型「思考」能力有限，复杂任务建议用云端模型或本地 7B+ 模型（需更好显卡）。
Step 3：零代码搭出第一个聊天 Agent
3 三个节点连线，10 秒出活
1. 新建 Chatflow
2. 拖入三个节点并连线：
ChatInput（用户输入）
→ ChatOllama / ChatTongyi（模型）
→ ChatOutput（输出回复）
3. 点右上角 Save → Start Chat
现在你已经有了一个本地聊天 AI。🔑 Flowise 的魅力就在「连线即逻辑」。每个节点都是一个预制能力，你只管拖和连，不写一行代码。
Step 4：给 Agent 加「手脚」（工具节点）
4 让它真的能动手，而不只是聊天
Flowise 内置 200+ 工具节点，AI 会自动判断何时调用。拖进来连上就行：
常用工具节点（拖入画布，连到模型）：
· File Read / File Write 读本地文件、写文件
· Python REPL 运行 Python 代码
· Web Search 联网搜索（需配 SearchAPI 等 Key）
· PDF Loader 解析 PDF 内容
· Wikipedia Query 查维基百科
· 向量库节点 接 Redis / Chroma 做 RAG 检索
连线后，问「帮我读一下 report.pdf 并总结」，
AI 会自动调用 File Read + 模型完成。联网搜索要配 Key：Web Search 节点本身免费，但底层的搜索服务（如 SearchAPI）需要 API Key。纯离线场景用本地文件/向量库即可。
Step 5：加记忆，让对话「连贯」
5 用 Redis / 内存节点记住上下文
1. 拖入一个 Memory 节点（如 Redis 记忆 / 会话缓冲）
2. 连到模型节点，设置「保留轮数」（如 5 轮）
3. 保存后测试：先问「有没有红色款」，再问「价格多少」
AI 会自动关联到「红色款」来答💡 想做 RAG 知识库问答？再拖一个向量库节点（Redis / Chroma / Milvus）当检索源，AI 就能「翻你的资料」回答，和 FastGPT 思路一致，但完全跑在你本地。
Step 6：导出备份 + 嵌入发布
6 一键分享 / 嵌网站，还能备份
1. 导出：Chatflow 详情页点「Export」，下载 JSON 备份（换机器直接 Import）
2. 嵌入网站：用 Flowise 的 Embedded Chat 组件，复制代码贴到网页
3. 接 API：Flowise 提供 REST API + JS/Python SDK，可嵌进你自己的产品
4. 团队用：支持 Teams / Workspaces，还能开 RBAC、SSO 做权限管控🎉 恭喜！你已经在自己电脑上跑通一个「会读文件、能搜索、有记忆」的本地智能体。数据全程不出本机，隐私党和内网部署党狂喜。
常见问题速查
| 你遇到的现象 | 大概率原因 & 解决 |
|---|---|
npx flowise start 起不来 | Node 版本低于 18.15，升级 Node 重试 |
| 本地模型答得傻 | 换更大模型（云端 qwen-turbo 或本地 7B+） |
| 联网搜索不工作 | Web Search 节点未配底层搜索服务 Key |
| 想换机器 | 用 Export 导出 JSON，新机器 Import 即可 |