Flowise 是什麼？
Flowise 是用於視覺化建立生成式 AI 應用、LLM Workflow 和 Agent 的開源平台。團隊可以在畫布上連接模型、Prompt、Retriever、Document Store、工具、API 與控制節點，再透過聊天介面、Embed 或 Prediction API 發布結果。它既能運行在自有基礎設施，也提供 Flowise Cloud。
這一區別非常重要。Flowise 是編排層，不是模型，也不是端到端隱私邊界。一個 Workflow 可能把資料傳給模型商、把 Embedding 存進外部向量庫、把上傳檔案留在本地或雲端物件儲存、呼叫業務系統，並把分析資料傳送到其他服務。視覺化畫布讓元件更容易組合，但不會消除成本、權限、故障模式與各自條款。
Agentflow V2 與流程設計
Agentflow V2 是 Flowise 更新的原生編排架構。獨立節點把分支、迴圈、迭代、LLM 呼叫、工具呼叫、檢索、Agent、子流程和狀態流轉明確呈現。Supervisor 可以給 Worker Agent 分派任務，節點也能讀取或更新預先宣告的 Flow State；平台還支援 MCP 工具與 SSE 串流輸出。
人工在環控制適合高影響流程。Human Input 節點可暫停執行等待批准或回饋，並從已儲存 Checkpoint 恢復，甚至可跨應用重啟繼續；也能要求 Agent 在執行指定工具前徵得人工同意。只有當審查人看到充分上下文、理解動作且不存在繞行路徑時，這些機制才真正降低風險。
不要把所有任務都改造成自主 Agent。固定轉換和校驗應使用確定性節點，只從獲准來源檢索，為 Agent 設定最小工具集，並在不可逆動作前設定審批。版本也要固定並測試遷移：官方文件稱 Agentflow V1 正在棄用，V2 行為仍可能隨版本變化。
Cloud 價格與自託管真實成本
Flowise Cloud 公開價格顯示，Starter 每月 35 美元，包含無限 Flows 與 Assistants、每月 10,000 次 Prediction、1 GB 儲存和社群支援。Pro 每月 65 美元，包含 50,000 次、10 GB、無限 Workspace、5 位使用者、角色權限與優先支援；額外使用者每月 15 美元。Enterprise 詢價，宣傳本地或隔離部署、SSO/SAML、LDAP/RBAC、版本管理、稽核日誌、99.99% SLA 和專屬支援。
Community 倉庫是另一套成本模型。其原始碼標為 Apache-2.0，企業程式碼採用商業授權。自託管省去 Cloud 訂閱，卻增加運算、資料庫、儲存、負載平衡、密鑰、TLS、備份、升級、監控、事件回應和人員成本。模型 tokens、Embedding、Rerank、OCR、向量檢索、外部 API 與流量費用，在兩種路徑下都可能成為主要開支。
應比較每個「審批通過的成果」成本，而不只看每次 Prediction 單價。使用真實文件和併發壓測，測量延遲與模型重試，把失敗執行也計入價格。還要確認 Cloud 或 Enterprise 功能是否寫入合約；例如 Evaluation 功能在文件中標為僅 Cloud 與 Enterprise 可用。
存取控制與預設公開風險
Flowise 官方 Flow 授權頁面寫明一個關鍵預設值：建立 Chatflow 或 Agentflow 後，該 Flow 預設公開。任何知道其 ID 的人都能透過 Embed 或 API 運行 Prediction，直到你綁定 Flow 級 API Key。難猜的 ID 不是存取控制。
接入真實憑證或文件前，必須保護所有非公開 Flow。設定 Flow Key、執行個體身分驗證、網路限制、最小權限服務帳號、來源控制、密鑰輪替、請求大小限制和經過驗證的限流。Flowise 特別提示，代理設定會影響基於 IP 的限流。建立、測試與生產執行個體應隔離，嵌入式前端也不能暴露可重用秘密。
Prediction API 支援 Session Memory、檔案、串流輸出和設定覆蓋。動態 Override 預設因安全原因關閉，應只開放明確白名單。把 Prompt、上傳檔案、檢索文字、網頁結果和連接器內容都視為不可信輸入，並測試提示注入、工具參數操縱、資料外洩、跨 Session 記憶、超大檔案、重試迴圈與費用耗盡。
憑證、儲存與刪除邊界
Flowise 會加密儲存第三方 API Key。預設情況下，它生成並在本地儲存加密密鑰；文件警告，密鑰被更改或重新生成會導致憑證無法解密。生產團隊應建立穩定的密鑰管理與輪替流程、限制檔案存取、把密鑰與加密資料分開備份，並在適當場景使用受支援的外部祕密管理。
預設資料庫可為本地 SQLite，生產部署也能使用 PostgreSQL 或 MySQL。上傳的文件、圖片、音訊等可能存於本地或設定的物件儲存，文件 Embedding 則可能在獨立向量資料庫中。刪除 Flowise 的 Document Store 設定或 Chunks 不一定刪除外部向量庫記錄，因此可證明的刪除流程必須涵蓋應用資料庫、物件儲存、向量索引、日誌、備份、模型商與所有連接系統。
Flowise 隱私政策稱 Cloud 使用 PostHog、Stripe 等服務，把 Cloud 資料存於美國東部地區，並按必要時間保留；匿名化資料可能無限期保留。政策稱自託管不會向 Flowise 傳送指標或資料，但這不代表自託管 Workflow 離線：營運方選擇的模型、向量、分析與連接器仍可能接收資料。
服務條款稱使用者保留 User Content 所有權，同時授予 Flowise 為營運與改進服務而託管和處理內容的許可；匿名彙總使用資料可用於改進平台。公開頁面沒有為每項 Cloud 功能和模型商給出統一、完整的 Prompt 訓練與保留承諾。敏感採購方應在有效合約中取得 DPA、子處理商與模型清單、保留週期、地區、刪除承諾、事件條款、稽核證據及「不訓練」保證。
結論
Flowise 在程式碼密集的 Agent 框架與封閉無程式碼產品之間提供了實用橋梁。技術團隊能用視覺化方式組合檢索和工具呼叫系統，透過 API 發布，並保留自託管路徑。Agentflow V2 的明確控制節點和人工 Checkpoint，尤其適合超出線性 Chain 的流程。
靈活性同時帶來營運責任。部署時最重要的事實是：Flow 不加保護就能按 ID 公開呼叫；隱私上最重要的事實是：資料可能跨越 Flowise 之外的多項服務。建議從非敏感、唯讀 Workflow 開始，連接憑證前完成保護，建立端到端資料地圖，測試對抗輸入與刪除，再在監控和責任審批真正有效後增加工具與自主程度。
