Si vous souhaitez créer une application LLM ou un agent IA sans assembler chaque composant en Python, Flowise vous offre plutôt un canevas visuel. C'est un outil open-source et low-code où vous glissez des nœuds, les connectez, et obtenez un flux de travail IA fonctionnel avec un point de terminaison API à la fin. Ce guide explique ce qu'est Flowise, en quoi ses chatflows et agentflows diffèrent, comment le déployer, et comment tester le point de terminaison de prédiction et les API que votre flux appelle. Si vous avez lu notre explication sur LangGraph, Flowise se situe à l'extrémité opposée du spectre : visuel avant tout, plutôt que code avant tout. Vous pouvez lire le README du projet sur GitHub pour la source.
Qu'est-ce que Flowise
Flowise est une plateforme de développement d'IA générative open-source pour la création d'agents IA et de flux de travail LLM. Il est publié sous la licence Apache 2.0, vous pouvez donc l'exécuter localement, l'auto-héberger ou le forker.
L'idée centrale est un canevas basé sur des nœuds. Chaque nœud est un bloc de construction : un modèle de chat, un magasin vectoriel, un chargeur de documents, un module de mémoire, un récupérateur, un outil. Vous les faites glisser sur le canevas, tracez des connexions entre eux, et les connexions définissent comment les données circulent. Lorsque le flux est terminé, Flowise l'expose sous forme d'API REST que vous pouvez appeler depuis n'importe quelle application.
Sous le capot, Flowise connecte des composants de frameworks comme LangChain et LlamaIndex. Les abstractions vous sembleront donc familières si vous avez utilisé l'un ou l'autre : chaînes, agents, magasins vectoriels, moteurs de requête. La différence est que vous les assemblez en cliquant et en connectant plutôt qu'en important des classes et en appelant des constructeurs. C'est le compromis que Flowise propose. Vous renoncez à un contrôle précis et vous gagnez en rapidité et en un modèle visuel partagé que toute votre équipe peut lire.
Chatflows, agentflows et assistants
Flowise vous offre trois types de constructeurs, et choisir le bon est important.
| Type de constructeur | Idéal pour | Portée |
|---|---|---|
| Assistant | Débutants ; assistants de chat qui suivent des instructions, utilisent des outils et effectuent du RAG sur des fichiers téléchargés | La plus étroite, la plus guidée |
| Chatflow | Systèmes à agent unique, chatbots, flux LLM plus simples ; prend en charge le RAG graphique et les réordonnanceurs | Agent unique |
| Agentflow | Systèmes multi-agents et orchestration complexe avec branchement, bouclage et routage | La plus large ; un sur-ensemble de Chatflow et Assistant |
Un chatflow est le flux Flowise classique. Vous construisez un pipeline logique : posez une question, récupérez le contexte, appelez un modèle, renvoyez une réponse. Il gère bien les chatbots à agent unique et le RAG.
Un agentflow est le canevas plus vaste. Flowise le positionne comme un sur-ensemble de chatflow et d'assistant. C'est là que vous construisez des systèmes multi-agents, acheminez entre les branches, bouclez et exécutez une orchestration de flux de travail plus complexe. Si votre conception comporte plusieurs agents se transmettant le travail, l'agentflow est la couche que vous souhaitez.
L'assistant est l'option la plus guidée. Vous lui donnez des instructions, attachez des outils et le dirigez vers des fichiers pour la récupération. C'est le moyen le plus rapide d'obtenir quelque chose d'utile sans penser à la structure du graphe.
Comment un flux prend forme sur le canevas
La construction dans Flowise ressemble à ceci. Vous démarrez un chatflow, puis ajoutez des nœuds depuis le panneau de gauche.
- Déposez un nœud de modèle de chat et choisissez un fournisseur (OpenAI, Anthropic, un modèle local, etc.).
- Ajoutez un chargeur de documents et un magasin vectoriel si vous avez besoin de récupération.
- Ajoutez un nœud de mémoire afin que le flux se souvienne de la conversation.
- Connectez les sorties aux entrées afin que le contexte circule dans le modèle.
- Enregistrez, puis ouvrez le panneau de discussion pour le tester en direct.
L'éditeur visuel prend en charge les expressions, les nœuds de code personnalisés, le branchement, le bouclage et la logique de routage. Vous n'êtes donc pas limité. Lorsqu'un nœud n'existe pas pour votre cas, vous écrivez un petit nœud de fonction personnalisée et gardez le reste visuel.
Déploiement de Flowise et du point de terminaison de prédiction REST
Flowise s'exécute par défaut comme une application Node sur le port 3000. Le démarrage le plus rapide est npm :
npm install -g flowise
npx flowise start
# open http://localhost:3000
Pour un déploiement reproductible, utilisez Docker :
docker run -d --name flowise -p 3000:3000 flowiseai/flowise
Flowise prend également en charge les déploiements auto-hébergés et en réseau isolé (air-gapped), ce qui est important si vos données ne peuvent pas quitter votre réseau.
Une fois qu'un flux est enregistré, Flowise le transforme en une API REST. La documentation officielle des prédictions couvre le format complet de la requête. Chaque chatflow et agentflow obtient son propre point de terminaison de prédiction :
POST /api/v1/prediction/{id}
L'{id} est l'ID du flux. Vous envoyez un corps JSON avec au moins un champ question, et vous recevez la réponse du flux. Un appel minimal ressemble à ceci :
curl -X POST http://localhost:3000/api/v1/prediction/<flow-id> \
-H "Content-Type: application/json" \
-d '{"question": "What are your store hours?"}'
Le corps de la requête prend en charge plus que la question. Vous pouvez passer streaming pour diffuser des jetons en retour, overrideConfig pour modifier les paramètres de flux par requête, history pour initialiser les tours précédents, et uploads pour les images ou l'audio. Lorsque le streaming est activé, Flowise émet des événements tels que start, token et metadata, puis un événement final end. Flowise fournit également des SDK Python et TypeScript officiels qui encapsulent ce point de terminaison.
Ce point de terminaison unique est le contrat entre Flowise et le reste de votre pile technologique. Votre frontend, votre backend, vos autres services communiquent tous avec le flux via celui-ci. C'est précisément pourquoi il vaut la peine de le tester avec soin.
Quand le low-code convient, et quand le code-first l'emporte
Flowise est un bon choix lorsque vous recherchez la rapidité, un modèle visuel partagé et une itération rapide. Les prototypes, les chatbots internes, les assistants RAG sur un ensemble de documents et les démonstrations se réalisent tous rapidement. Les non-ingénieurs de l'équipe peuvent lire le canevas et comprendre ce que fait l'agent, ce qui est difficile à obtenir à partir d'un fichier Python.
Les frameworks "code-first" prennent l'avantage lorsque vous avez besoin d'un contrôle précis. Si vous versionnez la logique de l'agent dans Git avec des diffs complets, écrivez des tests unitaires denses autour de chaque étape, ou construisez des machines à états inhabituelles, une bibliothèque comme LangGraph ou le Google Agent Development Kit vous offre plus de flexibilité. Il en va de même pour le SDK OpenAI Agents lorsque vos agents s'appuient sur des appels d'outils personnalisés. De nombreuses équipes utilisent les deux : prototypent dans Flowise, puis portent la conception éprouvée en code une fois que les exigences sont stabilisées.
La lecture honnête est que ce n'est pas un binaire. Flowise dispose d'un accès API, CLI et SDK, ainsi que de fonctionnalités de traçage, d'évaluation et d'humain dans la boucle, ce qui lui permet d'évoluer au-delà d'un simple jouet. Mais plus votre logique ressemble à un vrai logiciel, plus une pile "code-first" vous récompense.
Tester le point de terminaison de prédiction et les API que votre flux appelle
Un agent construit avec Flowise n'est aussi fiable que les API qui le sous-tendent. Le flux appelle une API LLM, et il appelle généralement aussi des outils externes ou des API REST. Ce sont les parties qui échouent en production, et ce sont exactement ce que vous pouvez tester dans Apidog.
Commencez par le point de terminaison de prédiction lui-même. Traitez POST /api/v1/prediction/{id} comme n'importe quel autre point de terminaison REST. Dans Apidog, vous définissez l'URL, envoyez une charge utile question, et écrivez des assertions API qui vérifient la forme de la réponse et les champs clés. Exécutez cela comme un test automatisé afin qu'une modification du flux qui rompt le contrat soit détectée avant que votre application ne le soit.
Ensuite, testez les API sous-jacentes dont votre flux dépend. Le fournisseur LLM et chaque point de terminaison d'outil peuvent être appelés directement. Si vous souhaitez développer contre le LLM sans consommer de jetons ni dépasser les limites de débit, dirigez le flux vers une API simulée qui renvoie des réponses préenregistrées et réalistes. Le même astuce fonctionne pour une API d'outil tiers instable : simulez-la, assurez-vous que votre flux gère la forme, et maintenez votre suite de tests déterministe. Vous trouverez une explication plus complète dans notre guide de harnais de test d'agent IA.
Apidog gère également les parties ennuyeuses mais critiques. Vous stockez les clés de fournisseur par environnement, de sorte que votre flux de développement utilise une clé de test et que la production utilise la vraie sans modifications de code. Pour télécharger Apidog et le configurer, cela prend quelques minutes.
Questions fréquemment posées
Flowise est-il gratuit et open-source ?
Oui. Flowise est open-source sous la licence Apache 2.0, et vous pouvez l'exécuter gratuitement en l'auto-hébergeant avec npm ou Docker. Il existe également une option cloud hébergée si vous préférez ne pas gérer l'infrastructure. Pour les configurations privées ou isolées, la voie de l'auto-hébergement maintient tout à l'intérieur de votre réseau.
Flowise utilise-t-il LangChain ?
Flowise connecte des composants de LangChain et de LlamaIndex. Les nœuds sur le canevas correspondent à des concepts familiers de ces frameworks : chaînes, agents, magasins vectoriels, récupérateurs et moteurs de requête. Vous obtenez les mêmes blocs de construction sans écrire le code de liaison à la main.
Quelle est la différence entre un chatflow et un agentflow ?
Un chatflow est conçu pour les systèmes à agent unique, les chatbots et les pipelines LLM plus simples. Un agentflow est le sur-ensemble : il gère les systèmes multi-agents et l'orchestration complexe avec branchement, bouclage et routage. Commencez par un chatflow pour un assistant simple, et passez à un agentflow lorsque plusieurs agents doivent se coordonner.
Comment tester l'API d'un flux Flowise ?
Appelez le point de terminaison de prédiction, POST /api/v1/prediction/{id}, avec un corps JSON contenant une question. Vous pouvez le faire avec curl, les SDK officiels ou un outil dédié. Dans Apidog, vous envoyez la requête, affirmez la réponse, simulez les API LLM et d'outils que le flux appelle, et exécutez tout cela en CI. Pour les détails d'authentification et de streaming spécifiques aux points de terminaison LLM, consultez notre guide sur le test de l'API ChatGPT avec Apidog.
En résumé
Flowise est la voie low-code vers les applications LLM et les agents IA. Vous construisez sur un canevas de nœuds, choisissez entre les chatflows, agentflows et assistants, et déployez un point de terminaison de prédiction REST sans écrire l'orchestration à la main. C'est un excellent choix pour les prototypes et les flux lisibles par l'équipe, et les frameworks "code-first" l'emportent toujours lorsque vous avez besoin d'un contrôle approfondi. Quel que soit le chemin que vous empruntez, le flux dépend des API qu'il appelle. Testez ce point de terminaison de prédiction et simulez les API LLM et d'outils derrière lui dans Apidog, et votre agent se comportera de la même manière en production que sur le canevas.