Flowise: собираем ИИ-агента без кода за 30 минут — полный туториал

Введение

LangChain — это один из самых популярных в мире фреймворков для создания сложных ИИ-приложений: агентов, систем RAG (поиск по своим документам) и чат-ботов с памятью. Но у него есть один минус — он требует уверенного знания Python или JavaScript. Что делать, если вы хотите мощь LangChain, но не умеете кодить?

Встречайте Flowise — open-source визуальный конструктор (no-code интерфейс) для LangChain. В нём вы можете собирать ИИ-агентов, просто перетаскивая блоки на холсте, точно так же, как вы делаете это в n8n или Miro. В этом туториале мы за 30 минут с нуля создадим ИИ-агента службы поддержки, который будет знать всю информацию о вашей компании с вашего сайта.

Шаг 1: Установка Flowise

Flowise можно установить локально на компьютер (для тестов) или на сервер (для продакшена). Для локальной установки вам понадобится только установленный Node.js.

1. Откройте терминал (командную строку).
2. Введите команду: npm install -g flowise (это глобально установит Flowise на ваш ПК).
3. После завершения установки введите команду для запуска: npx flowise start.
4. Откройте браузер и перейдите по адресу http://localhost:3000. Вы увидите красивый дашборд Flowise.

Шаг 2: Понимание интерфейса (Chatflows)

Главная сущность во Flowise — это Chatflow (поток чата). Нажмите кнопку "Add New" в правом верхнем углу, чтобы создать пустой холст.

Слева вы увидите панель узлов (Nodes). Они разбиты по категориям, которые полностью повторяют архитектуру LangChain:

• Chat Models: Мозги агента (OpenAI, Anthropic, Mistral, локальная Ollama).
• Document Loaders: То, как мы загружаем данные (PDF, Web Scraper, Github, Notion).
• Text Splitters: Блоки, которые режут большие тексты на кусочки для базы данных.
• Vector Stores: Векторные базы данных для хранения знаний (Pinecone, Qdrant, Chroma).
• Tools/Agents: Инструменты (поиск в Google, калькулятор) и сами логические агенты.

Шаг 3: Собираем RAG (Retrieval-Augmented Generation)

RAG — это архитектура, которая позволяет ИИ отвечать не из своих базовых знаний, а опираясь исключительно на ваши документы.

Давайте соберем цепочку (Chain), которая будет читать ваш сайт и отвечать на вопросы пользователей.

1. Настраиваем базу знаний (Pinecone)

• Зарегистрируйтесь на Pinecone (популярная векторная БД) и создайте бесплатный индекс с размерностью (Dimensions) 1536. Скопируйте API ключ.
• Вытащите на холст Flowise ноду Pinecone (раздел Vector Stores).
• Вставьте в ноду ваш API ключ и название индекса.

2. Загружаем данные (Web Scraper)

• Вытащите ноду Cheerio Web Scraper (раздел Document Loaders) и соедините её с входом Document на ноде Pinecone.
• Вставьте ссылку на главную страницу вашего сайта (или ссылку на страницу с ценами/FAQ). Нажмите "Web Crawl", чтобы загрузить не только главную, но и внутренние страницы.
• Вытащите ноду Recursive Character Text Splitter. Она нужна, чтобы порезать сайт на абзацы (ИИ не может проглотить весь сайт целиком). Соедините её со скрапером.

3. Настраиваем Embeddings (Оцифровка текста)

• Вытащите ноду OpenAI Embeddings и подключите её ко входу Embeddings в Pinecone. Сюда нужно вставить ваш API-ключ от OpenAI (он нужен для перевода текста в векторы).

Нажмите зеленую кнопку с дискетой ("Save") и затем фиолетовую кнопку с базой данных ("Upsert"). Flowise скачает ваш сайт, переведет тексты в векторы и положит в Pinecone.

4. Подключаем мозги (Retrieval QA Chain)

Теперь нужно настроить логику ответа на вопросы.

• Вытащите ноду Conversational Retrieval QA Chain (раздел Chains).
• Во вход LLM подключите ноду ChatOpenAI (вставьте API ключ и выберите модель, например gpt-4o-mini).
• Во вход Vector Store Retriever подключите нашу готовую ноду Pinecone.

Шаг 4: Тестирование и интеграция

Ваш ИИ-сотрудник готов! Нажмите иконку фиолетового чата в правом верхнем углу (Chat). Попробуйте задать вопрос по вашему сайту: "Сколько стоит тариф Профессиональный?" или "Кто ваш CEO?".

Flowise сходит в векторную базу данных, найдет там кусок текста с вашего сайта про тарифы, отдаст его GPT-4o-mini и та сгенерирует красивый и точный ответ на русском языке.

Как добавить бота на сайт?

Flowise дает готовый код! Нажмите кнопку с символом кода </> в правом верхнем углу (API Endpoints).

Здесь вы найдете две вкладки:

1. Embed: Готовый HTML/JS код виджета. Просто скопируйте его и вставьте перед тегом </body> на вашем сайте (как Яндекс.Метрику). На сайте появится красивая круглая плавающая кнопка чата.
2. API: Endpoint для того, чтобы обращаться к этому агенту из внешних систем (например, из того же n8n для ответов в Telegram-боте).

Заключение

Flowise радикально снижает порог входа в создание enterprise-уровня ИИ-продуктов. То, на что раньше требовались недели написания кода на Python, теперь собирается за 30 минут мышкой. При этом, так как под капотом лежит стандартный LangChain, вы не ограничены в возможностях: агенты, кастомные инструменты, память, потоковая передача ответов (streaming) — здесь есть всё для создания продвинутых решений.

Flowise vs n8n: когда выбирать что

Оба инструмента визуальные и no-code, но решают разные задачи. Путаница между ними — частый источник неправильного выбора инструмента для проекта.

Параметр	Flowise	n8n
Специализация	LLM-цепочки, RAG, AI-агенты	Бизнес-автоматизация любого типа
Интеграции	LangChain-компоненты (~100+)	1300+ любых сервисов
Триггеры/расписания	Нет нативно	Cron, Webhook, события
Работа с CRM/таблицами	Ограниченная	Полная (Google Sheets, amoCRM и т.д.)
Векторные базы / RAG	Из коробки, глубоко	Через ноды, более базово
Деплой как виджет/API	В один клик	Через webhook

Выбирайте Flowise, если основная задача — собрать умного чат-бота с RAG, агента с памятью, или сложную LLM-цепочку, и не нужны глубокие интеграции с десятками бизнес-сервисов.

Выбирайте n8n, если нужна оркестрация бизнес-процесса: данные приходят из CRM, обрабатываются, уходят в Telegram/Email/таблицы, по расписанию или вебхуку.

Лучшее решение часто — комбинация: Flowise предоставляет API эндпоинт готового AI-агента, n8n вызывает этот эндпоинт через HTTP Request как один из шагов бизнес-процесса. Так агент остаётся "умным мозгом", а n8n берёт на себя интеграции и логику процесса.

Память агента: диалог с контекстом

Без памяти каждое сообщение в чате обрабатывается изолированно — агент не помнит, что говорил пользователь минуту назад. Flowise решает это компонентом Memory:

• Buffer Memory — хранит последние N сообщений диалога в оперативной памяти. Просто, но не переживает перезапуск сервера.
• Redis-Backed Chat Memory — хранит историю в Redis по session ID. Переживает перезапуски, подходит для production.
• Zep Memory / Postgres Memory — для долгосрочной памяти с возможностью семантического поиска по истории прошлых разговоров.

Подключение: добавьте узел Memory на canvas, соедините его с узлом ConversationChain или Agent. Передавайте sessionId через API-параметр, чтобы разные пользователи не путали свои истории.

Кастомные инструменты (Custom Tools)

Встроенных инструментов (поиск, калькулятор, веб-скрапер) часто недостаточно для реальных задач. Flowise позволяет написать собственный инструмент на JavaScript:

// Custom Tool: проверка остатков на складе
const axios = require('axios');

const response = await axios.get('https://your-api.ru/stock', {
  params: { sku: $sku }
});

return JSON.stringify({
  sku: $sku,
  quantity: response.data.quantity,
  available: response.data.quantity > 0
});

Агент сам решает, когда вызвать этот инструмент — на основе описания (Tool Description), которое вы указываете при создании. Чем точнее описание, тем правильнее агент выбирает инструмент среди нескольких доступных.

Production-деплой: Docker + PostgreSQL

SQLite (база данных по умолчанию) не подходит для нагруженного production. Для серьёзного использования:

version: "3.8"
services:
  flowise:
    image: flowiseai/flowise
    environment:
      - DATABASE_TYPE=postgres
      - DATABASE_HOST=postgres
      - DATABASE_PORT=5432
      - DATABASE_NAME=flowise
      - DATABASE_USER=flowise_user
      - DATABASE_PASSWORD=пароль
      - FLOWISE_USERNAME=admin
      - FLOWISE_PASSWORD=пароль_админа
    ports:
      - "3000:3000"
    depends_on:
      - postgres

  postgres:
    image: postgres:16-alpine
    environment:
      POSTGRES_DB: flowise
      POSTGRES_USER: flowise_user
      POSTGRES_PASSWORD: пароль
    volumes:
      - ./pgdata:/var/lib/postgresql/data

Не забудьте поставить nginx с SSL перед Flowise и включить Basic Auth (переменные FLOWISE_USERNAME/PASSWORD) — иначе любой человек с доступом к домену сможет редактировать ваши агентов.

Часто задаваемые вопросы

Что такое Flowise?

Flowise — open-source визуальный конструктор для создания LLM-приложений и AI-агентов на базе LangChain через drag-and-drop интерфейс, без написания кода. Позволяет собирать RAG-агентов, чат-боты и сложные цепочки промптов за минуты.

Flowise и LangChain — это одно и то же?

Нет. LangChain — Python/JS библиотека для программистов, требует написания кода. Flowise — визуальная надстройка над LangChain: те же возможности (агенты, память, RAG, инструменты), но собираются мышкой через интерфейс, без кода.

Можно ли подключить SQL-базу данных к Flowise?

Да, через готовый компонент SQL Database Chain. Подключите PostgreSQL, MySQL или SQLite, и агент сможет генерировать SQL-запросы на основе вопросов на естественном языке и возвращать структурированные ответы.

Как установить Flowise через npm?

Команда npm install -g flowise, затем npx flowise start. После запуска интерфейс доступен на localhost:3000. Для production рекомендуется Docker-развёртывание с переменными окружения и базой данных PostgreSQL вместо SQLite.