Flowise macht den visuellen Aufbau von KI-Workflows tatsächlich nutzbar. Die Drag-and-Drop-Benutzeroberfläche verbirgt die LangChain-Implikation so gut, dass auch Nicht-Entwickler produktive Chatflows erstellen können. Die Kosten variieren jedoch stark zwischen den Beiträgen, je nachdem, ob der Autor die Datenbank und den Vektorstore berücksichtigt hat.
Ich betreibe Flowise auf einem Hetzner-Server, der zwei produktive Chatflows für Kundengewinnung handhabt. Hier ist, was tatsächlich passt.
Echter Flowise-Footprint
Der Flowise Node.js-Prozess liegt im Leerlauf bei etwa 300 bis 400 MB Resident Memory. Jeder aktive Chatflow-Lauf verbraucht je nach Kettenkomplexität und eingebetteter Vektorrückgewinnung 100 bis 300 MB.
Die eigentlichen Kostentreiber sind die unterstützenden Dienste:
- SQLite (Standard): vernachlässigbar, geeignet für den persönlichen Gebrauch
- Postgres (Team-Setup): 200 bis 400 MB plus Abfrage-Cache
- Vektorstore (Qdrant, Weaviate, pgvector): 500 MB bis 2 GB, abhängig von der Dokumentenkorpusgröße
- Embedding-Modell bei lokalem Betrieb: 1 bis 3 GB Resident Memory
Eine Minimal-Installation von Flowise passt in 2 GB RAM. Eine Produktionsinstallation mit Team-Funktionen, Postgres und Vektorstore benötigt 4 bis 8 GB.
VPS-Vergleich für Flowise
| Anbieter | Plan | vCPU | RAM | Festplatte | Monatlich | Bester Einsatz |
|---|---|---|---|---|---|---|
| Hetzner Cloud | CCX13 | 2 | 8 GB | 80 GB NVMe | 14,86 EUR | Produktion mit Postgres |
| Contabo VPS | VPS S | 4 | 8 GB | 100 GB NVMe | 4,50 EUR | Budget-Produktions-Setup |
| DigitalOcean | Premium AMD 4 GB | 2 | 4 GB | 80 GB NVMe | 28 USD | US, Betriebssimplizität |
| Hetzner CCX23 | CCX23 | 4 | 16 GB | 160 GB NVMe | 29,74 EUR | Flowise + Ollama + Vektorstore |
Hetzner Cloud CCX13: Der zuverlässige Produktions-Favorit
Für Flowise mit Postgres und einem kleinen Vektorstore meistert der CCX13 das ohne Probleme. Dedizierte CPU ist wichtig, weil Flowise-Ketten mehrere parallele API-Aufrufe auslösen können und Shared-CPU-Pläne Latenz-Variationen einführen, die bei interaktivem Chatflow-Nutzen spürbar sind.
NVMe ist hier wichtiger als bei manchen anderen Tools, weil der Vektorstore während der Ingestion kontinuierlich Indexschreiboperationen durchführt. Spindelplatten oder ältere SATA-SSDs zeigen sich beim Ingestion als Verlangsamung.
Vorteile, die hervorzuheben sind:
- Dedizierte CPU macht die Latenz von Chatflows vorhersehbar
- NVMe verarbeitet Schreibmuster des Vektorstores gut
- 8 GB RAM passen bequem für Flowise, Postgres und einen kleinen Vektorstore
Der Nachteil: 14,86 EUR im Monat sind mittleres Preissegment. Die nächsthöhere Stufe verdoppelt den Preis.
Hol dir Hetzner: Hetzner Cloud.
Contabo VPS S: Für Budget-Produktionsumgebungen
Mit 4,50 EUR im Monat passt Contabo’s VPS S mit 4 vCPU und 8 GB RAM für Flowise plus unterstützende Dienste. Die geteilte CPU zeigt sich bei Burst-Last im Chatflow als gelegentliche Latenzspitzen.
Für Deployments, bei denen interaktive Latenz weniger kritisch ist (Batch-Dokumentenverarbeitung, geplante Chatflows), ist Contabo die richtige Wahl. Für Echtzeit-Chatbots werden die Variationen für Nutzer sichtbar.
Vorteile:
- Bestes Preis-Leistungs-Verhältnis für Flowise
- 100 GB NVMe bieten Jahre an Vektorstore- und Chatflow-Logs
Hol dir Contabo: Contabo VPS.
DigitalOcean Premium AMD 4 GB: Für US-east Teams
Wenn dein Flowise-Deployment US-east Nutzer bedient und du eine Plattform-Politur anstelle eines niedrigen Preises suchst, ist DigitalOcean ideal. Das verwaltete Postgres-Add-on eliminiert eine Betriebsabhängigkeit, alles was du noch pflegen musst, ist die Flowise-App.
Ehrliche Kritik: 4 GB RAM sind für Produktivzwecke knapp bemessen. Du wirst wahrscheinlich auf 8 GB umsteigen müssen, wenn du einen Vektorstore hinzufügst - was die monatlichen Kosten verdoppelt.
Hol dir DigitalOcean: DigitalOcean.
Hetzner CCX23: Für komplett self-hosted AI-Stack
Der CCX23 punktet, wenn du Flowise plus Ollama plus einen Vektorstore auf einer Maschine laufen lassen willst. 16 GB RAM reichen für ein 7B-Modell (8 GB), Flowise plus Postgres (4 GB) und einen Vektorstore (2 GB) plus Spielraum.
Dieses Setup hält alles lokal, ideal für datenschutzsensible Deployments. Die Latenz zwischen den Komponenten ist nahezu null, wovon Flowise-Ketten profitieren.
Was ich empfehlen würde
Für produktives Flowise mit externen Modellen: Hetzner CCX13. Für budgetäre Setups: Contabo VPS S. Für den voll self-hosted AI-Stack: Hetzner CCX23. Das Flowise-Projekt ist stabil genug, sodass sich die Hosting-Anforderungen im Jahr 2026 kaum verändert haben.
Die komplette VPS-Shortlist findest du im SelfHostVPS Vergleich. Flowise lässt sich außerdem gut mit weiteren self-hosted-Tools kombinieren; siehe auch die Hosting-Guides für Ollama und AnythingLLM.
Frequently asked questions
Was ist die minimale VPS, um Flowise in der Produktion auszuführen?
Flowise selbst ist eine Node.js-App, die bei Idle bei etwa 300 MB Resident Memory liegt. Die Kostentreiber sind die unterstützende Datenbank (SQLite für Einzelbenutzer, Postgres für Teams) und der Vektorstore, wenn Sie die Document Q&A-Funktion verwenden. Für eine Einzelbenutzer-Konfiguration sind 2 GB RAM ausreichend. Für ein Team, das Document Chatflows nutzt, planen Sie mindestens 4 GB mit co-located Postgres ein.
Benötigt Flowise einen Datenbankserver auf derselben VPS?
Nicht unbedingt. Flowise verwendet standardmäßig SQLite, was für den persönlichen Gebrauch gut funktioniert. Für produktive Mehrbenutzer-Deployments sollten Postgres für die Workflow-Definitionen und ein Vektorstore (Qdrant, Weaviate, pgvector) für die Dokumentenabrufung laufen. Das Co-Locating auf derselben VPS reduziert die Latenz und die betriebliche Komplexität, kostet aber 2 bis 3 GB zusätzlichen RAM.
Kann Flowise neben Ollama für voll self-hosted KI-Workflows laufen?
Ja, das ist ein gängiges Produktionsmuster. Planen Sie mindestens 16 GB RAM ein: Ollama mit einem 7B-Modell benötigt 8 GB, Flowise plus Postgres plus ein Vektorstore verwenden 4 bis 5 GB, was Raum für das Betriebssystem und plötzliche Lasten lässt. Der Hetzner CCX23 trifft diesen sweet spot bei 29,74 EUR im Monat.
Wie vergleicht sich Flowise mit n8n für Hosting von KI-Workflows?
Flowise ist speziell für KI-Workflows gebaut (LangChain im Hintergrund), n8n ist eine generelle Workflow-Automatisierung mit später hinzugefügten KI-Knoten. Die Hosting-Anforderungen sind auf Basisebene ähnlich, etwa 300 bis 500 MB für den App-Prozess. Flowise gewinnt bei komplexen KI-Ketten und RAG-Pipelines, n8n punktet, wenn KI nur ein Schritt in einer größeren Automatisierung ist. Wählen Sie je nach Workflow-Typ und Ressourcenbedarf.