想快速拉一條能用的 RAG，但又不想先寫一堆程式？這篇我用 Flowise 做一個最小可用的流程，30 分鐘內能跑起來。
TL;DR
Flowise 真的可以很快把 RAG 跑起來，但你得接受「它更適合 PoC 而不是嚴肅生產」。我這次用 Chroma + OpenAI Embeddings + Claude 4.6，流程跑得起來，但還是有幾個坑要避。
這個工具解決什麼問題
你有沒有遇過：RAG 設計想得很美，結果卡在「接線」？
- Loader、Splitter、Embedding、Vector store、Retriever、LLM…一條線就能跑嗎？
- 寫起來也不是很難，但就是一堆 glue code，很煩
Flowise 的價值是：先把線拉起來。你不用先寫一堆程式，就能看到流程「到底能不能用」。
安裝與設定（Docker 版）
環境需求
- Docker
- OpenAI API key（做 Embedding）
- Anthropic API key（用 Claude 4.6 回答）
安裝步驟
docker pull flowiseai/flowise
docker run -d \
-p 3000:3000 \
-e FLOWISE_USERNAME=admin \
-e FLOWISE_PASSWORD=admin \
-e OPENAI_API_KEY=YOUR_OPENAI_KEY \
-e ANTHROPIC_API_KEY=YOUR_ANTHROPIC_KEY \
flowiseai/flowise打開 http://localhost:3000，你會看到一個拖拉式畫布。
實作步驟（我做的最小 RAG）
Step 1：準備資料
我先放一個小型知識庫（本機 markdown），然後用 Flowise 的 Document Loader 讀進來。
Step 2：切段 + Embedding
- Text Splitter：chunk size 800 / overlap 100
- Embedding：OpenAI
text-embedding-3-small
這一步的坑是：如果你想全 Claude 方案，會卡。Anthropic 目前沒有官方 embedding API，所以我暫時用 OpenAI。這不是最完美，但能跑。
Step 3：向量庫
我用 Chroma 當向量庫（Flowise 內建），原因很單純：本地好裝、不用雲端帳號。
Step 4：Claude 4.6 生成
在 LLM node 裡選 Claude 4.6（Opus 或 Sonnet 都可以），我用 Sonnet 先跑，成本比較合理。
Step 5：串成一條線
整條流程大概長這樣：
Document Loader -> Text Splitter -> Embedding -> Vector Store -> Retriever -> Claude 4.6
我問了一題：「ClawdBot 的 heartbeat 機制到底做了什麼？」 答案可以正常引用知識庫內容，代表 pipeline OK。
實際使用的感覺
- 快：真的很快就能跑
- 可視化：你一眼就看到資料卡在哪裡
- 但很像「實驗室」：要上線還是得回到 code
跟現有工具比較（用語言說，不用表格）
- 如果你是工程團隊：LangChain / LlamaIndex 仍然比較能控細節
- 如果你想快速驗證：Flowise 比你自己寫快太多
- 如果你要把流程交給非工程同事：Flowise 有勝算
踩坑紀錄
- Embedding 不是 Claude：這一點很多人會期待落空
- Flowise 不是一鍵上線：它是 PoC 工具，不是生產平台
- node 版本問題：低版本 Node 跑某些自訂元件會爆
結論（推薦標籤 + 影響評估）
- 推薦程度：Worth Watching
- 影響評估：Incremental（讓 PoC 變快，但不會直接改變你架構）
- 與我們的關聯：直接可用（早期試驗很省時間）
如果你跟我一樣常常要驗證「RAG 到底值不值得做」，Flowise 會是一個很省力的起點。只是你最後還是得回到程式碼世界，這點別忘了。
基於實際 PoC 安裝測試撰寫，非業配。