Flowise 是什么？
Flowise 是用于可视化构建生成式 AI 应用、LLM Workflow 和 Agent 的开源平台。团队可以在画布上连接模型、Prompt、Retriever、Document Store、工具、API 与控制节点，再通过聊天界面、Embed 或 Prediction API 发布结果。它既能运行在自有基础设施，也提供 Flowise Cloud。
这一区别非常重要。Flowise 是编排层，不是模型，也不是端到端隐私边界。一个 Workflow 可能把数据发给模型商、把 Embedding 存进外部向量库、把上传文件留在本地或云对象存储、调用业务系统，并把分析数据发送到其他服务。可视化画布让组件更容易组合，但不会消除成本、权限、故障模式与各自条款。
Agentflow V2 与流程设计
Agentflow V2 是 Flowise 更新的原生编排架构。独立节点把分支、循环、迭代、LLM 调用、工具调用、检索、Agent、子流程和状态流转明确呈现。Supervisor 可以给 Worker Agent 分派任务，节点也能读取或更新预先声明的 Flow State；平台还支持 MCP 工具与 SSE 流式输出。
人工在环控制适合高影响流程。Human Input 节点可暂停执行等待批准或反馈，并从已保存 Checkpoint 恢复，甚至可跨应用重启继续；也能要求 Agent 在执行指定工具前征得人工同意。只有当审查人看到充分上下文、理解动作且不存在绕行路径时，这些机制才真正降低风险。
不要把所有任务都改造成自主 Agent。固定转换和校验应使用确定性节点，只从获准来源检索，为 Agent 配置最小工具集，并在不可逆动作前设置审批。版本也要固定并测试迁移：官方文档称 Agentflow V1 正在弃用，V2 行为仍可能随版本变化。
Cloud 价格与自托管真实成本
Flowise Cloud 公开价格显示，Starter 每月 35 美元，包含无限 Flows 与 Assistants、每月 10,000 次 Prediction、1 GB 存储和社区支持。Pro 每月 65 美元，包含 50,000 次、10 GB、无限 Workspace、5 位用户、角色权限与优先支持；额外用户每月 15 美元。Enterprise 询价，宣传本地或隔离部署、SSO/SAML、LDAP/RBAC、版本管理、审计日志、99.99% SLA 和专属支持。
Community 仓库是另一套成本模型。其源代码标为 Apache-2.0，企业代码采用商业许可。自托管省去 Cloud 订阅，却增加计算、数据库、存储、负载均衡、密钥、TLS、备份、升级、监控、事件响应和人员成本。模型 tokens、Embedding、Rerank、OCR、向量检索、外部 API 与流量费用，在两种路径下都可能成为主要开支。
应比较每个“审批通过的成果”成本，而不只看每次 Prediction 单价。使用真实文档和并发压测，测量延迟与模型重试，把失败执行也计入价格。还要确认 Cloud 或 Enterprise 功能是否写入合同；例如 Evaluation 功能在文档中标为仅 Cloud 与 Enterprise 可用。
访问控制与默认公开风险
Flowise 官方 Flow 授权页面写明一个关键默认值：构建 Chatflow 或 Agentflow 后，该 Flow 默认公开。任何知道其 ID 的人都能通过 Embed 或 API 运行 Prediction，直到你绑定 Flow 级 API Key。难猜的 ID 不是访问控制。
接入真实凭证或文档前，必须保护所有非公开 Flow。配置 Flow Key、实例身份验证、网络限制、最小权限服务账号、来源控制、密钥轮换、请求大小限制和经过验证的限流。Flowise 特别提示，代理配置会影响基于 IP 的限流。构建、测试与生产实例应隔离，嵌入式前端也不能暴露可复用秘密。
Prediction API 支持 Session Memory、文件、流式输出和配置覆盖。动态 Override 默认因安全原因关闭，应只开放明确白名单。把 Prompt、上传文件、检索文本、网页结果和连接器内容都视为不可信输入，并测试提示注入、工具参数操纵、数据外泄、跨 Session 记忆、超大文件、重试循环与费用耗尽。
凭证、存储与删除边界
Flowise 会加密保存第三方 API Key。默认情况下，它生成并在本地保存加密密钥；文档警告，密钥被更改或重新生成会导致凭证无法解密。生产团队应建立稳定的密钥管理与轮换流程、限制文件访问、把密钥与加密数据分开备份，并在适当场景使用受支持的外部秘密管理。
默认数据库可为本地 SQLite，生产部署也能使用 PostgreSQL 或 MySQL。上传的文档、图片、音频等可能存于本地或配置的对象存储，文档 Embedding 则可能在独立向量数据库中。删除 Flowise 的 Document Store 配置或 Chunks 不一定删除外部向量库记录，因此可证明的删除流程必须覆盖应用数据库、对象存储、向量索引、日志、备份、模型商与所有连接系统。
Flowise 隐私政策称 Cloud 使用 PostHog、Stripe 等服务，把 Cloud 数据存于美国东部地区，并按必要时间保留；匿名化数据可能无限期保留。政策称自托管不会向 Flowise 发送指标或数据，但这不代表自托管 Workflow 离线：运营方选择的模型、向量、分析与连接器仍可能接收数据。
服务条款称用户保留 User Content 所有权，同时授予 Flowise 为运营与改进服务而托管和处理内容的许可；匿名汇总使用数据可用于改进平台。公开页面没有为每项 Cloud 功能和模型商给出统一、完整的 Prompt 训练与保留承诺。敏感采购方应在有效合同中取得 DPA、子处理商与模型清单、保留周期、地区、删除承诺、事件条款、审计证据及“不训练”保证。
结论
Flowise 在代码密集的 Agent 框架与封闭无代码产品之间提供了实用桥梁。技术团队能用可视化方式组合检索和工具调用系统，通过 API 发布，并保留自托管路径。Agentflow V2 的明确控制节点和人工 Checkpoint，尤其适合超出线性 Chain 的流程。
灵活性同时带来运营责任。部署时最重要的事实是：Flow 不加保护就能按 ID 公开调用；隐私上最重要的事实是：数据可能跨越 Flowise 之外的多项服务。建议从非敏感、只读 Workflow 开始，连接凭证前完成保护，建立端到端数据地图，测试对抗输入与删除，再在监控和责任审批真正有效后增加工具与自主程度。
