企业官网建设流程全解析

零代码搭建AI助手：Flowise 5分钟创建RAG聊天机器人教程

1. 为什么你需要这个教程

你有没有遇到过这些情况：

• 想把公司内部的PDF文档、产品手册、会议纪要变成能随时问答的知识库，但写LangChain代码太费时间？
• 看到RAG（检索增强生成）这个词就头大，不知道从哪开始配置向量数据库、分块逻辑和LLM调用链？
• 试过几个开源工具，结果卡在环境编译、模型加载失败、API报错404上，最后放弃？

别折腾了。今天这篇教程，不装依赖、不改配置文件、不写一行Python，5分钟内完成一个可对话、可提问、可部署的本地RAG聊天机器人——所有操作都在网页里拖拽完成。

Flowise不是另一个需要你“先学三天再动手”的框架。它像乐高一样，把LangChain里那些抽象概念：LLM调用、文本分块、向量存储、提示词模板、条件判断……都变成了带图标的可视化节点。你只需要把它们连起来，就像画流程图一样自然。

而且它完全本地运行，不上传你的任何数据；支持vLLM加速推理，小显卡也能跑得动；一键导出REST API，明天就能嵌入到你公司的OA系统里。

下面我们就从零开始，手把手带你搭出来。

2. 准备工作：3步启动Flowise服务

Flowise镜像已预装vLLM和核心服务，无需手动编译模型或安装Node.js。你只需要确认基础环境，然后执行一条命令。

2.1 环境检查（1分钟）

确保你的机器满足以下最低要求：

• 操作系统：Ubuntu 22.04 / Debian 12（其他Linux发行版也可，Windows需WSL2）
• 内存：≥8GB（推荐16GB）
• 显存：≥6GB（如RTX 3060/4060及以上，或A10G/A100等云GPU）
• 磁盘：≥20GB可用空间（用于缓存模型和向量库）

注意：本镜像已内置vLLM服务，无需额外安装CUDA驱动或vLLM包。所有模型加载、推理、向量化均在容器内自动完成。

2.2 启动服务（30秒）

打开终端，执行以下命令：

# 进入工作目录（镜像已预置/app路径） cd /app # 启动Flowise服务（自动加载vLLM + Web UI） pnpm start

等待约2–3分钟，你会看到类似这样的日志输出：

[INFO] Flowise server is running on http://localhost:3000 [INFO] vLLM inference server started successfully [INFO] Vector store initialized with ChromaDB (in-memory)

此时，服务已就绪。打开浏览器，访问http://localhost:3000即可进入可视化界面。

2.3 登录账号（10秒）

使用镜像预置的演示账号登录：

• 邮箱：kakajiang@kakajiang.com
• 密码：KKJiang123

登录后，你将看到干净的工作区画布，右上角显示“Welcome to Flowise”。

小贴士：首次登录后，建议点击右上角头像 → Settings → 修改密码，保障本地环境安全。

3. 拖拽建模：4个节点搭出RAG工作流

RAG的核心逻辑其实就四步：用户提问 → 检索相关文档片段 → 把问题+片段喂给大模型 → 生成自然语言回答。Flowise把这四步封装成四个可拖拽节点。

我们不用写代码，只用鼠标操作。

3.1 添加知识源：上传你的文档（1分钟）

点击左侧节点栏中的Document Loaders→ 拖一个Directory节点到画布中央。

• 双击该节点，在弹窗中设置：
  • Directory Path:/app/docs（镜像已预置示例文档，含3份PDF和2份TXT）
  • Glob Pattern:**/*.{pdf,txt,md}（自动识别常见格式）
  • Recursive: 勾选（支持子文件夹）

实际使用时，你只需把公司知识库文件（如/company/kb/）复制到容器内对应路径，这里填入即可。支持PDF、Word、Excel、PPT、Markdown、纯文本等15+格式。

3.2 文本切分：让大模型看得懂长文档（30秒）

从Text Splitters中拖一个RecursiveCharacterTextSplitter节点到画布，放在Directory节点右侧。

• 双击设置：
  • Chunk Size:500（每段500字符，兼顾语义完整与检索精度）
  • Chunk Overlap:50（相邻段落重叠50字符，避免断句割裂）

连线：用鼠标从Directory节点的输出端口（右下角圆点）拖线，连接到TextSplitter的输入端口（左上角圆点）。你会看到一条蓝色连线，表示“文档→分块”。

3.3 向量入库：把文字变成可搜索的数字（1分钟）

从Vector Stores中拖一个Chroma节点到画布（镜像默认使用轻量级ChromaDB，无需额外数据库）。

• 双击设置：
  • Collection Name:company_knowledge（自定义知识库名，后续可多库共存）
  • Embedding Model:BAAI/bge-small-zh-v1.5（中文优化，128维，速度快、效果稳）

连线：从TextSplitter输出端拖线至Chroma输入端。此时Flowise会自动下载并加载该嵌入模型（首次运行约需1–2分钟，后续秒级响应）。

小知识：BGE系列是当前中文场景下综合表现最好的开源嵌入模型之一，比OpenAI text-embedding-ada-002更轻、更快，且完全离线。

3.4 构建问答：连接大模型生成答案（2分钟）

这是最关键的一步。我们需要两个节点：一个负责检索，一个负责生成。

• 从Retrievers拖一个Chroma Retriever节点
• 从LLMs拖一个vLLM Chat Model节点（镜像已预置Qwen2-1.5B-Instruct，支持中文对话）

分别设置：

Chroma Retriever：

• Collection Name:company_knowledge（与上一步保持一致）
• Top K:3（每次检索返回最相关的3个片段）

vLLM Chat Model：

• Model ID:Qwen/Qwen2-1.5B-Instruct（已内置，无需下载）
• Max Tokens:1024
• Temperature:0.3（降低随机性，回答更稳定）

最后连线：

• Chroma Retriever ← Chroma（检索器读取向量库）
• vLLM Chat Model ← Chroma Retriever（检索结果作为上下文输入）
• vLLM Chat Model ← Input（用户原始问题也直接输入，保证问题不丢失）

此时整个RAG链路已闭环：用户提问 → 检索匹配片段 → LLM融合生成 → 输出答案。

4. 测试运行：第一句提问就出结果

点击画布右上角的Test Workflow按钮（闪电图标），打开测试面板。

在输入框中输入一句真实问题，例如：

“我们的售后服务响应时效是多久？”

点击Run，几秒钟后，你会看到右侧输出区域显示结构化结果：

【检索到的原文片段】 - 文件：/app/docs/售后政策.pdf，页码：P7 内容：“客户提交服务请求后，一线技术支持将在2小时内首次响应……” 【LLM生成的回答】 根据《售后服务政策》，客户提交服务请求后，一线技术支持团队承诺在2小时内完成首次响应，8小时内提供初步解决方案，24小时内给出完整处理方案。

成功！你没有写一行代码，没有配置API密钥，没有调试向量维度，就完成了端到端的RAG问答。

再试一句更开放的问题：

“请用一句话总结我们产品的三大核心优势。”

Flowise会自动从多份文档中提取关键信息，并由Qwen2模型组织成通顺表达。这就是RAG真正的价值：让大模型的回答有据可依，不胡说、不幻觉、不越界。

5. 进阶技巧：让机器人更聪明、更实用

上面的流程已经能跑通，但要真正用起来，还需要几个关键优化。全部在UI里点点鼠标就能完成。

5.1 提升检索质量：加一层“过滤器”

默认检索可能把无关文档也拉进来。我们可以加一个Document Filter节点，按标签或元数据筛选。

• 拖一个Document Filter节点，放在Chroma Retriever之前
• 设置Filter Key:source，Filter Value:docs/售后政策.pdf
• 连线：Chroma → Document Filter → Chroma Retriever

这样，当用户明确问“售后相关”，系统就只查售后文档，响应更快、更精准。

5.2 优化回答风格：定制提示词模板

默认提示词较通用。点击vLLM Chat Model节点 → 展开Prompt Template区域 → 替换为以下中文友好模板：

你是一名专业客服助手，正在回答客户关于公司产品与服务的问题。请严格遵守以下规则： 1. 所有回答必须基于提供的【参考资料】，不得编造、猜测或引用外部知识； 2. 若参考资料中无相关信息，请明确回答“暂未找到相关内容”； 3. 回答需简洁、准确、口语化，控制在3句话以内； 4. 如涉及时效、价格、政策等敏感信息，务必标注出处文件名与页码。 【参考资料】 {context} 【客户问题】 {query}

保存后重新测试，“我们的保修期是几年？”这类问题就会带上来源标注，可信度大幅提升。

5.3 支持多轮对话：记住上下文

默认Flowise是单轮问答。要支持“上一句问价格，下一句问运费”，需启用对话记忆。

• 在画布空白处右键 →Add Node→ 选择Chat Memory→ 拖入
• 连接：Input → Chat Memory → vLLM Chat Model（作为额外输入）
• 双击Chat Memory，设置Memory Type:BufferWindow，K:5（保留最近5轮对话）

现在测试连续提问：

Q1：产品A的起订量是多少？
Q2：那运费怎么算？

第二问会自动关联“产品A”上下文，无需重复说明。

6. 一键部署：把机器人变成API接口

做完测试，下一步就是让业务系统调用它。Flowise提供两种零门槛方式。

6.1 导出为REST API（30秒）

点击顶部菜单Deploy→Export as API→ 选择REST API。

系统自动生成一个标准OpenAPI 3.0规范的JSON文件，并附带调用示例：

curl -X POST "http://localhost:3000/api/v1/prediction/your-workflow-id" \ -H "Content-Type: application/json" \ -d '{"question":"产品A的交付周期是多久？"}'

返回结构清晰的JSON：

{ "answer": "标准交付周期为15个工作日，加急订单可缩短至7个工作日。", "sources": [ { "filename": "产品手册.pdf", "page": 12, "content": "常规订单交付周期：15个工作日；加急订单：7个工作日。" } ] }

你可以把这个API地址直接交给前端工程师，嵌入网页、钉钉机器人、企业微信应用。

6.2 嵌入网页：3行代码接入

如果想快速做个内部知识库页面，Flowise还提供React组件包。

在你的前端项目中执行：

npm install flowise-embed

然后在页面中插入：

import { FlowiseChat } from 'flowise-embed'; function App() { return ( <div style={{ width: '400px', height: '600px' }}> <FlowiseChat chatflowid="your-workflow-id" apiHost="http://localhost:3000" theme={{ button: { backgroundColor: '#1e40af', color: '#fff' }, input: { borderColor: '#3b82f6' } }} /> </div> ); }

刷新页面，一个可交互的聊天窗口就出现了。样式、颜色、尺寸全可自定义。

7. 总结：你刚刚完成了什么

回顾这5分钟的操作，你实际上完成了一套原本需要数天才能上线的AI能力：

• 零代码构建RAG流水线：文档加载 → 分块 → 向量化 → 检索 → 生成，全部可视化完成
• 本地私有化部署：所有数据不出设备，模型、向量库、服务全在本地运行
• 开箱即用的中文能力：预置BGE嵌入模型 + Qwen2对话模型，无需额外下载或微调
• 生产就绪的集成能力：一键导出API、React/Vue嵌入、支持PostgreSQL持久化（进阶配置）
• 可持续演进的架构：后续可轻松替换为更大模型（如Qwen2-7B）、切换向量库（Milvus/Pinecone）、接入企业微信/飞书Bot

这不是一个玩具Demo，而是一个真正能解决实际问题的AI助手底座。你今天搭的，可能是明天公司全员使用的智能知识中枢。

下一步，你可以：

• 把销售话术、HR制度、IT运维手册批量导入，打造部门级AI助手
• 结合Zapier节点，让机器人自动查工单、发邮件、更新CRM
• 用Marketplace里的“SQL Agent”模板，让非技术人员用自然语言查数据库

技术的价值，从来不在炫技，而在让复杂变简单，让专业变普及。Flowise做到了。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。