29.Flowise架构深度分析

GitHub: https://github.com/FlowiseAI/Flowise

Star: 50k+ | 语言: TypeScript | 许可: Apache 2.0

状态: 已归档（2026年），推荐查看 Future of Flowise

1. 项目定位与核心价值

Flowise 是一个可视化 AI 工作流构建器，定位为低代码/无代码平台，让用户通过拖拽式界面连接 AI 模型、工具、向量存储等组件，构建复杂的对话式 AI 应用。其核心理念是：将 LangChain 的编排能力可视化，降低 AI 应用开发门槛。

与 Dify、n8n 等同类产品相比，Flowise 的独特之处在于：它本质上是 LangChain 的图形化前端，每个节点都对应一个 LangChain Runnable，执行引擎直接复用 LangChain 的组合操作符。这意味着 LangChain 生态的任何新能力都能快速集成到 Flowise 中。

2. 整体架构设计

2.1 Monorepo 结构

Flowise 采用 Turborepo + pnpm workspaces 管理的 monorepo，包含 4 个核心模块：

Flowise/
├── packages/
│   ├── server/          # Express.js 后端，提供 REST API、执行引擎、数据库管理
│   ├── ui/              # React + Vite 前端，ReactFlow 画布编辑器
│   ├── components/      # 第三方节点集成库（LLM、工具、向量存储等）
│   └── api-documentation/ # 自动生成的 Swagger UI API 文档
├── docker/              # Docker Compose 配置
└── pnpm-workspace.yaml

2.2 分层架构

系统分为三层：

可视化编辑器层（UI）：React + ReactFlow 画布，处理拖拽、节点连接、表单验证
运行时编排层（Server）：Express.js API 服务器，负责流程执行、状态管理、认证鉴权
组件集成层（Components）：插件库，包含 AI 模型、工具、向量存储等所有节点定义

3. 数据流与执行模型

3.1 五阶段数据管道

用户构建流程 → 流程序列化持久化 → 运行时实例化 → 消息处理与编排 → 响应生成与上下文增强

可视化流程构建：用户在 AgentFlow 画布编辑器中拖拽节点、连接边，NodeInputHandler 将 UI 输入转换为 INodeData 结构
流程序列化与持久化：AssistantsService 接收 FlowDefinition，验证节点配置，序列化为 JSON 存入数据库的 AssistantEntity
运行时实例化：聊天请求到达时，AssistantsService 加载 AssistantEntity，反序列化流程定义，使用 StorageProviderFactory 和组件注册表实例化实际 AI 组件
消息处理与编排：运行时按依赖顺序处理 ChatMessage，每个节点（LLM、检索器、工具）转换消息并传递给连接的节点
响应生成与上下文增强：最终节点生成响应，附加向量数据库的源文档，返回完整的 ChatMessage 及元数据

3.2 核心数据模型

模型	位置	说明

|——|——|——|

`FlowDefinition`	`components/src/Interface.ts`	`nodes: INode[], edges: IEdge[], viewport: {...}`，可视化工作流结构
`ChatMessage`	`server/src/Interface.ts`	`message: string, type: ‘userMessage’	‘apiMessage’, sourceDocuments?: Document[]`
`INodeData`	`components/src/Interface.ts`	`inputs: {[key: string]: any}, outputs: {[key: string]: any}`，节点配置与连接
`AssistantEntity`	`server/src/database/entities/Assistant.ts`	存储助手配置，包含序列化的 flowData

4. 组件系统（Components）

4.1 节点分类

packages/components/nodes/ 下包含 26 个节点类别：

类别	说明	示例

|——|——|——|

`agents/`	AI Agent 实现	OpenAI Functions Agent, ReAct Agent
`chatmodels/`	聊天模型集成	ChatOpenAI, ChatOllama, ChatAnthropic
`llms/`	基础 LLM	OpenAI, HuggingFace, Ollama
`embeddings/`	嵌入模型	OpenAI Embeddings, HuggingFace
`vectorstores/`	向量存储	Pinecone, Weaviate, Chroma, FAISS
`documentloaders/`	文档加载器	PDF, CSV, Web Scraping
`textsplitters/`	文本分割器	Recursive Character Splitter
`chains/`	链式调用	Conversational Retrieval Chain
`memory/`	对话记忆	Buffer Memory, Summary Memory
`tools/`	工具集成	MCP Toolkit, Web Scraper, Calculator
`retrievers/`	检索器	Vector Retriever, Multi-Query
`prompts/`	提示模板	Chat Prompt Template, Few-Shot
`multiagents/`	多 Agent	Multi-Agent Supervisor
`sequentialagents/`	顺序 Agent	Sequential Agent Chain
`agentflow/`	Agent 工作流	条件分支、循环等控制流
`cache/`	缓存	Redis Cache, In-Memory Cache
`moderation/`	内容审核	OpenAI Moderation
`outputparsers/`	输出解析	Structured Output Parser
`analytic/`	分析追踪	LangSmith, LangFuse
`engine/`	执行引擎	Chatflow Engine, Agentflow Engine

4.2 节点发现机制（NodesPool）

NodesPool 类是组件系统的核心，负责在服务启动时发现和注册所有节点：

// 伪代码
class NodesPool {
    componentNodes: IComponentNodes = {}
    componentCredentials: IComponentCredentials = {}

    async initialize() {
        await this.initializeNodes()      // 扫描 flowise-components 包的 dist/nodes 目录
        await this.initializeCredentials() // 扫描 dist/credentials 目录
    }

    private async loadNodesFromDir(dir: string) {
        // 递归遍历目录，require 每个 .js 文件
        // 实例化 nodeClass，处理图标路径
        // 过滤条件：跳过 Analytic/SpeechToText 类别、社区节点开关、DISABLED_NODES 环境变量
    }
}

关键设计：

动态发现：启动时递归扫描 flowise-components 包的 dist/nodes 目录
社区节点控制：通过 showCommunityNodes 配置和 author 字段控制是否加载第三方节点
禁用机制：支持 DISABLED_NODES 环境变量禁用特定节点
凭证管理：独立扫描 dist/credentials 目录，自动关联节点图标

5. 服务端架构（Server）

5.1 服务初始化流程

FlowiseExpress 类采用两阶段初始化模式：

阶段一：数据库初始化

数据库连接（TypeORM，支持 SQLite/MySQL/MariaDB/PostgreSQL）
数据库迁移
组件注册表初始化（NodesPool）
缓存池初始化（CachePool）
遥测初始化
队列管理器初始化（QueueManager）

阶段二：中间件配置

Express 中间件栈（CORS、Body Parser、静态文件）
认证中间件（API Key 或 JWT）
路由挂载
错误处理中间件

5.2 路由体系

服务端暴露了 40+ 个路由模块，涵盖：

核心业务：predictions/（聊天预测）、chatflows/、assistants/
向量存储：vectors/、upsert-history/
文档管理：document-store/、get-upload-file/
工具与集成：tools/、openai-assistants/、mcp-server/、mcp-endpoint/
系统管理：apikey/、credentials/、variables/、settings/
公共接口：public-chatbots/、public-chatflows/
分析与监控：stats/、log/、marketplaces/
调度与执行：webhook-listener/、leads/

5.3 核心服务层

服务目录包含 20+ 个服务模块，按职责划分：

predictions/ — 聊天预测核心逻辑
assistants/ — 助手管理（创建、更新、删除）
chatflows/ — 聊天流管理
document-store/ — 文档存储与向量化
vectors/ — 向量数据库操作
mcp-server/、mcp-endpoint/ — MCP 协议支持
openai-assistants/ — OpenAI Assistants API 集成
schedule/ — 定时任务调度
tools/ — 工具管理
variables/ — 变量管理

6. 队列模式与水平扩展

6.1 双模式架构

Flowise 支持两种部署模式，通过环境变量 EXECUTION_MODE 控制：

标准模式（Standard）：单进程执行，Express 服务器同时处理 HTTP 请求和工作流执行。适合开发和低流量场景
队列模式（Queue）：基于 Redis + BullMQ 的分布式架构，支持水平扩展。适合生产环境

6.2 队列系统设计

QueueManager 采用单例模式，管理三种队列：

队列	类名	用途

|——|——|——|

`prediction`	`PredictionQueue`	聊天预测任务
`upsert`	`UpsertQueue`	文档向量化任务
`schedule`	`ScheduleQueue`	定时任务执行

BaseQueue 抽象类提供：

基于 BullMQ 的 Queue 和 Worker 管理
可配置的并发数（WORKER_CONCURRENCY，默认 100000）
任务生命周期管理（失败重试、完成清理）
Redis 事件流（QueueEvents）用于实时状态更新
Bull Board 集成用于队列监控

关键配置：

REDIS_URL=redis://localhost:6379    # Redis 连接
QUEUE_NAME=flowise-queue             # 队列名称前缀
WORKER_CONCURRENCY=100000            # Worker 并发数
QUEUE_REDIS_EVENT_STREAM_MAX_LEN=10000  # 事件流最大长度

7. 数据库设计

7.1 实体模型

使用 TypeORM 管理的 19 个实体：

实体	说明

|——|——|

`ChatFlow`	聊天流定义（序列化的流程 JSON）
`ChatMessage`	聊天消息记录
`ChatMessageFeedback`	消息反馈（点赞/点踩）
`Assistant`	助手配置
`Credential`	加密凭证存储
`Tool`	自定义工具定义
`ApiKey`	API 密钥管理
`Variable`	运行时变量
`DocumentStore`	文档存储元数据
`DocumentStoreFileChunk`	文档分块
`Dataset` / `DatasetRow`	评估数据集
`Evaluation` / `EvaluationRun` / `Evaluator`	评估系统
`Execution`	执行记录
`Lead`	用户线索
`UpsertHistory`	向量化历史
`CustomTemplate`	自定义模板

7.2 多数据库支持

通过 TypeORM 抽象层，支持：

SQLite（默认，适合本地开发）
MySQL / MariaDB
PostgreSQL（生产推荐）

8. 安全与认证

8.1 认证机制

API Key 认证：用于外部 API 调用，支持细粒度权限控制
JWT Token 认证：用于 UI 登录会话
令牌刷新循环：401 错误时自动调用刷新端点并重试原始请求

8.2 隐含的安全风险

根据代码分析，存在以下值得关注的问题：

请求体验证不足：仅验证 req.body 存在，不验证内部结构
配额检查与助手创建之间无事务保护，可能造成配额泄漏
权限字符串仅验证是否为字符串，不验证是否为有效权限名
使用配额缓存（5 分钟 TTL）可能导致短暂的配额超限

9. 扩展性与集成

9.1 MCP 协议支持

Flowise 内置了 Model Context Protocol (MCP) 支持：

mcp-server/ — 将 Flowise 工具暴露为 MCP 服务器
mcp-endpoint/ — 连接外部 MCP 服务器作为工具源
MCPToolkit 节点用于在工作流中调用 MCP 工具

9.2 多 Agent 架构

支持多种 Agent 模式：

单 Agent：agents/ 下的各种 Agent 类型
多 Agent：multiagents/ 提供 Multi-Agent Supervisor
顺序 Agent：sequentialagents/ 提供顺序执行链
Agent 工作流：agentflow/ 提供条件分支、循环等控制流

9.3 存储抽象

StorageProviderFactory 提供统一的文件存储抽象：

本地文件系统
AWS S3
Google Cloud Storage
Azure Blob Storage

10. 部署与运维

10.1 部署方式

npm 全局安装：npm install -g flowise && npx flowise start
Docker：官方 Dockerfile + Docker Compose
云平台一键部署：支持 Railway、Render、HuggingFace Spaces、Elestio、Sealos 等
主流云厂商：AWS、Azure、GCP、Digital Ocean、阿里云

10.2 环境变量配置

核心配置项（packages/server/.env）：

PORT — 服务端口（默认 3000）
DATABASE_TYPE — 数据库类型
DATABASE_URL — 数据库连接串
EXECUTION_MODE — 执行模式（standard/queue）
REDIS_URL — Redis 连接（队列模式必需）
APIKEY_STORAGE_TYPE — API Key 存储方式
STORAGE_TYPE — 文件存储类型
DISABLED_NODES — 禁用的节点列表

10.3 运行时反馈循环

系统包含 3 个关键反馈循环：

令牌刷新循环：401 → 刷新令牌 → 重试请求
配额验证循环：检查使用量 → 对比限制 → 阻止或放行
组件验证循环：检测无效配置 → 反馈错误 → 用户修正

总结

Flowise 的架构体现了“LangChain 可视化”的核心理念：通过将 LangChain 的 Runnable 接口映射为可视化节点，实现了低代码 AI 工作流构建。其 monorepo 结构清晰，组件系统高度可扩展，队列模式支持生产级水平扩展。作为已归档项目，其架构设计思想（特别是组件注册表、节点发现机制、双模式执行引擎）对 OpenMate 的 Agent 架构仍有重要参考价值。

29.Flowise架构深度分析

1. 项目定位与核心价值

2. 整体架构设计

2.1 Monorepo 结构

2.2 分层架构

3. 数据流与执行模型

3.1 五阶段数据管道

3.2 核心数据模型

4. 组件系统（Components）

4.1 节点分类

4.2 节点发现机制（NodesPool）

5. 服务端架构（Server）

5.1 服务初始化流程

5.2 路由体系

5.3 核心服务层

6. 队列模式与水平扩展

6.1 双模式架构

6.2 队列系统设计

7. 数据库设计

7.1 实体模型

7.2 多数据库支持

8. 安全与认证

8.1 认证机制

8.2 隐含的安全风险

9. 扩展性与集成

9.1 MCP 协议支持

9.2 多 Agent 架构

9.3 存储抽象

10. 部署与运维

10.1 部署方式

10.2 环境变量配置

10.3 运行时反馈循环

总结

评论

发表回复 取消回复

更多文章

攀岩运动简介

29.Flowise架构深度分析

AI编程（三十九）：天气查询工具 — 把”看天吃饭”交给程序

28.Langflow架构深度分析

AI编程（三十八）：API调用 — 网站的”官方点餐窗口”

发表回复取消回复