Hochwertige Trainingsdaten spielen eine entscheidende Rolle bei Aufgaben der Bildsegmentierung. Üblicherweise sind pixelgenaue Annotationen aufgrund der großen Datenmengen kostspielig, aufwendig und zeitaufwendig. Um die Labelkosten zu senken und die Segmentierqualität zu verbessern, wurden interaktive Segmentierungsmethoden vorgeschlagen, die bereits mit wenigen Klicks ein Ergebnis liefern. Ihre Leistung erfüllt jedoch die Anforderungen praktischer Segmentierungsaufgaben hinsichtlich Geschwindigkeit und Genauigkeit nicht. In dieser Arbeit präsentieren wir EdgeFlow, eine neuartige Architektur, die interaktive Benutzerinformationen durch kantenbasierte Flussinformationen vollständig nutzt. Unser Ansatz erreicht eine state-of-the-art-Leistung ohne jegliche Nachbearbeitung oder iterative Optimierung. Umfassende Experimente auf Standardbenchmarks belegen zudem die Überlegenheit unseres Verfahrens. Darüber hinaus haben wir mit dem vorgeschlagenen Ansatz ein effizientes interaktives Segmentierungstool für praktische Annotationstätigkeiten entwickelt. Der Quellcode und das Tool sind unter https://github.com/PaddlePaddle/PaddleSeg verfügbar.