Flowise 的 Agent 循环与图执行引擎

学习目标

• 理解 Flowise 三种执行模式（Chatflow / AgentGraph / AgentFlow V2）的触发条件与区别
• 掌握有向图 BFS 遍历如何将 React Flow 画布转换为可执行流程
• 学会根据任务复杂度选择合适的执行模式

前置知识

本章涉及 Agent 核心循环的通用原理，建议先阅读：

• Agent 核心循环设计

下文假设你已理解 Session/Turn 模型等通用概念，直接聚焦 Flowise 的图驱动实现。

---

项目实践

三种执行模式的路由

Flowise 在 executeFlow 函数中根据 Flow 类型决定执行引擎：

if (chatflow.type === 'AGENTFLOW') {
    → executeAgentFlow()        // AgentFlow V2：有向图 + 条件等待
} else if (存在 Multi Agents / Sequential Agents 类别节点) {
    → buildAgentGraph()         // AgentGraph：LangGraph StateGraph
} else {
    → executeFlow() 直接执行     // Chatflow：简单 BFS 遍历
}

模式	触发条件	底层引擎	特点
Chatflow	默认，无 Agent 类别节点	自研 BFS 图遍历	适合简单 LLM 调用和 RAG 管线
AgentGraph	存在 Multi Agents 或 Sequential Agents 节点	LangGraph StateGraph	适合多 Agent 协作，支持状态持久化
AgentFlow V2	chatflow.type === 'AGENTFLOW'	自研有向图 + IWaitingNode 条件等待	支持条件分支、循环、迭代、人机协作

图构建与 BFS 执行

Chatflow 模式的执行流程如下：

关键函数：

函数	职责
constructGraphs(nodes, edges)	从 React Flow 的 nodes/edges 构建邻接表有向图
getStartingNodes(graph)	查找入度为 0 的节点（流程起点）
getEndingNodes(dependencies, graph, nodes)	查找出度为 0 的节点（流程终点）
buildFlow()	BFS 遍历，逐层执行节点
resolveVariables()	解析 {{variable}} 引用链

变量解析管道

Flowise 的变量系统支持多种引用格式：

{{question}}          → 用户输入
{{chat_history}}      → 会话历史
{{vars.variableName}} → 全局变量
$flow.sessionId       → 流程配置
$flow.chatId          → 聊天 ID
$flow.chatflowId      → Flow ID
$flow.state           → 流程状态对象

resolveVariables 函数的处理流程：

1. 扫描节点输入中的 {{...}} 引用
2. 根据引用前缀（question、chat_history、vars、flow）从对应数据源获取值
3. 处理变量间的依赖链（变量 A 引用变量 B）
4. 返回解析后的完整节点数据

---

问题与规避

循环依赖导致无限递归

问题：如果用户在画布中创建了环（A → B → A），BFS 遍历会陷入无限循环。

对策：Flowise 假设图为有向无环图（DAG），没有内置环检测。用户在画布中应避免创建环。在 AgentFlow V2 中，通过 loopCounts Map 限制每个节点的执行次数。

多 Ending Node 的结果选择

问题：当流程有多个出度为 0 的节点时，执行哪个？

对策：Flowise 取 reactFlowNodes 数组中的最后一个 Ending Node 执行。这意味着节点的创建顺序会影响结果。建议每个 Flow 只保留一个输出节点。

变量引用链断裂

问题：{{nodeA.output}} 引用的节点未执行或输出为空，导致下游节点收到 undefined。

对策：

• 确保引用链中每个节点都已执行
• 使用 setVariable 节点的 showOutput 选项调试变量值
• 在 CustomFunction 中添加空值检查

---

设计取舍

图驱动 vs 代码驱动 Agent 循环

维度	图驱动（Flowise）	代码驱动（传统框架）
学习曲线	低（拖拽即可）	高（需要编程能力）
灵活性	受限于图结构	无限制
调试	节点级日志	断点调试
版本控制	JSON 文件 diff 困难	代码 diff 友好
团队协作	非程序员可参与	仅限程序员

Flowise 选择图驱动模型的核心原因是降低 LLM 应用开发门槛。代价是图无法表达所有编程模式（如递归、动态控制流），这部分通过 CustomFunction 节点（用户自定义 JavaScript）作为逃生舱。

BFS vs DFS 遍历

维度	BFS	DFS
执行顺序	按层级，所有第 N 层节点执行完才执行第 N+1 层	沿一条路径深入到底
内存消耗	与最宽层级大小成正比	与最大深度成正比
并行性	同层节点可并行	天然串行

Flowise 选择 BFS 是因为：

• 同层节点（无依赖关系）可以并行执行
• 避免深层递归导致的栈溢出
• 更符合用户对”从左到右”流程的直觉

---

参考来源

• Flowise 官方文档
• LangGraph StateGraph 文档