# 《筆記》Flowise Chatflow 簡化版示意圖

**URL:** <https://vip.studycamp.tw/t/%E3%80%8A%E7%AD%86%E8%A8%98%E3%80%8Bflowise-chatflow-%E7%B0%A1%E5%8C%96%E7%89%88%E7%A4%BA%E6%84%8F%E5%9C%96/8549>\
**Category:** 自然語言處理\
**Created:** [2025年十二月17日 15:50 UTC](https://vip.studycamp.tw/t/%E3%80%8A%E7%AD%86%E8%A8%98%E3%80%8Bflowise-chatflow-%E7%B0%A1%E5%8C%96%E7%89%88%E7%A4%BA%E6%84%8F%E5%9C%96/8549 "2025-12-17T15:50:05Z")\
**Posts on this page:** 1\
**Page:** 1

<div class="post-metadata">

**Author:** ![sky](https://vip.studycamp.tw/user_avatar/vip.studycamp.tw/sky/32/8098_2.png) [@sky](https://vip.studycamp.tw/u/sky)\
**Post date:** [2025年十二月17日 15:50 UTC](https://vip.studycamp.tw/t/%E3%80%8A%E7%AD%86%E8%A8%98%E3%80%8Bflowise-chatflow-%E7%B0%A1%E5%8C%96%E7%89%88%E7%A4%BA%E6%84%8F%E5%9C%96/8549/1 "2025-12-17T15:50:05Z")

</div>

如果將 Flowise Chatflow 的圖直接截圖複製過來，字太小看不清楚。

後來用類似流程圖的方式來作示意圖，試了一個，效果不錯，就把六個範例全部套用。

> 線上討論時，發現講解的部分有些誤值，一併在此更新：
> 
> 一、Open Router 界接各家 LLM model，compose IO 界接各式 API。
> 
> 二、Open Router 界接各家 LLM model，不過 Tool Agent 也可以不透過 Open Router 界接，使用 Flowise 內建的幾個 LLM model（但選擇比 Open Router 少得多）。
> 
> 三、Open Router 的收費，可預先儲值一定額度，使用它的 API Key 已涵蓋各家 LLM model 費用。也可以不用 Open Router，使用 Flowise 內建的幾個 LLM model，各自輸入該 LLM 廠商的 API Key，由各廠商分別扣款。

## ▌技術架構演進圖

講師一共介紹了六個 Chatflow 範例，其演進路徑大約如下（並非完全線性）。

- **基礎層 (範例 1 & 2)**：確立了 AI 讀取外部資料（RAG）的能力。範例 2 展示了橫向的部署遷移（雲端轉本地）。
- **行動層 (範例 3 & 4)**：AI 開始擁有「工具箱」。演進轉折點在於 **範例 4** ，它成功將 RAG 變成工具之一，讓 AI 決定何時該「讀書」何時該「做事」。
- **管理層 (範例 5 & 6)**：當工具與任務過於複雜，演進方向轉為「組織化」。範例 5 引入 **主管機制** 來調度團隊；範例 6 則引入 **審核機制** 確保安全。

這張演進地圖清晰地呈現了 AI 應用從「工具」轉變為「虛擬員工」，最後變成「自動化團隊」的完整旅程。

```mermaid
flowchart TD
    %% 第一階段：RAG 基礎
    subgraph Stage1 [階段一：RAG 知識庫問答]
        direction LR
        L1[<b>第1課：雲端 RAG</b><br/>Web 檢索問答] -->|橫向遷移| L2[<b>第2課：本地 RAG</b><br/>隱私與成本優化]
        style L1 fill:#e1f5fe,stroke:#01579b
        style L2 fill:#e1f5fe,stroke:#01579b
    end

    %% 第二階段：Agent 動能
    subgraph Stage2 [階段二：從對話到行動]
        direction LR
        L3[<b>第3課：工具代理人</b><br/>自主調用工具] -->|能力整合| L4[<b>第4課：RAG + Agent</b><br/>將知識庫化為工具]
        style L3 fill:#fff3e0,stroke:#ff6f00
        style L4 fill:#fff3e0,stroke:#ff6f00
    end

    %% 第三階段：團隊協作與管理
    subgraph Stage3 [階段三：組織化與流程管控]
        direction LR
        L5[<b>第5課：多代理人協作</b><br/>主管調度團隊]
        L6[<b>第6課：順序型與審核</b><br/>嚴謹產線與人類介入]
        style L5 fill:#f3e5f5,stroke:#7b1fa2
        style L6 fill:#f3e5f5,stroke:#7b1fa2
    end

    %% 演進流向
    Stage1 -->|從被動回答到主動執行| Stage2
    Stage2 -->|從單兵作戰到團隊協作| Stage3

    %% 演進特殊說明
    note1[演進轉折：AI 開始具備 Function Calling 能力]
    note1 -.-> L3
    
    note2[演進轉折：AI 進入組織管理與安全審核階段]
    note2 -.-> Stage3

```

## ▌1. 基本架構（雲端）

> 1. Build a RAG Chatflow: Web Scraping, Embeddings, Vector Database & HTML Splitter

**RAG (檢索增強生成)** 基本架構。

Conversational Retrieval QA Chain

```mermaid
flowchart TD
    %% 節點定義
    A[HtmlToMarkdown Text Splitter]
    B[BraveSearch API Document Loader]
    C[OpenAI Embeddings]
    D[In-Memory Vector Store]
    E[ChatOpenAI]
    F[Buffer Window Memory]
    G[Conversational Retrieval QA Chain]

    %% 流向連接
    A -->|Text Splitter| B
    B -->|Document| D
    C -->|Embeddings| D
    D -->|Vector Store Retriever| G
    E -->|Chat Model| G
    F -->|Memory| G

```

### 流程節點解析

- **數據處理層** ：

- **檢索儲存層** ：

- **核心邏輯層** ：

## ▌2. 基本架構（本地端）

> 1. Running a RAG Chatbot Locally with Ollama & LangChain (Data Security)

流程與上一個類似，最大的差別是所有的 AI 運算（模型與 Embedding）都更換成了 **Ollama** 本地端模型。

```mermaid
flowchart TD
    %% 節點定義
    A[Recursive Character Text Splitter]
    B[Folder with Files]
    C[Ollama Embeddings]
    D[In-Memory Vector Store]
    E[ChatOllama]
    F[Conversational Retrieval QA Chain]

    %% 流向連接
    A -->|Text Splitter| B
    B -->|Document| D
    C -->|Embeddings| D
    D -->|Vector Store Retriever| F
    E -->|Chat Model| F

```

### 流程節點解析

- **數據加載與處理** ：

- **本地向量化** ：

- **核心對話邏輯** ：

### 雲端／本地端比較

| **功能分類** | **網頁/雲端版** | **本地端版** | **差異說明** |
| --- | --- | --- | --- |
| **核心鏈接 (Chain)** | **Conversational Retrieval QA Chain** | **Conversational Retrieval QA Chain** | 邏輯框架相同，皆為具備檢索與對話能力的鏈結。 |
| **語言模型 (LLM)** | **ChatOpenAI** (gpt-4o-mini) | **ChatOllama** (llama3.2:3b-instruct) | 雲端 API vs. 本地運算。 |
| **嵌入模型 (Embeddings)** | **OpenAI Embeddings** (text-embedding-3-small) | **Ollama Embeddings** (nomic-embed-text) | 將文字轉向量的工具，分別由 OpenAI 與本地 Ollama 提供。 |
| **數據來源 (Loader)** | **BraveSearch API** (網路搜尋) | **Folder with Files** (本地資料夾 PDF) | 一個抓取即時網頁資料，一個讀取硬碟文件。 |
| **文字切割 (Splitter)** | **HtmlToMarkdown** (處理網頁格式) | **Recursive Character** (處理一般文本) | 針對不同數據源選用最適合的切割方式。 |
| **向量儲存 (Vector Store)** | **In-Memory Vector Store** | **In-Memory Vector Store** | 兩者皆將索引暫存在記憶體中。 |
| **對話記憶 (Memory)** | **Buffer Window Memory** (記住最近 20 輪) | **無 (未連接)** | 本地版目前未配置記憶組件。 |

## ▌3. Tool Agent (工具代理人)

> 1. Flowise Tool-Agent: One Workflow to Connect Any API & LLM (Openrouter & Claude)

與前兩個 RAG 流程不同，這個架構的核心在於 **AgentExecutor** ，它可以根據使用者的需求，選擇多種工具來執行任務。

```mermaid
flowchart LR
    %% 核心代理人
    A[Tool Agent]

    %% 模型與記憶
    B[ChatOpenRouter]
    C[Buffer Window Memory]

    %% 工具集 (Tools)
    D1[Calculator]
    D2[BraveSearch API]
    D3[CurrentDateTime]
    D4[Write File]
    D5[Composio]
    D6[Custom Tool]

    %% 連接關係
    B -->|Tool Calling Chat Model| A
    C -->|Memory| A
    
    D1 -->|Tools| A
    D2 -->|Tools| A
    D3 -->|Tools| A
    D4 -->|Tools| A
    D5 -->|Tools| A
    D6 -->|Tools| A

```

### 1. 流程節點解析

這個工作流展示了一個功能強大的 AI 助手，具備以下特點：

- **核心大腦 (Model)**：

- **記憶機制 (Memory)**：

- **多樣化工具箱 (Tools)**：

### 2. 學習建議

本架構與 RAG 的最大差別在於，RAG 是 **被動檢索** 資料來回答問題；而 Agent 是 **主動判斷** 該用什麼工具（算數學、查行事曆、寫檔案等）來解決複雜的綜合性問題。

## ▌4. Retriever Tool：結合 RAG 能力的 Tool Agent

> 1. Tool Agent with RAG: Pinecone, Function Calling & APIs (Postgres & Supabase)

這個 ChatFlow 展示了一個更為進階的架構： **結合 RAG 能力的 Tool Agent** 。

本架構中，RAG 不再是整個流程的唯一中心，而是包裝成一個「 **Retriever Tool** 」，成為 Agent 工具箱中的其中一個選項。

AI 助理在需要特定知識時才去檢索文件，其餘時間則可以執行計算、寫入檔案或串接外部 App 等其他工作。

```mermaid
flowchart LR
    %% 核心代理人與支援組件
    A[Tool Agent]
    B[ChatOpenRouter]
    C[Buffer Window Memory]

    %% 一般工具集
    D1[Calculator]
    D2[BraveSearch API]
    D3[CurrentDateTime]
    D4[Write File]
    D5[Composio]

    %% RAG 工具鏈
    E1[Document Store Vector]
    E2[Retriever Tool]

    %% 連接關係
    B -->|Tool Calling Chat Model| A
    C -->|Memory| A
    
    D1 -->|Tools| A
    D2 -->|Tools| A
    D3 -->|Tools| A
    D4 -->|Tools| A
    D5 -->|Tools| A
    
    %% RAG 流程流向
    E1 -->|Retriever| E2
    E2 -->|Tools| A

```

### 1. 流程節點解析

這個架構實現了「大腦（Agent）+ 記憶（Memory）+ 技能（Tools）+ 知識庫（RAG）」的完全體：

- **核心大腦與模型** ：

- **RAG 整合為工具** ：

- **多功能技能組** ：

### 2. 學習建議

本範例最重要的地方是 **Retriever Tool** 節點。它將前兩堂課學到的「RAG 檢索能力」整合進了「Agent 執行架構」中。

這代表 AI 不僅能透過 RAG 獲得「知識」，還能透過其他工具產生「行動」。

## ▌ 5. Multi-Agent (多代理人協作)

> 1. AI Agents (Multi-Agents) with Multiple LLM Experts and RAG

這個系統引入了一個 **Supervisor (主管)** 來調度多位具備不同專長的 **Worker (員工)**。

這種架構模擬了真實團隊的工作模式，能處理更大型且需要多種專業技能的專案。

```mermaid
flowchart TD
    %% 模型與主管
    A1[ChatOpenAI]
    A2[Supervisor]

    %% 員工與專屬工具/模型
    B1[Document Store Vector]
    B2[Retriever Tool]
    B3[Worker: Vector Database Researcher]

    C1[BraveSearch API]
    C2[Worker: Internet Research Specialist]

    D1[Write File]
    D2[ChatOpenRouter]
    D3[Worker: Blog Post Writer]

    %% 主管邏輯流
    A1 -->|Tool Calling Chat Model| A2
    A2 -->|Manage| B3
    A2 -->|Manage| C2
    A2 -->|Manage| D3

    %% 員工內部流向
    B1 -->|Retriever| B2
    B2 -->|Tools| B3

    C1 -->|Tools| C2

    D1 -->|Tools| D3
    D2 -->|Tool Calling Chat Model| D3

```

### 1. 流程節點（與團隊職掌）解析

- **團隊主管 (Supervisor)**：

- **成員一：Vector Database Researcher (資料研究員)**：

- **成員二：Internet Research Specialist (網路研究專員)**：

- **成員三：Blog Post Writer (部落格作家)**：

### 2. 學習建議

從「單打獨鬥的 AI」進化到「經營一個 AI 團隊」。

- **重點在於權限分配** ：每個 Worker 只能使用主管分配給他們的工具，這能避免 AI 在處理大量工具時產生混亂。
- **主管提示詞** ：在 **Supervisor** 的 Prompt 中，明確規定了工作順序：先研究內部資料 → 再查網路 → 最後寫作。

## ▌6. Sequential Agents (順序型代理人)

> 1. Sequential Agents with Human‑in‑the‑Loop and self-improving Agentic RAG

這個架構中，代理人之間的協作是線性的。

關鍵設計在於 **「分析師 (Analyst)」節點** 開啟了 **Require Approval** 功能：

當 AI 想要調用工具（例如查詢 Apple 財務報表）時，必須先詢問使用者並獲得授權（ **Human in the Loop 人類介入** ），才能繼續執行，以確保重要決策的安全性與準確性。

```mermaid
flowchart TD
    %% 全局配置
    subgraph Configuration
        M[ChatOpenAI]
        ST[State]
        MEM[Agent Memory]
    end

    %% 數據準備層
    subgraph Data_Ingestion
        TS[Recursive Character Text Splitter]
        PDF[Pdf File]
        EMB[OpenAI Embeddings]
        VS[In-Memory Vector Store]
        RT[Retriever Tool]
    end

    %% 順序執行代理人層
    subgraph Sequential_Workflow
        START[Start Node]
        A1[Agent: Analyst<br/>'Require Approval']
        A2[Agent: Researcher]
        END[End Node]
    end

    %% 外部工具
    B_SEA[BraveSearch API]

    %% 配置連接
    M --> START
    ST --> START
    MEM --> START

    %% 數據與工具連接
    TS --> PDF
    PDF --> VS
    EMB --> VS
    VS --> RT
    RT --> A1
    B_SEA --> A2

    %% 順序流向
    START --> A1
    A1 --> A2
    A2 --> END

```

上述圖中的 Sequential\_Workflow，下圖將 Agent: Analyst ‘Require Approval’ 內部的 Human-in-the-Loop (人類介入) 細節列出。

```mermaid
flowchart TD
    %% 節點定義
    START[Start Node]
    RT[Retriever Tool: search_apple]
    
    subgraph Agent_Analyst [Analyst Agent 節點內部]
        A[AI 邏輯判斷: 需要查資料]
        HITL{{"⚠️ 人類審核按鈕 (Yes/No)"}}
    end

    A2[Researcher Agent]
    END[End Node]

    %% 流程流向
    START --> A
    A -->|觸發 Require Approval| HITL
    HITL -->|使用者點擊 Yes| RT
    RT -->|回傳資料| A2
    A2 --> END

    %% 樣式突出 HITL
    style HITL fill:#fff4dd,stroke:#d4a017,stroke-width:2px

```

本工作流是典型的財務研究流水線，並具備審核機制：

- **基礎設施 (Configuration)**：

- **財務知識庫 (Data Ingestion)**：

- **關鍵機制：人類介入 (Human in the Loop)**：

- **後續研究與輸出** ：

## ▌補充：應用情境

講師示範了一些常用的模組，那我們如何判斷在什麼時候使用哪種 Chatflow？

以下嘗試根據不同的業務需求、技術限制與應用場景，挑選最合適的設計模式。

| **檔案編號** | **架構名稱** | **核心能力** | **適合場景** |
| --- | --- | --- | --- |
| **1** | **雲端 RAG** | 基礎問答、網路搜尋 | 一般知識查詢、即時網頁資料擷取 |
| **2** | **本地 RAG** | 文件隱私、完全免費 | 處理私密 PDF 文件、低成本本地運行 |
| **3** | **工具代理人** | 自動執行、多功能工具箱 | 需要算數學、查時間或寫入本地檔案 |
| **4** | **RAG + Agent** | 知識檢索 + 動作執行 | 複雜任務處理，且需要參考特定知識庫 |
| **5** | **多代理人協作** | 團隊專業分工、主管調度 | 大規模專案，需要研究、寫作多環節配合 |
| **6** | **順序型與人類介入** | 嚴謹流程、人類審核機制 | 金融分析、高風險決策，需人類核准工具調用 |

## ▌其他

### 》Key Principles of Prompt Engineering 文件

### 》輔助 **[撰寫 System prompt 的網址](https://chatgpt.com/g/g-67bda20c21508191a38c2941ed3c4ab1-ai-agent-system-prompts)**

### 》優化 Retriever Tool 的「描述文字」

在 Flowise 的架構中，Agent 是透過閱讀工具的描述來決定是否調用該工具，而非直接讀取工具內部的內容。

針對 **Retriever Tool** 的「描述文字 (Description)」進行優化，是提升 Agent 判斷精準度的關鍵。

在 **Multi-Agent** 或 **Sequential Agents** 架構中，主管 (Supervisor) 或 Start 節點是根據這些描述文字來分派任務的。如果描述太模糊，主管可能會把問題丟給錯誤的 Worker，導致整個工作流失敗。

例如 **Human-in-the-loop** ，精準的描述能確保 Agent 只有在「真正需要」時才會觸發審核請求，避免頻繁打擾使用者。

以下是撰寫建議：

#### 1. 明確界定知識範圍 (Boundary Setting)

不要只寫「這是一個關於公司的工具」，而要精確定義內容範圍。

- **優化前** ：`Use this tool to search about Apple.`
- **優化後** ：`Use this tool ONLY when answering questions about Apple Inc (AAPL) financial reports, stock performance, or historical business data. Do not use for general technology news.`

#### 2. 加入觸發關鍵字 (Keyword Triggering)

引導 Agent 識別特定類型的問題。

- **優化前** ：`use this tool to search info about diffusion and llm prompting.`
- **優化後** ：`Essential tool for queries containing keywords like 'stable diffusion', 'midjourney', 'negative prompt', or 'LLM context window'. Use this to retrieve technical methodologies for prompting.`

#### 3. 設定使用場景與限制 (Conditional Logic)

告訴 Agent 何時「不該」使用這個工具，這能有效節省 Token 並避免 AI 產生幻覺。

- **範例描述** ：`Use this tool to retrieve internal coding standards. If the user asks about general Python syntax, rely on your internal knowledge instead of this tool.`

#### 4. 指令化描述 (Instructional Phrasing)

使用動詞開頭，強化 Agent 的執行動機。

- **範例描述** ：`Consult this knowledge base to verify exact specifications of our products before confirming any technical details to the user.`

以範例 6 的 `Retriever Tool` 為例：

原本的描述是：

> `Search and return documents about Apple Inc (APPL)`

如果我們想讓「分析師 (Analyst)」更精準地判斷，可以優化為：

> `Required tool for deep-dive financial analysis of Apple Inc. Use this when the user requests specific data from annual reports, balance sheets, or 10-K filings. This tool provides official documentation that must be reviewed before providing a final financial opinion.`

`Required tool for deep-dive financial analysis of Apple Inc.` **(1)** `Use this when the user requests specific data from annual reports, balance sheets, or 10-K filings.` **(2)** `This tool provides official documentation` **(3)** `that must be reviewed before providing a final financial opinion.` **(4)**

1. 明確界定知識範圍 (Boundary Setting)
2. 加入觸發關鍵字 (Keyword Triggering)
3. 設定使用場景與限制 (Conditional Logic)
4. 指令化描述 (Instructional Phrasing)
