企业官网建设流程全解析

在 Activepieces 中集成 Flowise 无代码 AI 工作流：Piece 认证、预测动作与构建指南

【免费下载链接】activepiecesAI Agents & MCPs & AI Workflow Automation • (~400 MCP servers for AI agents) • AI Automation / AI Agent with MCPs • AI Workflows & AI Agents • MCPs for AI Agents项目地址: https://gitcode.com/GitHub_Trending/ac/activepieces

本文围绕 Activepieces 官方社区 Flowise Piece（README 与 src/index.ts）展开，讲解如何在 Activepieces 流程与 AI Agent 中调用 Flowise 上已部署的 Chatflow（聊天流 / RAG / Agent 工作流）完成推理预测。读完本文，你将掌握 Flowise Piece 的认证配置、Make Prediction动作的参数与请求格式、Custom API Call 的底层机制，以及该 Piece 的本地构建与多语言资源组织方式。

一、Flowise Piece 是什么

Flowise 是一款无代码 AI 工作流构建器，用户可以拖拽编排 LLM、向量数据库、检索器等节点，生成并部署一个对外提供推理能力的 Chatflow。Activepieces 中的 Flowise Piece 正是这座"桥"：它把 Flowise 部署好的 Chatflow 封装成 Activepieces 的 Action，让自动化流程或 AI Agent 能直接向/api/v1/prediction/{chatflow_id}发送问题并拿回模型输出。

从 src/index.ts 的 Piece 元数据可以看出它的定位：

export const flowise = createPiece({ displayName: 'Flowise', description: 'No-Code AI workflow builder', logoUrl: 'https://cdn.activepieces.com/pieces/flowise.png', auth: flowiseAuth, minimumSupportedRelease: '0.30.0', categories: [PieceCategory.ARTIFICIAL_INTELLIGENCE], authors: ["aasimsanim","kishanprmr","MoShizzle","abuaboud"], actions: [flowisePredict, createCustomApiCallAction({ ... })], triggers: [], });

关键信息：

• 分类：PieceCategory.ARTIFICIAL_INTELLIGENCE，在动作面板的 AI 分类下展示；
• 版本兼容：minimumSupportedRelease: '0.30.0'，要求 Activepieces 运行时不低于 0.30.0 版本；
• 能力边界：只提供 Actions（flowisePredict+ 通用Custom API Call），无触发器（triggers: []）——它只能被流程主动调用，不会主动向 Activepieces 推送事件；
• 认证：flowiseAuth自定义认证，统一管理 Flowise 实例地址与 API Key。

createPiece的实现位于 packages/pieces/framework/src/lib/piece.ts，它会将 actions 按名称注册到内部 Map，并在metadata()中输出displayName、actions、triggers、categories、auth、minimumSupportedRelease等完整元数据，供 Activepieces 平台加载与展示。

二、认证配置：Flowise URL 与 API Key

Flowise Piece 使用PieceAuth.CustomAuth定义认证，见 src/index.ts：

const flowiseAuth = PieceAuth.CustomAuth({ description: 'Enter your Flowise URL and API Key', props: { base_url: Property.ShortText({ displayName: 'Base URL', description: 'Enter the base URL', required: true, }), access_token: PieceAuth.SecretText({ displayName: 'API Key', description: 'Enter the API Key', required: true, }), }, required: true, });

配置项说明：

其中access_token使用SecretText类型，属于敏感凭据字段，在界面上以密文形式输入与存储；CustomAuth框架类型定义在 custom-auth-prop.ts 中，其 props 支持ShortText、LongText、Number、Checkbox、StaticDropdown、SecretText等组合，Flowise 正好用了最常见的"地址 + 密钥"组合。

认证提示：一个 Activepieces Connection 对应一个 Flowise 实例。若你有多套 Flowise 环境（开发/生产），可分别建立 Connection，在流程中按需选择。

三、核心动作：Make Prediction

flowisePredict是 Flowise Piece 的主动作，动作名make_prediction，显示名 "Make Prediction"，负责"向指定 Chatflow 发送问题并返回预测结果"，见 src/index.ts。

3.1 输入参数

props: { chatflow_id: Property.ShortText({ displayName: 'Chatflow ID', required: true }), input: Property.ShortText({ displayName: 'Input/Question', required: true }), history: Property.Json({ displayName: 'History', required: false }), overrideConfig: Property.Json({ displayName: 'Override Config', required: false }), }

3.2 底层请求逻辑

run函数的实现直接印证了调用链（src/index.ts）：

const url = `${base_url}/api/v1/prediction/${chatflow_id}`; const headers = { 'Content-Type': 'application/json', Authorization: `Bearer ${access_token}`, }; const body = { question: input, history: ctx.propsValue['history'], overrideConfig: ctx.propsValue['overrideConfig'], }; const response = await fetch(url, { method: 'POST', headers, body: JSON.stringify(body), }); const data = await response.json(); return data;

要点：

• 端点：POST {base_url}/api/v1/prediction/{chatflow_id}，与源码注释中的/api/v1/prediction/{your-chatflowid}一致；
• 请求体：question携带问题文本，history与overrideConfig仅在配置了对应 props 时随请求体透传；
• 认证方式：BearerToken 头；
• 返回值：直接返回 Flowise 的完整 JSON 响应（包含模型生成的文本、所用 Chatflow 信息等），Activepieces 不会做二次解析，下游步骤可通过变量引用其中的字段。

3.3 AI Agent 语义元数据

源码中还为该动作声明了aiMetadata（src/index.ts）：

aiMetadata: { description: 'Sends a question/input to a specific Flowise chatflow by its Chatflow ID and returns the prediction, optionally passing prior conversation history and runtime override config...', idempotent: false, }

这告诉 AI Agent：调用前需要明确的 Chatflow ID；由于每次调用都会生成一次全新的模型响应，该动作不是幂等的。对于把 Flowise Chatflow 作为 Agent 工具的开发者来说，这段元数据会被 Agent 用于理解何时调用、需要准备哪些参数。

四、附加能力：Custom API Call

除了专用的Make Prediction，Flowise Piece 还通过createCustomApiCallAction暴露了一个通用 HTTP 动作，覆盖 Flowise 其余 API 端点（src/index.ts）：

createCustomApiCallAction({ baseUrl: (auth) => (auth?.props.base_url ?? ''), auth: flowiseAuth, authMapping: async (auth) => ({ Authorization: `Bearer ${auth.props.access_token}`, }), })

其底层实现在 packages/pieces/common/src/lib/helpers/index.ts：

• 动态 URL：baseUrl由认证连接中的base_url计算得出，URL 支持绝对地址或相对路径；
• 自动注入认证：authMapping生成的Authorization: Bearer <access_token>会被自动附加到请求头，无需手动填写；
• 通用参数：Method（GET/POST/PUT/PATCH/DELETE/HEAD 等）、Headers、Query Parameters、Body Type（JSON / Form Data / Raw / None）、Body、Timeout (in seconds)、Follow redirects、Response is Binary、No Error on Failure等；
• 用途：可用于调用 Flowise 的其他管理类接口（例如查询 Chatflow 列表、上传向量数据等），作为Make Prediction的补充。

需要说明：Make Prediction动作的 audience 为'both'（同时面向人类流程与 Agent），而createCustomApiCallAction生成的动作为'human'面向，默认分类为WRITE，这一点在编排 AI Agent 工具选择时需要注意。

五、多语言资源

Flowise Piece 内置了完整的 i18n 文案资源，位于 src/i18n 目录，包含de、es、fr、ja、nl、pt、ru、vi、zh以及默认translation.json共 10 份语言文件。以 zh.json 为例，它为 "Base URL"、"API Key"、"Make Prediction"、"Custom API Call"、"Chatflow ID"、"History"、"Override Config" 以及 Custom API Call 的 Method、Body Type、Timeout 等 UI 文案提供了本地化映射。因此，不同语言环境下的用户界面会呈现对应的本地化标签，而动作名称（make_prediction）与接口行为保持一致。

六、构建与发布

根据 Piece 的 README，构建该库的唯一必需命令是：

turbo run build --filter=@activepieces/piece-flowise

该命令利用 Turborepo 按包名@activepieces/piece-flowise过滤并构建。结合 package.json 中的脚本，可以进一步了解完整工具链：

{ "name": "@activepieces/piece-flowise", "version": "0.1.7", "scripts": { "build": "tsc -p tsconfig.lib.json && cp package.json dist/", "bundle": "node ../../../../dist/packages/cli/src/index.js pieces bundle", "lint": "eslint 'src/**/*.ts'" }, "dependencies": { "@activepieces/pieces-common": "workspace:*", "@activepieces/pieces-framework": "workspace:*", "@activepieces/core-piece-types": "workspace:*", "@activepieces/core-utils": "workspace:*" } }

• build：先用tsc按tsconfig.lib.json编译 TypeScript 源码到dist/，再把package.json复制进产物目录；
• bundle：调用 Activepieces CLI 的pieces bundle命令打包该 Piece 的产物与资源，供平台分发给安装方；
• lint：对src/**/*.ts执行 ESLint 检查；
• 依赖：均以 workspace 形式引用pieces-common、pieces-framework、core-piece-types、core-utils等仓库内包，保证与当前 Activepieces 主版本 API 对齐。

在仓库中构建该 Piece 时，先确保根目录依赖已安装（仓库使用 bun + turbo 工作区），再执行上述turbo run build --filter=@activepieces/piece-flowise即可得到dist/产物。Piece 的版本号（当前 0.1.7）由package.json维护，升级行为与构建打包在发布流程中由仓库的发布脚本统一处理。

七、典型应用场景

把 Flowise Piece 放进 Activepieces 流程或 Agent 工具集中，常见的组合方式包括：

1. RAG 问答自动化：当收到新消息（Webhook / 邮件 / 表单触发）时，把消息内容作为input传给已部署的 Flowise RAG Chatflow，再把返回的答案写回 Slack、发邮件或入库；
2. AI Agent 的领域工具：将Make Prediction注册为 Agent 工具，让 Agent 在需要领域推理（如内部知识库问答）时调用 Flowise Chatflow，history支持携带对话上下文，overrideConfig可临时切换模型或 Prompt；
3. 多轮对话：把上一轮history透传给 Chatflow，实现有记忆的连续会话，history采用 JSON 结构，由上游步骤的变量填充。

需要留意：Make Prediction每次调用都会触发一次真实模型推理，产生新的响应（非幂等），在编排重试或批处理任务时需考虑调用成本与频次；所有请求均以BearerToken 认证，API Key 通过 Activepieces 的连接（Connection）机制加密保存，不应以明文形式出现在流程变量中。

结语

Flowise Piece 是 Activepieces AI 生态中连接"无代码工作流构建器"与"自动化编排平台"的典型实现：通过CustomAuth统一管理实例地址与密钥，通过Make Prediction动作封装/api/v1/prediction/{chatflow_id}推理接口，并用Custom API Call保留对 Flowise 全量 API 的访问能力。其源码结构清晰（认证定义、动作实现、Piece 注册、i18n 资源分层），是阅读与二次开发 Activepieces 社区 Piece 的良好范本。

【免费下载链接】activepiecesAI Agents & MCPs & AI Workflow Automation • (~400 MCP servers for AI agents) • AI Automation / AI Agent with MCPs • AI Workflows & AI Agents • MCPs for AI Agents项目地址: https://gitcode.com/GitHub_Trending/ac/activepieces