Flowise Docker 설치 가이드: 노코드 LLM 앱 빌더 ⋆ Blog * JackerLab

개요

Flowise는 드래그 앤 드롭으로 LLM 애플리케이션을 구축하는 노코드/로우코드 플랫폼입니다. LangChain.js 기반으로, 시각적 인터페이스에서 RAG 파이프라인, 챗봇, AI 에이전트를 몇 분 만에 만들 수 있습니다. 코딩 없이도 GPT, Claude, Ollama 등 다양한 LLM을 연결하고 프로덕션에 배포할 수 있습니다.

항목	내용
GitHub	https://github.com/FlowiseAI/Flowise
공식 사이트	https://flowiseai.com
문서	https://docs.flowiseai.com
라이선스	Apache-2.0
GitHub Stars	35K+

Flowise란?

왜 Flowise인가?

❌ 기존 LLM 개발의 어려움:
   - LangChain 학습 곡선이 높음
   - 코딩 지식 필요
   - RAG 파이프라인 구축이 복잡

✅ Flowise의 해결책:
   - 드래그 앤 드롭 시각적 빌더
   - 코딩 없이 LLM 앱 구축
   - 템플릿으로 빠른 시작
   - API/임베드 위젯으로 배포

핵심 개념

"AI 앱의 Figma"
- 시각적으로 LLM 워크플로우 설계
- 실시간 테스트 및 디버깅
- 코드 없이 프로덕션 배포
- LangChain의 강력함 + 노코드의 편의함

노드 기반 워크플로우

┌──────────┐    ┌──────────┐    ┌──────────┐
│  Input   │───▶│   LLM    │───▶│  Output  │
└──────────┘    └──────────┘    └──────────┘
      │              │
      ▼              ▼
┌──────────┐    ┌──────────┐
│  Memory  │    │  Tools   │
└──────────┘    └──────────┘

주요 기능

🎨 시각적 빌더

기능	설명
드래그 앤 드롭	노드를 끌어다 놓기
실시간 연결	노드 간 연결선
즉시 테스트	빌드하면서 테스트
템플릿	사전 구성된 워크플로우

🤖 LLM 통합

LLM	지원
OpenAI	GPT-4o, GPT-4, GPT-3.5
Anthropic	Claude 3.5, Claude 3
Google	Gemini
Ollama	로컬 LLM
Azure OpenAI	엔터프라이즈
HuggingFace	오픈소스 모델
Groq	초고속 추론
Mistral	–

📚 RAG (검색 증강 생성)

기능	설명
Document Loaders	PDF, Word, CSV, 웹페이지 등
Text Splitters	청킹 전략
Embeddings	OpenAI, HuggingFace, Ollama
Vector Stores	Pinecone, Chroma, Qdrant, Weaviate 등
Retrievers	유사도 검색, MMR

🛠️ 에이전트 & 도구

기능	설명
Agents	ReAct, OpenAI Functions
Tools	계산기, 검색, API 호출
Function Calling	OpenAI/Anthropic 함수 호출
Custom Tools	커스텀 도구 생성

💾 메모리

유형	설명
Buffer Memory	최근 대화
Window Memory	슬라이딩 윈도우
Summary Memory	대화 요약
Vector Store Memory	장기 기억

🔌 배포 & 통합

기능	설명
REST API	플로우를 API로 노출
Embed Widget	웹사이트에 채팅 위젯 임베드
Webhook	외부 서비스 연결
Export/Import	플로우 JSON 내보내기

대안 비교

기능	Flowise	LangFlow	Dify	n8n
목적	LLM 앱	LLM 앱	LLM 플랫폼	워크플로우 자동화
시각적 빌더	✅	✅	✅	✅
기반	LangChain.js	LangChain	자체	자체
RAG	✅	✅	✅	✅ (제한적)
에이전트	✅	✅	✅	✅
API 배포	✅	✅	✅	✅
임베드 위젯	✅	❌	✅	❌
셀프호스팅	✅	✅	✅	✅
러닝 커브	낮음	낮음	중간	중간

시스템 요구 사항

항목	최소	권장
CPU	2 코어	4+ 코어
RAM	2GB	4GB+
저장소	10GB	20GB+
포트	3000	–

Docker 설치

방법 1: 기본 설치

# docker-compose.yml
services:
  flowise:
    image: flowiseai/flowise:latest
    container_name: flowise
    restart: unless-stopped
    ports:
      - "3000:3000"
    volumes:
      - ./flowise:/root/.flowise
    environment:
      - PORT=3000
    entrypoint: /bin/sh -c "sleep 3; flowise start"

방법 2: 인증 활성화

# docker-compose.yml
services:
  flowise:
    image: flowiseai/flowise:latest
    container_name: flowise
    restart: unless-stopped
    ports:
      - "3000:3000"
    volumes:
      - ./flowise:/root/.flowise
    environment:
      - PORT=3000
      - FLOWISE_USERNAME=admin
      - FLOWISE_PASSWORD=your-secure-password
    entrypoint: /bin/sh -c "sleep 3; flowise start"

방법 3: PostgreSQL 데이터베이스

# docker-compose.yml
services:
  flowise:
    image: flowiseai/flowise:latest
    container_name: flowise
    restart: unless-stopped
    depends_on:
      - postgres
    ports:
      - "3000:3000"
    volumes:
      - ./flowise:/root/.flowise
    environment:
      - PORT=3000
      - FLOWISE_USERNAME=admin
      - FLOWISE_PASSWORD=your-secure-password
      - DATABASE_TYPE=postgres
      - DATABASE_HOST=postgres
      - DATABASE_PORT=5432
      - DATABASE_USER=flowise
      - DATABASE_PASSWORD=flowise-db-password
      - DATABASE_NAME=flowise
    entrypoint: /bin/sh -c "sleep 3; flowise start"

  postgres:
    image: postgres:16
    container_name: flowise-postgres
    restart: unless-stopped
    volumes:
      - ./postgres_data:/var/lib/postgresql/data
    environment:
      - POSTGRES_USER=flowise
      - POSTGRES_PASSWORD=flowise-db-password
      - POSTGRES_DB=flowise

방법 4: MySQL 데이터베이스

# docker-compose.yml
services:
  flowise:
    image: flowiseai/flowise:latest
    container_name: flowise
    restart: unless-stopped
    depends_on:
      - mysql
    ports:
      - "3000:3000"
    volumes:
      - ./flowise:/root/.flowise
    environment:
      - PORT=3000
      - FLOWISE_USERNAME=admin
      - FLOWISE_PASSWORD=your-secure-password
      - DATABASE_TYPE=mysql
      - DATABASE_HOST=mysql
      - DATABASE_PORT=3306
      - DATABASE_USER=flowise
      - DATABASE_PASSWORD=flowise-db-password
      - DATABASE_NAME=flowise
    entrypoint: /bin/sh -c "sleep 3; flowise start"

  mysql:
    image: mysql:8
    container_name: flowise-mysql
    restart: unless-stopped
    volumes:
      - ./mysql_data:/var/lib/mysql
    environment:
      - MYSQL_ROOT_PASSWORD=root-password
      - MYSQL_USER=flowise
      - MYSQL_PASSWORD=flowise-db-password
      - MYSQL_DATABASE=flowise

방법 5: Queue 모드 (Redis + Worker)

대규모 워크로드용 수평 확장:

# docker-compose.yml
services:
  flowise:
    image: flowiseai/flowise:latest
    container_name: flowise
    restart: unless-stopped
    depends_on:
      - redis
    ports:
      - "3000:3000"
    volumes:
      - ./flowise:/root/.flowise
    environment:
      - PORT=3000
      - MODE=queue
      - QUEUE_NAME=flowise-queue
      - REDIS_URL=redis://redis:6379
      - FLOWISE_USERNAME=admin
      - FLOWISE_PASSWORD=your-secure-password
    entrypoint: /bin/sh -c "sleep 3; flowise start"

  flowise-worker:
    image: flowiseai/flowise-worker:latest
    container_name: flowise-worker
    restart: unless-stopped
    depends_on:
      - redis
      - flowise
    volumes:
      - ./flowise:/root/.flowise
    environment:
      - MODE=queue
      - QUEUE_NAME=flowise-queue
      - REDIS_URL=redis://redis:6379
      - WORKER_CONCURRENCY=5

  redis:
    image: redis:7
    container_name: flowise-redis
    restart: unless-stopped
    volumes:
      - ./redis_data:/data

방법 6: S3 스토리지

# docker-compose.yml
services:
  flowise:
    image: flowiseai/flowise:latest
    container_name: flowise
    restart: unless-stopped
    ports:
      - "3000:3000"
    volumes:
      - ./flowise:/root/.flowise
    environment:
      - PORT=3000
      - FLOWISE_USERNAME=admin
      - FLOWISE_PASSWORD=your-secure-password
      # S3 스토리지
      - STORAGE_TYPE=s3
      - S3_STORAGE_BUCKET_NAME=your-bucket
      - S3_STORAGE_ACCESS_KEY_ID=your-access-key
      - S3_STORAGE_SECRET_ACCESS_KEY=your-secret-key
      - S3_STORAGE_REGION=us-east-1
    entrypoint: /bin/sh -c "sleep 3; flowise start"

방법 7: Traefik + HTTPS

# docker-compose.yml
services:
  flowise:
    image: flowiseai/flowise:latest
    container_name: flowise
    restart: unless-stopped
    volumes:
      - ./flowise:/root/.flowise
    environment:
      - PORT=3000
      - FLOWISE_USERNAME=admin
      - FLOWISE_PASSWORD=your-secure-password
    networks:
      - traefik_network
    labels:
      - "traefik.enable=true"
      - "traefik.http.routers.flowise.rule=Host(`flowise.example.com`)"
      - "traefik.http.routers.flowise.entrypoints=websecure"
      - "traefik.http.routers.flowise.tls.certresolver=letsencrypt"
      - "traefik.http.services.flowise.loadbalancer.server.port=3000"
    entrypoint: /bin/sh -c "sleep 3; flowise start"

networks:
  traefik_network:
    external: true

방법 8: Ollama 통합

# docker-compose.yml
services:
  flowise:
    image: flowiseai/flowise:latest
    container_name: flowise
    restart: unless-stopped
    ports:
      - "3000:3000"
    volumes:
      - ./flowise:/root/.flowise
    environment:
      - PORT=3000
      - FLOWISE_USERNAME=admin
      - FLOWISE_PASSWORD=your-secure-password
    entrypoint: /bin/sh -c "sleep 3; flowise start"

  ollama:
    image: ollama/ollama:latest
    container_name: ollama
    restart: unless-stopped
    ports:
      - "11434:11434"
    volumes:
      - ./ollama:/root/.ollama
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]

Flowise에서 Ollama 연결:

Chat Models → ChatOllama 노드 추가
Base URL: http://ollama:11434

환경 변수

기본 설정

변수	설명	기본값
`PORT`	서버 포트	`3000`
`FLOWISE_USERNAME`	로그인 사용자명	–
`FLOWISE_PASSWORD`	로그인 비밀번호	–
`DEBUG`	디버그 모드	`false`

데이터베이스

변수	설명
`DATABASE_TYPE`	`sqlite`, `postgres`, `mysql`
`DATABASE_HOST`	DB 호스트
`DATABASE_PORT`	DB 포트
`DATABASE_USER`	DB 사용자
`DATABASE_PASSWORD`	DB 비밀번호
`DATABASE_NAME`	DB 이름
`DATABASE_PATH`	SQLite 경로

경로 설정

변수	설명	기본값
`DATABASE_PATH`	SQLite 경로	`/root/.flowise`
`APIKEY_PATH`	API 키 저장 경로	`/root/.flowise`
`SECRETKEY_PATH`	시크릿 키 경로	`/root/.flowise`
`LOG_PATH`	로그 경로	`/root/.flowise/logs`
`BLOB_STORAGE_PATH`	파일 저장 경로	`/root/.flowise/storage`

스토리지

변수	설명
`STORAGE_TYPE`	`local`, `s3`, `gcs`
`S3_STORAGE_BUCKET_NAME`	S3 버킷
`S3_STORAGE_ACCESS_KEY_ID`	S3 액세스 키
`S3_STORAGE_SECRET_ACCESS_KEY`	S3 시크릿 키
`S3_STORAGE_REGION`	S3 리전

Queue 모드

변수	설명
`MODE`	`main` 또는 `queue`
`QUEUE_NAME`	큐 이름
`REDIS_URL`	Redis 연결 URL
`WORKER_CONCURRENCY`	워커 동시성

보안

변수	설명
`FLOWISE_SECRETKEY_OVERWRITE`	암호화 키 덮어쓰기
`DISABLE_FLOWISE_TELEMETRY`	텔레메트리 비활성화

초기 설정

1) 첫 접속

URL: http://localhost:3000
→ 로그인 (설정한 경우)

2) 첫 번째 챗플로우 만들기

Chatflows → Add New
노드 추가:
- Chat Models → ChatOpenAI (또는 ChatOllama)
- Chains → Conversation Chain
- Memory → Buffer Memory
노드 연결
Save 클릭
우측 상단 채팅 아이콘으로 테스트

3) API 키 설정

Settings (우측 상단 톱니바퀴)
API Keys 발급
플로우에서 Credential 추가

4) 간단한 RAG 챗봇

Document Loaders → PDF File
Text Splitters → Recursive Character Text Splitter
Embeddings → OpenAI Embeddings
Vector Stores → In-Memory Vector Store
Chains → Conversational Retrieval QA Chain
Chat Models → ChatOpenAI
노드들 연결

사용 가이드

템플릿 사용

Flowise는 다양한 사전 구성 템플릿을 제공합니다:

템플릿	용도
Simple Conversation	기본 챗봇
Conversational Agent	도구 사용 에이전트
QA with Sources	문서 기반 Q&A
SQL Agent	데이터베이스 질의
API Agent	API 호출 에이전트

API로 플로우 호출

# 채팅 API
curl -X POST "http://localhost:3000/api/v1/prediction/{chatflow-id}" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer {api-key}" \
  -d '{
    "question": "안녕하세요!"
  }'

# 스트리밍
curl -X POST "http://localhost:3000/api/v1/prediction/{chatflow-id}" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer {api-key}" \
  -d '{
    "question": "안녕하세요!",
    "streaming": true
  }'

웹사이트에 임베드

<!-- 채팅 위젯 -->
<script type="module">
  import Chatbot from 'https://cdn.jsdelivr.net/npm/flowise-embed/dist/web.js'
  Chatbot.init({
    chatflowid: 'your-chatflow-id',
    apiHost: 'http://localhost:3000',
  })
</script>

변수 전달

curl -X POST "http://localhost:3000/api/v1/prediction/{chatflow-id}" \
  -H "Content-Type: application/json" \
  -d '{
    "question": "내 주문 상태는?",
    "overrideConfig": {
      "vars": {
        "customer_id": "12345"
      }
    }
  }'

주요 노드 카테고리

Chat Models

ChatOpenAI, ChatAnthropic, ChatOllama, ChatGoogleGenerativeAI, AzureChatOpenAI

Embeddings

OpenAI Embeddings, HuggingFace Embeddings, Ollama Embeddings, Cohere Embeddings

Vector Stores

Pinecone, Chroma, Qdrant, Weaviate, Milvus, Faiss, In-Memory

Document Loaders

PDF File, Text File, CSV, JSON, Web Page, YouTube Transcript, Notion, Confluence

Text Splitters

Character Text Splitter, Recursive Character Text Splitter, Markdown Text Splitter

Memory

Buffer Memory, Buffer Window Memory, Conversation Summary Memory, Zep Memory

Chains

LLM Chain, Conversation Chain, Retrieval QA Chain, SQL Database Chain

Agents

OpenAI Functions Agent, ReAct Agent, Conversational Agent, SQL Agent

Tools

Calculator, Search, Web Browser, Custom Tool, API Chain

백업 및 복원

데이터 구조

./flowise/
├── database.sqlite     # SQLite 데이터베이스
├── storage/            # 업로드된 파일
├── logs/               # 로그 파일
└── api-keys/           # API 키

백업

# 컨테이너 정지
docker compose down

# 전체 백업
tar -czvf flowise-backup-$(date +%Y%m%d).tar.gz flowise/

# 컨테이너 재시작
docker compose up -d

플로우 내보내기

Chatflows에서 플로우 선택
Settings → Export
JSON 파일 다운로드

복원

tar -xzvf flowise-backup.tar.gz
docker compose up -d

업데이트

docker compose pull
docker compose down
docker compose up -d

트러블슈팅

메모리 부족 (빌드 시)

# Node.js 힙 메모리 증가
export NODE_OPTIONS="--max-old-space-size=4096"

Ollama 연결 안 됨

Base URL 확인: http://ollama:11434 (Docker 네트워크)
또는 http://host.docker.internal:11434 (호스트)

API 키 오류

Settings에서 API Key 생성
Credentials에서 각 서비스 API 키 등록

데이터베이스 마이그레이션

PostgreSQL/MySQL로 변경 시:

# 기존 SQLite 백업 후 새 DB 설정
docker compose down
# docker-compose.yml 수정
docker compose up -d

활용 사례

1. 고객 지원 챗봇

구성:

Document Loader (FAQ 문서)
Vector Store (검색)
Conversational Retrieval QA Chain
Chat Model

결과: 문서 기반 자동 답변 챗봇

2. SQL 데이터 분석

구성:

SQL Database 연결
SQL Agent
Chat Model

결과: 자연어로 데이터베이스 질의

3. 코드 리뷰 에이전트

구성:

GitHub API Tool
Code Interpreter
OpenAI Functions Agent

결과: 코드 분석 및 제안

4. 멀티모달 챗봇

구성:

Image Input
GPT-4V / Claude Vision
Conversation Chain

결과: 이미지 분석 챗봇

5. 자동화 워크플로우

구성:

Webhook Trigger
LLM Chain
API Call Tool

결과: 외부 이벤트 기반 AI 처리

마무리

Flowise는 코딩 없이 LLM 애플리케이션을 구축할 수 있는 강력한 노코드 플랫폼입니다. LangChain의 복잡함을 시각적 인터페이스로 추상화하여, 누구나 AI 앱을 만들 수 있게 해줍니다.

핵심 장점

장점	설명
노코드	드래그 앤 드롭으로 구축
LangChain 기반	검증된 프레임워크
다양한 LLM	OpenAI, Anthropic, Ollama 등
RAG 지원	문서 기반 챗봇 쉽게 구축
API 배포	플로우를 REST API로 노출
임베드 위젯	웹사이트에 쉽게 통합
셀프호스팅	데이터 완전 통제

이런 분께 추천

코딩 없이 AI 챗봇을 만들고 싶은 분
LangChain을 쉽게 사용하고 싶은 분
RAG 파이프라인을 빠르게 프로토타이핑하려는 분
비개발자도 AI 앱을 만들어야 하는 팀
MVP를 빠르게 검증하려는 스타트업

개요

Flowise란?

왜 Flowise인가?

핵심 개념

노드 기반 워크플로우

주요 기능

🎨 시각적 빌더

🤖 LLM 통합

📚 RAG (검색 증강 생성)

🛠️ 에이전트 & 도구

💾 메모리

🔌 배포 & 통합

대안 비교

시스템 요구 사항

Docker 설치

방법 1: 기본 설치

방법 2: 인증 활성화

방법 3: PostgreSQL 데이터베이스

방법 4: MySQL 데이터베이스

방법 5: Queue 모드 (Redis + Worker)

방법 6: S3 스토리지

방법 7: Traefik + HTTPS

방법 8: Ollama 통합

환경 변수

기본 설정

데이터베이스

경로 설정

스토리지

Queue 모드

보안

초기 설정

1) 첫 접속

2) 첫 번째 챗플로우 만들기

3) API 키 설정

4) 간단한 RAG 챗봇

사용 가이드

템플릿 사용

API로 플로우 호출

웹사이트에 임베드

변수 전달

주요 노드 카테고리

Chat Models

Embeddings

Vector Stores

Document Loaders

Text Splitters

Memory

Chains

Agents

Tools

백업 및 복원

데이터 구조

백업

플로우 내보내기

복원

업데이트

트러블슈팅

메모리 부족 (빌드 시)

Ollama 연결 안 됨

API 키 오류

데이터베이스 마이그레이션

활용 사례

1. 고객 지원 챗봇

2. SQL 데이터 분석

3. 코드 리뷰 에이전트

4. 멀티모달 챗봇

5. 자동화 워크플로우

마무리

핵심 장점

이런 분께 추천

댓글 남기기 응답 취소