Si desea construir una aplicación LLM o un agente de IA sin interconectar cada componente en Python, Flowise le ofrece un lienzo visual en su lugar. Es una herramienta de código bajo y código abierto donde arrastra nodos, los conecta y obtiene un flujo de trabajo de IA funcional con un endpoint de API al final. Esta guía explica qué es Flowise, cómo difieren sus "chatflows" y "agentflows", cómo lo despliega y cómo prueba el endpoint de predicción y las API que su flujo llama. Si ha leído nuestra explicación sobre LangGraph, Flowise se encuentra en el extremo opuesto del espectro: visual-first en lugar de code-first. Puede leer el README del proyecto en GitHub para ver el código fuente.
Qué es Flowise
Flowise es una plataforma de desarrollo de IA generativa de código abierto para construir agentes de IA y flujos de trabajo LLM. Se distribuye bajo la licencia Apache 2.0, por lo que puede ejecutarlo localmente, autoalojarlo o bifurcarlo.
La idea principal es un lienzo basado en nodos. Cada nodo es un bloque de construcción: un modelo de chat, un almacén vectorial, un cargador de documentos, un módulo de memoria, un recuperador, una herramienta. Los arrastra al lienzo, dibuja conexiones entre ellos, y las conexiones definen cómo fluyen los datos. Cuando el flujo está terminado, Flowise lo expone como una API REST que puede llamar desde cualquier aplicación.
Internamente, Flowise conecta componentes de frameworks como LangChain y LlamaIndex. Por lo tanto, las abstracciones le resultarán familiares si ha utilizado cualquiera de ellos: cadenas, agentes, almacenes vectoriales, motores de consulta. La diferencia es que los ensambla haciendo clic y conectando en lugar de importar clases y llamar a constructores. Ese es el intercambio que hace Flowise. Renuncia a un control más granular y gana velocidad y un modelo visual compartido que todo su equipo puede entender.
Chatflows, agentflows y asistentes
Flowise le ofrece tres tipos de constructores, y elegir el correcto es importante.
| Tipo de constructor | Mejor para | Alcance |
|---|---|---|
| Asistente | Principiantes; asistentes de chat que siguen instrucciones, usan herramientas y realizan RAG sobre archivos cargados | Más estrecho, más guiado |
| Chatflow | Sistemas de agente único, chatbots, flujos LLM más simples; soporta Graph RAG y rerankers | Agente único |
| Agentflow | Sistemas multi-agente y orquestación compleja con ramificación, bucles y enrutamiento | Más amplio; un superconjunto de Chatflow y Asistente |
Un chatflow es el flujo clásico de Flowise. Construye una única pipeline lógica: toma una pregunta, recupera contexto, llama a un modelo, devuelve una respuesta. Maneja bien los chatbots de un solo agente y el RAG.
Un agentflow es el lienzo más grande. Flowise lo posiciona como un superconjunto de chatflow y asistente. Aquí es donde se construyen sistemas multi-agente, se enruta entre ramas, se realizan bucles y se orquestan flujos de trabajo más complejos. Si su diseño tiene varios agentes que se pasan el trabajo entre sí, agentflow es la capa que desea.
El asistente es la opción más guiada. Le da instrucciones, adjunta herramientas y lo dirige a archivos para su recuperación. Es la forma más rápida de obtener algo útil sin pensar en la estructura del grafo.
Cómo se construye un flujo en el lienzo
Construir en Flowise se ve así. Inicia un chatflow, luego agrega nodos desde el panel izquierdo.
- Arrastre un nodo de modelo de chat y elija un proveedor (OpenAI, Anthropic, un modelo local, etc.).
- Agregue un cargador de documentos y un almacén vectorial si necesita recuperación.
- Agregue un nodo de memoria para que el flujo recuerde la conversación.
- Conecte las salidas a las entradas para que el contexto fluya hacia el modelo.
- Guarde, luego abra el panel de chat para probarlo en vivo.
El editor visual admite expresiones, nodos de código personalizados, ramificación, bucles y lógica de enrutamiento. Así que no está limitado. Cuando un nodo no existe para su caso, escribe un pequeño nodo de función personalizada y mantiene el resto visual.
Despliegue de Flowise y el endpoint de predicción REST
Flowise se ejecuta como una aplicación Node en el puerto 3000 por defecto. El inicio más rápido es npm:
npm install -g flowise
npx flowise start
# open http://localhost:3000
Para un despliegue repetible, use Docker:
docker run -d --name flowise -p 3000:3000 flowiseai/flowise
Flowise también soporta despliegues autoalojados y sin conexión (air-gapped), lo cual es importante si sus datos no pueden salir de su red.
Una vez que se guarda un flujo, Flowise lo convierte en una API REST. La documentación oficial de predicción cubre el formato completo de la solicitud. Cada chatflow y agentflow obtiene su propio endpoint de predicción:
POST /api/v1/prediction/{id}
El {id} es el ID del flujo. Envía un cuerpo JSON con al menos un campo question, y obtiene la respuesta del flujo. Una llamada mínima se ve así:
curl -X POST http://localhost:3000/api/v1/prediction/<flow-id> \
-H "Content-Type: application/json" \
-d '{"question": "¿Cuáles son sus horas de tienda?"}'
El cuerpo de la solicitud soporta más que la pregunta. Puede pasar streaming para transmitir tokens de vuelta, overrideConfig para cambiar la configuración del flujo por solicitud, history para sembrar turnos anteriores, y uploads para imágenes o audio. Cuando el streaming está activado, Flowise emite eventos como start, token y metadata, y luego un evento final end. Flowise también ofrece SDKs oficiales de Python y TypeScript que envuelven este endpoint.
Ese único endpoint es el contrato entre Flowise y el resto de su pila. Su frontend, su backend, sus otros servicios, todos se comunican con el flujo a través de él. Por eso vale la pena probarlo cuidadosamente.
Cuándo el código bajo encaja y cuándo el código primero gana
Flowise es una buena opción cuando desea velocidad, un modelo visual compartido y una iteración rápida. Prototipos, chatbots internos, asistentes RAG sobre un conjunto de documentos y demostraciones se construyen rápidamente. Los no ingenieros del equipo pueden leer el lienzo y comprender lo que hace el agente, lo cual es difícil de obtener de un archivo Python.
Los frameworks de "código primero" toman la delantera cuando necesita un control estricto. Si está versionando la lógica del agente en Git con diferencias completas, escribiendo pruebas unitarias densas alrededor de cada paso, o construyendo máquinas de estados inusuales, una biblioteca como LangGraph o el Google Agent Development Kit le da más margen. Lo mismo se aplica al OpenAI Agents SDK cuando sus agentes dependen de llamadas a herramientas personalizadas. Muchos equipos usan ambos: prototipan en Flowise, luego portan el diseño probado a código una vez que los requisitos se estabilizan.
La lectura honesta es que esto no es binario. Flowise tiene acceso a API, CLI y SDK, además de funciones de rastreo, evaluación y "human-in-the-loop", por lo que escala más allá de un juguete. Pero cuanto más se parezca su lógica a un software real, más le recompensará una pila "código primero".
Prueba del endpoint de predicción y las API que llama su flujo
Un agente construido en Flowise es tan fiable como las API que lo respaldan. El flujo llama a una API de LLM, y generalmente también llama a herramientas externas o API REST. Esas son las partes que fallan en producción, y son exactamente lo que puede probar en Apidog.
Comience con el propio endpoint de predicción. Trate POST /api/v1/prediction/{id} como cualquier otro endpoint REST. En Apidog, configura la URL, envía una carga útil de question y escribe aserciones de API que verifican la forma de la respuesta y los campos clave. Ejecute esto como una prueba automatizada para que un cambio de flujo que rompa el contrato se detecte antes de que lo haga su aplicación.
Luego, pruebe las API subyacentes de las que depende su flujo. El proveedor de LLM y cada endpoint de herramienta se pueden acceder directamente. Si desea desarrollar contra el LLM sin quemar tokens o activar límites de velocidad, dirija el flujo a una API simulada que devuelva respuestas realistas y predefinidas. El mismo truco funciona para una API de herramientas de terceros inestable: simúlela, asegúrese de que su flujo maneje la forma y mantenga su conjunto de pruebas determinista. Hay un tutorial más completo en nuestra guía de arnés de prueba de agentes de IA.
Apidog también se encarga de las partes aburridas pero críticas. Almacena las claves del proveedor por entorno, por lo que su flujo de desarrollo usa una clave de prueba y la producción usa la real sin cambios de código. Descargar Apidog y configurarlo lleva unos minutos.
Preguntas frecuentes
¿Flowise es gratuito y de código abierto?
Sí. Flowise es de código abierto bajo la licencia Apache 2.0, y puede ejecutarlo de forma gratuita autoalojándolo con npm o Docker. También hay una opción de nube alojada si prefiere no gestionar la infraestructura. Para configuraciones privadas o sin conexión, la ruta autoalojada mantiene todo dentro de su red.
¿Flowise usa LangChain?
Flowise conecta componentes tanto de LangChain como de LlamaIndex. Los nodos en el lienzo se asignan a conceptos familiares de esos frameworks: cadenas, agentes, almacenes vectoriales, recuperadores y motores de consulta. Obtiene los mismos bloques de construcción sin escribir el código de unión a mano.
¿Cuál es la diferencia entre un chatflow y un agentflow?
Un chatflow está diseñado para sistemas de agente único, chatbots y pipelines LLM más simples. Un agentflow es el superconjunto: maneja sistemas multi-agente y orquestación compleja con ramificación, bucles y enrutamiento. Comience con un chatflow para un asistente sencillo y pase a un agentflow cuando varios agentes necesiten coordinarse.
¿Cómo pruebo la API de un flujo de Flowise?
Llame al endpoint de predicción, POST /api/v1/prediction/{id}, con un cuerpo JSON que contenga una question. Puede hacerlo con curl, los SDK oficiales o una herramienta dedicada. En Apidog, envía la solicitud, aserción de la respuesta, simula las API de LLM y de herramientas que llama el flujo, y ejecuta todo en CI. Para los detalles de autenticación y transmisión específicos de los endpoints de LLM, consulte nuestra guía sobre cómo probar la API de ChatGPT con Apidog.
Conclusión
Flowise es el camino de bajo código para aplicaciones LLM y agentes de IA. Construye en un lienzo de nodos, elige entre chatflows, agentflows y asistentes, y envía un endpoint de predicción REST sin escribir la orquestación a mano. Es una opción sólida para prototipos y flujos legibles por el equipo, y los frameworks de código primero siguen ganando cuando se necesita un control profundo. Cualquiera que sea el camino que tome, el flujo vive o muere por las API que llama. Pruebe ese endpoint de predicción y simule las API de LLM y de herramientas que lo respaldan en Apidog, y su agente se comportará en producción de la misma manera que lo hizo en el lienzo.