Що таке Flowise?

Flowise — open-source платформа для візуальної побудови LLM-застосунків. Використовує концепцію вузлів і з'єднань (як LangFlow), але простіша в налаштуванні та має більшу бібліотеку готових компонентів.

Встановлення через npm

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

Встановлення через Docker

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

Підключення Ollama у Flowise

Відкрийте Flowise: http://IP:3000
Створіть новий Chatflow
Перетягніть вузол ChatOllama
Вкажіть Base URL: http://host.docker.internal:11434
Виберіть модель зі списку (llama3.2, mistral тощо)

Готові шаблони

Conversational Chain — базовий чат-бот із пам'яттю
QA Retrieval Chain — питання-відповідь за документами
ReAct Agent — агент з інструментами
SQL Database Chain — робота з базами даних

Flowise vs n8n: Flowise краще для AI-специфічних завдань (RAG, агенти), n8n — для загальної автоматизації з AI-компонентами. Використовуйте обидва разом для максимальної гнучкості.

Налаштування авторизації

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

Часті помилки під час налаштування

ChatOllama не бачить модель

Під час звернення до вузла з'являється помилка такого вигляду:

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

Flowise не завантажує моделі сам — він лише звертається до вже запущеного Ollama за вказаним Base URL. Модель потрібно заздалегідь завантажити командою ollama pull llama3.2 на тій машині, куди дивиться Base URL.

Flowise у контейнері не може достукатися до Ollama на хості

connect ECONNREFUSED 127.0.0.1:11434

Причина та сама, що й в інших контейнеризованих сценаріях: localhost усередині контейнера — це сам контейнер. Замініть адресу на http://host.docker.internal:11434 або запустіть Flowise з --network=host — тоді контейнер використовує мережевий стек хоста напряму.

Після рестарту контейнера зникли всі Chatflow

Налаштовані потоки зникають під час перестворення контейнера, якщо volume не було примонтовано явно. Перевірте, що в команді запуску вказано -v flowise:/root/.flowise — без цього стан живе лише всередині контейнера і втрачається при його видаленні.

Помилка CORS під час виклику API поза браузером

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

Flowise за умовчанням обмежує джерела запитів до свого API. Якщо фронтенд на іншому домені має звертатися до потоку напряму, задайте змінну оточення CORS_ORIGINS зі списком дозволених доменів під час запуску контейнера. Без цього браузер мовчки блокуватиме запит ще до того, як він дійде до сервера, а в консолі розробника буде видно лише мережеву помилку без деталей від самого Flowise.

Flowise, n8n і LangFlow: що обрати

Усі три інструменти будують LLM-конвеєри візуально, але різняться тим, для якого масштабу і команди вони зручніші.

Критерій	Flowise	n8n	LangFlow
Фокус	LLM-конвеєри і RAG	Загальна автоматизація	LLM-конвеєри
Бібліотека готових компонентів	Велика	Середня (для AI)	Середня
Поріг входу	Низький	Низький	Середній
Готові інтеграції поза AI-завданнями	Мінімальні	Сотні сервісів	Мінімальні

Коли Flowise не підходить

Візуальний редактор спрощує складання RAG і агентів, але не замінює повноцінну платформу автоматизації чи мову програмування там, де вони потрібні по суті завдання. Межу варто проводити за складністю логіки, а не за особистими вподобаннями в інструменті.

Потрібна інтеграція з десятками зовнішніх сервісів (CRM, таск-трекери, пошта) — для цього в n8n готових вузлів значно більше
Логіку агента потрібно версіонувати і тестувати як звичайний код — візуальний граф погано лягає в CI
Команда пише на Python і хоче повний контроль над промптами і ланцюжками — простіше взяти LangChain напряму
Проєкт має працювати без єдиної точки відмови у вигляді UI-сервера — для простого API дешевше власний FastAPI-сервіс
Потрібна версійована історія змін потоку з відкатом — git за JSON-експортом потоку читається погано

Перевірка результату

Після складання потоку варто перевірити його так само, як перевіряли б звичайний API-ендпоінт.

Відкрийте Chatflow і надішліть тестове повідомлення через вбудований чат-віджет
Перевірте вкладку з логами вузла ChatOllama — там видно, який промпт пішов моделі і що вона повернула
Переконайтеся, що після перезапуску контейнера Chatflow та API-ключі збереглися
Перевірте API-ендпоінт потоку напряму
Надішліть запит з домену фронтенда і переконайтеся, що CORS не блокує виклик

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

За темою: no-code автоматизація з AI — n8n на VDS, власний код на Python — LangChain на VDS, локальний бекенд для моделей — Ollama на VDS.