Что такое Flowise?

Flowise — open-source платформа для визуального построения LLM-приложений. Использует концепцию узлов и соединений (как LangFlow), но проще в настройке и имеет большую библиотеку готовых компонентов.

Установка через npm

npm install -g flowise
flowise start --PORT=3000 --HOST=0.0.0.0

Установка через Docker

docker run -d \
  --name flowise \
  -p 3000:3000 \
  -v flowise:/root/.flowise \
  --restart always \
  flowiseai/flowise

Подключение Ollama в Flowise

Откройте Flowise: http://IP:3000
Создайте новый Chatflow
Перетащите узел ChatOllama
Укажите Base URL: http://host.docker.internal:11434
Выберите модель из списка (llama3.2, mistral и т.д.)

Готовые шаблоны

Conversational Chain — базовый чат-бот с памятью
QA Retrieval Chain — вопрос-ответ по документам
ReAct Agent — агент с инструментами
SQL Database Chain — работа с базами данных

Flowise vs n8n: Flowise лучше для AI-специфичных задач (RAG, агенты), n8n — для общей автоматизации с AI-компонентами. Используйте оба вместе для максимальной гибкости.

Настройка авторизации

flowise start \
  --USERNAME=admin \
  --PASSWORD=securepassword \
  --PORT=3000

Частые ошибки при настройке

ChatOllama не видит модель

При обращении к узлу появляется ошибка вида:

Error: model "llama3.2" not found, try pulling it first

Flowise не скачивает модели сам — он лишь обращается к уже запущенному Ollama по указанному Base URL. Модель нужно заранее загрузить командой ollama pull llama3.2 на той машине, куда смотрит Base URL.

Flowise в контейнере не достучаться до Ollama на хосте

connect ECONNREFUSED 127.0.0.1:11434

Причина та же, что и в других контейнеризированных сценариях: localhost внутри контейнера — это сам контейнер. Замените адрес на http://host.docker.internal:11434 или запустите Flowise с --network=host — тогда контейнер использует сетевой стек хоста напрямую.

После рестарта контейнера пропали все Chatflow

Настроенные потоки исчезают при пересоздании контейнера, если volume не был примонтирован явно. Проверьте, что в команде запуска указан -v flowise:/root/.flowise — без этого состояние живёт только внутри контейнера и теряется при его удалении.

CORS-ошибка при вызове API снаружи браузера

Access to fetch at 'http://IP:3000/api/v1/prediction/...' has been blocked by CORS policy

Flowise по умолчанию ограничивает источники запросов к своему API. Если фронтенд на другом домене должен обращаться к потоку напрямую, задайте переменную окружения CORS_ORIGINS со списком разрешённых доменов при запуске контейнера. Без этого браузер будет молча блокировать запрос ещё до того, как он дойдёт до сервера, а в консоли разработчика будет видна только сетевая ошибка без деталей от самого Flowise.

Flowise, n8n и LangFlow: что выбрать

Все три инструмента строят LLM-пайплайны визуально, но расходятся в том, для какого масштаба и команды они удобнее.

Критерий	Flowise	n8n	LangFlow
Фокус	LLM-пайплайны и RAG	Общая автоматизация	LLM-пайплайны
Библиотека готовых компонентов	Большая	Средняя (для AI)	Средняя
Порог входа	Низкий	Низкий	Средний
Готовые интеграции вне AI-задач	Минимальные	Сотни сервисов	Минимальные

Когда Flowise не подходит

Визуальный редактор упрощает сборку RAG и агентов, но не заменяет полноценную платформу автоматизации или язык программирования там, где они нужны по сути задачи. Границу стоит проводить по сложности логики, а не по личным предпочтениям в инструменте.

Нужна интеграция с десятками внешних сервисов (CRM, таск-трекеры, почта) — для этого у n8n готовых нод сильно больше
Логику агента нужно версионировать и тестировать как обычный код — визуальный граф плохо ложится в CI
Команда пишет на Python и хочет полный контроль над промптами и цепочками — проще взять LangChain напрямую
Проект должен работать без единой точки отказа в виде UI-сервера — для простого API дешевле собственный FastAPI-сервис
Нужна версионируемая история изменений потока с откатом — git по JSON-экспорту потока читается плохо

Проверка результата

После сборки потока стоит проверить его так же, как проверяли бы обычный API-эндпоинт.

Откройте Chatflow и отправьте тестовое сообщение через встроенный чат-виджет
Проверьте вкладку с логами узла ChatOllama — там видно, какой промпт ушёл модели и что она вернула
Убедитесь, что после перезапуска контейнера Chatflow и API-ключи сохранились
Проверьте API-эндпоинт потока напрямую
Отправьте запрос с домена фронтенда и убедитесь, что CORS не блокирует вызов

curl -X POST http://IP:3000/api/v1/prediction/<flow-id> \
  -H "Content-Type: application/json" \
  -d '{"question": "Привет"}'

По теме: no-code автоматизация с AI — n8n на VDS, свой код на Python — LangChain на VDS, локальный backend для моделей — Ollama на VDS.