Flowise部署AI聊天机器人详细教程

Flowise是一款专为非技术用户设计的可视化AI聊天机器人部署工具，无需编程基础或深入理解LangChain原理，即可通过Docker一键启动、预置镜像极简运行、拖拽式构建RAG知识库、实时配置提示词测试对话，以及导出标准化REST API嵌入现有业务系统——从本地文档上传到生产级接口上线，全程在浏览器中完成，真正实现“开箱即用”的私有化AI助手快速落地。

如果您希望快速部署一个本地AI聊天机器人，但缺乏编程经验或对LangChain底层逻辑不熟悉，则Flowise提供了一套完全可视化的构建路径。以下是完成部署与创建的具体操作步骤：

一、使用Docker一键启动Flowise服务

该方法适用于所有主流操作系统（Windows需启用WSL2，macOS和Linux可直接运行），无需安装Node.js、Python环境或手动编译模型，镜像已预置vLLM推理服务与Web UI，启动后即可进入拖拽界面。

1、确认本地已安装Docker Desktop并正常运行，执行docker --version与docker-compose --version验证版本信息。

2、在终端中创建项目目录并进入：mkdir -p ~/flowise-project && cd ~/flowise-project。

3、创建docker-compose.yml文件，粘贴以下内容：

version: '3.8'
services:
  flowise:
    image: flowiseai/flowise:latest
    ports:
      - "3000:3000"
    volumes:
      - ./storage:/app/storage
      - ./models:/app/models

4、执行docker-compose up -d启动容器，等待约90秒后访问http://localhost:3000。

二、通过预置镜像直接运行（极简模式）

该方式跳过配置文件编写，适合首次体验用户，所有依赖与vLLM服务均打包在单镜像内，仅需一条命令即可拉起完整环境。

1、在终端中执行：docker run -d -p 3000:3000 -v $(pwd)/storage:/app/storage --name flowise flowiseai/flowise。

2、观察容器日志：docker logs -f flowise，直到出现[INFO] Flowise server is running on http://localhost:3000及[INFO] vLLM inference server started successfully字样。

3、打开浏览器，输入地址并使用默认账号登录：邮箱：kakajiang@kakajiang.com，密码：KKJiang123。

三、加载本地知识文档并构建RAG问答流

此步骤将PDF、TXT等格式的业务资料转化为可检索、可问答的知识库，Flowise自动完成文本清洗、分块、向量化与Chroma本地存储初始化。

1、在Flowise画布左侧节点栏中，拖入Directory Loader节点，点击设置图标，在Directory Path中填写本地知识库路径，例如/app/storage/manuals/。

2、拖入RecursiveCharacterTextSplitter节点，连接至Loader输出端，在设置中将chunkSize设为500，chunkOverlap设为50。

3、拖入Chroma Vector Store节点，连接至Splitter输出端，在设置中选择Collection Name为my_knowledge_db，勾选Create Collection if not exists。

4、拖入LLM节点，连接至Vector Store的Retriever输出端，在设置中选择Model为vLLM，URL填写http://localhost:8000/v1（vLLM默认服务地址）。

四、配置提示词与测试对话

该步骤定义机器人的角色定位与回答风格，Prompt节点支持变量注入与实时预览，修改后无需重启即可生效。

1、拖入Prompt Template节点，连接至LLM节点前，双击编辑区域，输入如下中文提示：

你是一个资深技术支持工程师，仅根据以下上下文回答用户关于产品手册的问题。若问题超出上下文范围，请明确回复“我无法回答该问题”。
上下文：{{context}}
问题：{{input}}

2、点击画布右上角Test Run按钮，在弹出面板中输入测试问题，例如“保修期是多久？”，点击发送。

3、观察右侧响应区域是否返回基于文档内容的准确答案；若未命中，检查Vector Store节点是否显示Collection initialized successfully及检索结果数量是否大于0。

五、导出为REST API并嵌入业务系统

完成调试后，可将整个工作流封装为标准HTTP接口，供前端、OA或客服系统直接调用，所有数据仍保留在本地环境。

1、点击画布右上角Export按钮，选择Export as API。

2、在弹出窗口中确认Endpoint名称（如/api/chatbot），点击Generate API。

3、复制生成的curl命令示例，其中包含完整的请求头与JSON payload结构，例如：

curl -X POST http://localhost:3000/api/v1/prediction/xxx-uuid \
-H "Content-Type: application/json" \
-d '{"question":"年假如何申请？"}'

4、将该接口地址与调用方式交付给前端开发人员，或直接在Vue/React项目中使用fetch调用，无需额外鉴权配置。

理论要掌握，实操不能落！以上关于《Flowise部署AI聊天机器人详细教程》的详细介绍，大家都掌握了吧！如果想要继续提升自己的能力，那么就来关注golang学习网公众号吧！