Wissen / Dokumentation / Flowise: Visueller Flow-Builder für LangChain

Aus Dokument
Version vom 9. August 2026, 11:24 Uhr von imported>Thorsten Klöhn (Import aus Zensical-Doku (Wissen Ahrensburg))
(Unterschied) ← Nächstältere Version | Aktuelle Version (Unterschied) | Nächstjüngere Version → (Unterschied)
Zur Navigation springen Zur Suche springen

Flowise: Visueller Flow-Builder für LangChain-Anwendungen

Flowise (FlowiseAI) ist ein Open-Source-Werkzeug zum visuellen Bauen von LLM-Anwendungen, KI-Agenten und RAG-Pipelines per Drag-and-Drop — auf Basis von LangChain.js. Der Ansatz ähnelt Dify: beide sind visuelle Builder statt reiner Chat-Oberflächen. Der zentrale Unterschied liegt im Fundament — Flowise legt den LangChain-Knoten-Graph offen (LLMs, Document Loader, Vector Stores, Memory-Module, Agents, Tools als einzeln verbundene Blöcke), während Dify eine eigene, stärker gekapselte Workflow-Engine mitbringt.

Hinweis: Reines Apache-2.0 für die Community Edition

Anders als Dify (Zusatzklauseln) oder Open WebUI (eigene Lizenz mit Branding-Pflicht) steht die Flowise Community Edition unter reinem Apache-2.0 — freie Nutzung, Modifikation, Weiterverbreitung und kommerzieller Einsatz inklusive Patent-Grant, ohne Zusatzbedingungen. Enterprise-Funktionen wie SSO und RBAC sind dagegen an eine separate, kommerzielle Lizenz gebunden.


Übersicht

Drei Bausteine: Assistant, Chatflow, Agentflow

Baustein Einsatzzweck
Assistant einsteigerfreundlichster Weg zu einem KI-Agenten: Anweisungen, Tool-Nutzung, RAG-Wissensbasis
Chatflow Einzelagenten-Systeme und einfache LLM-Flows, inkl. fortgeschrittener RAG-Techniken (Graph RAG, Reranker, Retriever)
Agentflow Obermenge von Chatflow & Assistant — Multi-Agent-Systeme und komplexe Workflow-Orchestrierung


Agentflow V2: Node-Typen

Agentflow V2 orchestriert Abläufe über spezialisierte Nodes statt über ein externes Framework — mit einem Ausführungs-Queue-System, das definierte Pfade exakt respektiert:

Node Funktion
Agent (Supervisor/Worker) autonome Einheit mit Reasoning, Planning und Tool-Interaktion; im Supervisor-Worker-Muster delegiert ein übergeordneter Agent Aufgaben an spezialisierte Worker-Agents
Condition deterministische Verzweigung über Operatoren wie equals, contains, larger
Condition Agent KI-gesteuerte Verzweigung: das LLM ordnet Eingaben natürlichsprachlich definierten Szenarien zu
Loop leitet die Ausführung explizit zu einem vorherigen Node zurück, mit konfigurierbarer maximaler Schleifenanzahl
Human Input pausiert die Ausführung für eine Nutzerentscheidung, setzt danach fort — vergleichbar mit dem Human-Input-Knoten in Dify
Execute Flow ruft einen anderen Chatflow/Agentflow als Sub-Workflow auf — fördert modulares, wiederverwendbares Design


Installation

Docker 

git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise/docker
cp .env.example .env
docker compose up -d

npm (lokale Entwicklung) 

npm install -g flowise
npx flowise start

Tipp: Produktivbetrieb mit Message Queue

Für Produktivlasten läuft Flowise typischerweise mit einer externen Datenbank plus Message Queue und Worker-Prozessen für horizontale Skalierung — die einfache Docker-/npm-Installation eignet sich vor allem für Entwicklung und kleinere Deployments.


RAG & Vektordatenbanken

Flowise bindet 100+ Quellen, Tools, Vektordatenbanken und Speichersysteme nativ an — darunter Pinecone, Chroma und Qdrant (siehe auch PostgreSQL + pgvector als selbst gehostete Alternative). Dokumente werden per Document-Loader-Node eingelesen, in einen Vector-Store-Node eingebettet und stehen anschließend jedem nachgelagerten Chatflow-/Agentflow-Knoten als Retrieval-Quelle zur Verfügung.


MCP-Integration: Client- und Server-Knoten

Wie Dify unterstützt Flowise das Model Context Protocol bidirektional — als eigene Node-Typen direkt auf dem Canvas platzierbar:

Node Richtung Funktion
MCP-Client-Knoten eingehend bindet einen externen MCP-Server als Werkzeug in einen Chatflow/Agentflow ein, inkl. Tool-Listing, SSE-Transport und Auth-Support
MCP-Server-Knoten ausgehend exponiert einen Flow selbst als MCP-Server für externe MCP-Clients (Claude, Cursor, …)


API & Einbettung

  • Prediction API: zentraler REST-Endpunkt zum Senden von Nachrichten an einen Flow/Assistant und Empfangen der Antwort — inkl. Streaming, Conversation Memory und Datei-Verarbeitung
  • SDKs: TypeScript und Python
  • Embed-Widget: fertiges Chat-Widget zum Einbetten in eigene Webseiten, ohne eigenes Frontend zu bauen


Einordnung gegenüber verwandten Tools

Kriterium Flowise Dify AnythingLLM Onyx
Lizenz (Community/Core) reines Apache-2.0 Apache-2.0 + Zusatzklauseln MIT MIT (Community Edition)
Fundament LangChain.js-Knoten-Graph, offen einsehbar eigene Workflow-Engine eigenständige RAG-/Chat-App eigenständige Such-/RAG-Plattform
MCP-Support bidirektional (Client-/Server-Knoten) bidirektional (Client und Server) offiziell, nativ (Client) offiziell (Client)
Enterprise-Gating SSO/RBAC nur kommerziell Multi-Tenant-SaaS nur kommerziell keine Einschränkung (MIT) RBAC/SSO/SCIM nur Enterprise Edition
Typischer Einsatz Entwickler, die den LangChain-Graph direkt sehen/anpassen wollen Mehrstufige Automatisierung mit Freigabe-Schritten Einzelperson/kleines Team ohne Server-Infrastruktur Unternehmen mit vielen Connectoren

Tipp: Flowise vs. Dify

Beide lösen ein ähnliches Problem visuell — die Entscheidung ist oft Geschmackssache: Flowise, wenn der LangChain.js-Unterbau direkt sichtbar und erweiterbar sein soll (z. B. für Entwickler, die bereits mit LangChain arbeiten); Dify, wenn eine stärker gekapselte, produktreifere Oberfläche mit eigenem App-Typ-Konzept (Chatbot/Text-Generator/Agent/Workflow) bevorzugt wird.


Verwandte Themen

Abgerufen von „https://mediawiki.wissen-ahrensburg.de/index.php?title=Wissen_/_Dokumentation_/_Flowise:_Visueller_Flow-Builder_für_LangChain&oldid=3640“