Flowise 1.5 新特性实战：使用可视化拖拽构建 RAG + Agent 混合工作流

创建 docker-compose.yml 文件：

version: '3.8'
services:
  flowise:
    image: flowiseai/flowise:latest
    ports:
      - "3000:3000"
    environment:
      - PORT=3000
      - DATABASE_TYPE=sqlite
      - DATABASE_PATH=/flowise/sqlite.db
      - APIKEY_PATH=/flowise/apikeys
      - SECRETKEY_OVERWRITE=your-secret-key-here
      - LOG_LEVEL=INFO
    volumes:
      - ./flowise-data:/flowise
    restart: unless-stopped

启动服务：

docker-compose up -d

访问 http://localhost:3000 即可看到 Flowise 管理界面。

在 Flowise 界面中，点击左侧菜单的 "Credentials" → "Add New Credential"：

• Name: OpenAI API Key
• Type: OpenAI API
• API Key: 填入你的 sk-... 密钥

从左侧节点库拖拽 "Start" 节点到画布：

• Input Type: Chat Input
• Variables: 添加变量 query（类型：String）

{
  "id": "start_1",
  "type": "start",
  "inputType": "chatInput",
  "variables": [
    { "name": "query", "type": "string" }
  ]
}

添加 "Condition Agent" 节点，用于将用户查询路由到不同分支：

• AI 相关查询 → 进入 RAG 检索流程
• 通用查询 → 直接使用 LLM 回答

{
  "conditionAgent": {
    "conditions": [
      {
        "name": "AI Related",
        "criteria": "query contains keywords about AI, machine learning, or data science"
      },
      {
        "name": "General",
        "criteria": "all other queries"
      }
    ]
  }
}

为 AI 相关查询分支添加 LLM 节点，将用户原始查询转换为更适合向量检索的格式：

// System Prompt 示例
你是一个查询优化专家。将用户的问题改写为更适合向量数据库检索的格式：
1. 提取核心概念和关键词
2. 移除口语化表达
3. 保持技术术语的准确性

原始查询：{{query}}
优化后的查询：

连接向量数据库检索器：

• Vector Store: 选择 ChromaDB / Pinecone
• Top K: 5（返回最相关的 5 个文档片段）
• Threshold: 0.7（相似度阈值）

retriever:
  type: vectorStore
  config:
    store: chromadb
    collection: tech-docs
    topK: 5
    threshold: 0.7

使用 LLM 判断检索结果是否与查询相关：

// Relevance Checker Prompt
请判断以下检索结果是否与用户查询相关：

用户查询：{{optimized_query}}
检索结果：{{retrieved_docs}}

如果相关，输出"RELEVANT"并提取关键信息；
如果不相关，输出"IRRELEVANT"并说明原因。

相关 → 进入最终回答生成；不相关 → 进入查询重写环节。

当检索结果不相关时，系统自动重试：

• Max Iterations: 5
• Query Rewriter: 根据不相关原因调整查询策略

{
  "loopNode": {
    "maxIterations": 5,
    "onIrrelevant": {
      "action": "rewrite_query",
      "feedback": "检索结果缺少关键概念 {{missing_concept}}"
    }
  }
}

这是 Flowise 1.5 的核心特性之一——自修正循环，能够显著提升 RAG 系统的回答准确率。

整合检索结果，生成最终回答：

// Answer Generator Prompt
基于以下检索结果，回答用户的问题：

原始查询：{{query}}
优化查询：{{optimized_query}}
检索结果：
{{retrieved_docs}}

要求：
1. 引用来源文档编号
2. 如信息不足，明确说明
3. 保持回答简洁专业