Hinweis: Diese Inhalte wurden mit Unterstützung von Künstlicher Intelligenz erstellt und redaktionell überprüft (Transparenzhinweis gemäß Art. 50 EU AI Act).

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¶

graph TD
    Canvas["Visueller Node-Canvas (LangChain.js)"] --> Builder["Assistant / Chatflow / Agentflow"]
    Loaders["Document Loader"] --> Vector[("Vektordatenbank<br/>(Pinecone, Chroma, Qdrant, ...)")]
    Vector --> Builder
    Builder --> Agent["Agent-Knoten (Supervisor / Worker)"]
    MCPin["externe MCP-Server"] -->|"MCP-Client-Knoten"| Agent
    Builder -->|"MCP-Server-Knoten"| MCPout["externe MCP-Clients"]
    Builder --> API["Prediction API / REST / SDKs / Embed-Widget"]

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¶

Dockernpm (lokale Entwicklung)

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

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.