Как собрать ИИ-агента в Flowise

Flowise ставится на ваш компьютер или сервер двумя способами: через npm или через Docker. npm это менеджер пакетов для Node.js, среды, в которой работает Flowise. Docker запускает программы в изолированных контейнерах.

1. Установите Node.js версии 18.15.0 или 20 и выше.

2. В терминале выполните команду npm install -g flowise.

3. Запустите конструктор командой npx flowise start и откройте в браузере http://localhost:3000.

4. Вариант через Docker: скачайте проект командой git clone https://github.com/FlowiseAI/Flowise, перейдите в папку docker, скопируйте файл .env.example в .env и выполните docker compose up -d. Адрес в браузере тот же.

Остановить контейнеры Flowise можно командой docker compose stop, а запустить снова той же командой docker compose up -d.

5. Для открытой моделимодель с открытыми весами Модель с открытыми весами (open-weights model) это нейросеть, файлы параметров которой можно скачать и запустить на своем оборудовании. Подробнее в словаре установите Ollama с сайта ollama.com: есть версии для macOS, Windows и Linux. Затем скачайте модель командой ollama pull и именем модели из каталога Ollama, например ollama pull qwen3.

Документация Flowise предупреждает: свой сервер требует навыков установки, резервного копирования базы и обновлений. Для вечерней пробы хватает ноутбука, для работы с клиентами нужен сервер с присмотром.

Во Flowise агент собирается в чат-флоу: это холст, где блоки соединяют линиями. Блок агента принимает модель, инструменты и память на отдельные входы.

1. Откройте http://localhost:3000, нажмите «Chatflows», затем «Add New» (добавить). Введите название и нажмите «Save».

2. Нажмите «Add Node» (добавить блок), найдите «Conversational Agent» и перетащите его на холст. Это агент для диалога с человеком.

3. Добавьте блок «ChatOllama» из раздела «Chat Models». В поле «Model Name» впишите имя модели из Ollama.

4. В поле «Temperature» задайте значение от 0 до 1, документация советует 0,5. Температура задает разброс ответов: при низкой агент отвечает ровно и по делу, при высокой разнообразнее.

5. Соедините выход ChatOllama со входом «Chat Modelчат-модель Чат-модель это языковая модель, дообученная вести диалог: она понимает роли собеседников, следует инструкциям и отвечает на реплики, а не просто продолжает текст. Подробнее в словаре» агента.

6. Добавьте память из раздела «Memory» и соедините ее со входом «Memory». Блок «Buffer Memory» хранит переписку в таблице chat_message базы Flowise, отдельный сервер для него не нужен.

7. Подключите инструменты ко входу «Allowed Tools». Ключ доступаAPI-ключ API-ключ это секретная строка, по которой сервис нейросети узнает, какая программа к нему обращается и с чьего счета списать оплату за запросы. Подробнее в словаре к сервису задается в блоке инструмента кнопкой «Connect Credentials», затем «Create New».

В примере документации агенту дают поиск в интернете блоком «SearchAPI», для него нужен ключ этого сервиса. Для внутренних задач вместо поиска подключают базу знаний из следующего раздела.

8. Нажмите «Save Chatflow», откройте окно чата значком чата и задайте агенту вопрос.

Для сложных схем есть Agentflow V2. Там ветвления, паузы на ответ человека и несколько агентов собираются отдельными блоками. Первому агенту хватает чат-флоу, а пошаговый план первого вечера есть на странице про первого агента за вечер.

База знанийбаза знаний для ИИ База знаний для ИИ это отобранные и подготовленные документы компании, по которым ИИ-ассистент ищет ответы: регламенты, инструкции, каталог, ответы на частые вопросы. Подробнее в словаре дает агенту ваши документы. Перед ответом агент ищет нужные фрагменты в базе и отвечает по ним, модель при этом обучать не нужно. Этот подход называют RAGRAG RAG это схема, в которой ИИ сначала находит нужные фрагменты в ваших документах, а потом отвечает, опираясь на них. Подробнее в словаре, по шагам он разобран на странице о том, как сделать RAG.

1. Откройте раздел «Document Stores» и добавьте хранилище с понятным названием.

2. Выберите загрузчик документов, например «PDF Loader» для файлов PDF, и загрузите файлы. Загрузчику можно добавить свою метку, чтобы потом отбирать фрагменты этого набора.

3. Выберите способ нарезки текста, например «Recursive Character Text Splitter». Нарезка делит документ на фрагменты, чтобы агент находил нужный абзац, а не весь файл.

4. Посмотрите в предпросмотре, как режутся фрагменты, и запустите обработку данных. После обработки фрагмент можно поправить или удалить вручную.

5. Нажмите карточку «Select Embeddings» и выберите модель эмбеддинговэмбеддинг-модель Эмбеддинг-модель это нейросеть, которая превращает текст, картинку или другой объект в эмбеддинг, то есть набор чисел, по которому можно сравнивать смысл. Подробнее в словаре. Эмбеддинг это запись смысла фрагмента набором чисел. Для своего сервера есть блок «Ollama Embeddings».

6. Нажмите «Select Vector Store» и выберите векторную базу, где будут лежать эти числа. По желанию добавьте «Record Manager»: он не даст загрузить один фрагмент дважды.

7. Нажмите «Upsert» (загрузить в базу), затем «Retrieval Query», чтобы проверить поиск на тестовом вопросе.

8. Подключите хранилище к агенту. В чат-флоу для этого есть блок «Document Store (Vector)» и инструмент «Retriever Tool» на входе «Allowed Tools». В Agentflow V2 хранилище выбирают прямо в блоке «Agent» и в поле «Describe Knowledge» пишут, когда к нему обращаться.

По умолчанию поиск возвращает 4 ближайших фрагмента, это параметр top K. Больше фрагментов дает модели больше контекста, но каждый ответ стоит дороже. Как выбрать векторную базу, разобрано отдельно.

Готового агента Flowise ставит на сайт виджетом. Виджет это небольшой скрипт, который рисует окно чата на странице.

1. Скопируйте скрипт виджета, который Flowise дает для чат-флоу, и вставьте его в код страницы между тегами <body> и </body>.

2. Проверьте в скрипте два параметра Chatbot.init: chatflowid, номер вашего чат-флоу, и apiHost, адрес вашего сервера Flowise.

Чтобы видеть, на какие документы опирается ответ, передайте в Chatbot.init параметр chatflowConfig с полем returnSourceDocuments: true. Поле sessionId там же задает номер разговора.

3. Подключите к серверу домен и сертификат HTTPS, как описано в документации Flowise по развертыванию на своем сервере.

4. Включите ограничение частоты: поля «Message Limit per Duration» и «Duration in Seconds». Например, 20 сообщений за 60 секунд с одного IP-адреса. Открытый чат без ограничения доступен любому, кто нашел страницу.

5. Если сервер стоит за прокси, задайте переменную NUMBER_OF_PROXIES, иначе ограничение может работать неправильно. Документация советует начать с 0, открыть адрес /api/v1/ip и прибавлять по 1, пока он не покажет ваш IP-адрес.

Если Flowise старше версии 2.1.0, встроенный чат может не получать сообщения. Документация советует обновить Flowise.

Посетители пишут агенту имена, телефоны и вопросы, а это персональные данные. По 152-ФЗ их собирают и хранят в базах на территории России, а до передачи за границу уведомляют Роскомнадзор. Поэтому Flowise, модель и векторную базу для такого агента ставят на сервер в России, подробнее на странице о безопасности данных.

Как спланировать ИИ-агента для сайта с заявками и передачей разговора человеку, мы разобрали отдельно.

Flowise распространяется по Apache 2.0. Лицензия бесплатно разрешает копировать программу, менять ее, распространять и выдавать сублицензии, в том числе в коммерческом продукте.

При распространении своей версии Apache 2.0 требует передать получателю текст лицензии и сохранить уведомления об авторских правахавторское право и ИИ Авторское право и ИИ это вопросы о том, кому принадлежат тексты и картинки, созданные нейросетью, и можно ли обучать модели на чужих произведениях. Подробнее в словаре.

Есть исключение: папка packages/server/src/enterprise и отдельно помеченные файлы идут по коммерческой лицензии. Это корпоративные функции, остальной код остается на Apache 2.0.

В августе 2025 года Flowise купила компания Workday. На день проверки лицензия основного кода не изменилась, но перед запуском в работу откройте файл LICENSE.md в репозитории.

Типовой агент на Flowise собирается из открытых блоков. Если за него просят как за уникальную разработку, спросите, из чего цена.