Jika Anda ingin membangun aplikasi LLM atau agen AI tanpa perlu menyambungkan setiap komponen dalam Python, Flowise menyediakan kanvas visual sebagai gantinya. Ini adalah alat sumber terbuka, rendah kode (low-code) di mana Anda menyeret node, menyambungkannya, dan mendapatkan alur kerja AI yang berfungsi dengan titik akhir API pada akhirnya. Panduan ini menjelaskan apa itu Flowise, bagaimana perbedaan antara chatflow dan agentflow-nya, cara Anda menerapkannya, dan cara Anda menguji titik akhir prediksi serta API yang dipanggil oleh alur Anda. Jika Anda telah membaca penjelasan kami tentang LangGraph, Flowise berada di ujung spektrum yang berlawanan: visual-first alih-alih code-first. Anda dapat membaca README proyek di GitHub untuk sumbernya.
Apa Itu Flowise
Flowise adalah platform pengembangan AI generatif sumber terbuka untuk membangun agen AI dan alur kerja LLM. Ini dirilis di bawah lisensi Apache 2.0, sehingga Anda dapat menjalankannya secara lokal, meng-host sendiri, atau mem-fork-nya.
Ide intinya adalah kanvas berbasis node. Setiap node adalah blok bangunan: model obrolan, penyimpanan vektor, pemuat dokumen, modul memori, retriever, alat. Anda menyeretnya ke kanvas, membuat koneksi di antara mereka, dan koneksi tersebut mendefinisikan bagaimana data mengalir. Setelah alur selesai, Flowise mengeksposnya sebagai REST API yang dapat Anda panggil dari aplikasi apa pun.
Secara internal, Flowise menghubungkan komponen-komponen dari kerangka kerja seperti LangChain dan LlamaIndex. Jadi abstraksinya akan terasa familiar jika Anda pernah menggunakan salah satunya: chains, agents, vector stores, query engines. Perbedaannya adalah Anda merakitnya dengan mengklik dan menghubungkan alih-alih mengimpor kelas dan memanggil konstruktor. Itulah keuntungan yang ditawarkan Flowise. Anda melepaskan sebagian kontrol yang sangat detail dan Anda mendapatkan kecepatan serta model visual bersama yang dapat dibaca oleh seluruh tim Anda.
Chatflow, Agentflow, dan Asisten
Flowise memberi Anda tiga jenis pembangun, dan memilih yang tepat itu penting.
| Jenis Pembangun | Terbaik untuk | Cakupan |
|---|---|---|
| Asisten | Pemula; asisten obrolan yang mengikuti instruksi, menggunakan alat, dan melakukan RAG pada file yang diunggah | Tersแคะ, paling terpandu |
| Chatflow | Sistem agen tunggal, chatbot, alur LLM yang lebih sederhana; mendukung Graph RAG dan rerankers | Agen tunggal |
| Agentflow | Sistem multi-agen dan orkestrasi kompleks dengan percabangan, perulangan, dan perutean | Terluas; superset dari Chatflow dan Asisten |
Chatflow adalah alur Flowise klasik. Anda membangun satu pipeline logis: mengambil pertanyaan, mengambil konteks, memanggil model, mengembalikan jawaban. Ini menangani chatbot agen tunggal dan RAG dengan baik.
Agentflow adalah kanvas yang lebih besar. Flowise memposisikannya sebagai superset dari chatflow dan asisten. Di sinilah Anda membangun sistem multi-agen, merutekan antar cabang, melakukan perulangan, dan menjalankan orkestrasi alur kerja yang lebih kompleks. Jika desain Anda memiliki beberapa agen yang saling menyerahkan pekerjaan, agentflow adalah lapisan yang Anda inginkan.
Asisten adalah opsi yang paling terpandu. Anda memberinya instruksi, melampirkan alat, dan mengarahkannya ke file untuk pengambilan. Ini adalah cara tercepat untuk mendapatkan sesuatu yang berguna tanpa memikirkan struktur graf.
Bagaimana Alur Terbentuk di Kanvas
Membangun di Flowise terlihat seperti ini. Anda memulai chatflow, lalu menambahkan node dari panel kiri.
- Jatuhkan node model obrolan dan pilih penyedia (OpenAI, Anthropic, model lokal, dan sebagainya).
- Tambahkan pemuat dokumen dan penyimpanan vektor jika Anda membutuhkan pengambilan (retrieval).
- Tambahkan node memori agar alur mengingat percakapan.
- Hubungkan output ke input agar konteks mengalir ke model.
- Simpan, lalu buka panel obrolan untuk mengujinya secara langsung.
Editor visual mendukung ekspresi, node kode khusus, percabangan, perulangan, dan logika perutean. Jadi, Anda tidak terbatas. Ketika node tidak ada untuk kasus Anda, Anda menulis node fungsi khusus kecil dan menjaga sisanya tetap visual.
Menerapkan Flowise dan Titik Akhir Prediksi REST
Flowise berjalan sebagai aplikasi Node di port 3000 secara default. Cara tercepat untuk memulai adalah npm:
npm install -g flowise
npx flowise start
# open http://localhost:3000
Untuk penerapan yang dapat diulang, gunakan Docker:
docker run -d --name flowise -p 3000:3000 flowiseai/flowise
Flowise juga mendukung penerapan yang di-host sendiri dan terisolasi, yang penting jika data Anda tidak dapat meninggalkan jaringan Anda.
Setelah alur disimpan, Flowise mengubahnya menjadi REST API. Dokumentasi prediksi resmi mencakup format permintaan lengkap. Setiap chatflow dan agentflow mendapatkan titik akhir prediksinya sendiri:
POST /api/v1/prediction/{id}
{id} adalah ID alur. Anda mengirimkan body JSON dengan setidaknya satu field question, dan Anda akan mendapatkan respons alur kembali. Panggilan minimal terlihat seperti ini:
curl -X POST http://localhost:3000/api/v1/prediction/<flow-id> \
-H "Content-Type: application/json" \
-d '{"question": "What are your store hours?"}'
Body permintaan mendukung lebih dari sekadar pertanyaan. Anda dapat meneruskan streaming untuk mengalirkan token kembali, overrideConfig untuk mengubah pengaturan alur per permintaan, history untuk menanamkan giliran sebelumnya, dan uploads untuk gambar atau audio. Saat streaming aktif, Flowise mengeluarkan event seperti start, token, dan metadata, lalu event end terakhir. Flowise juga menyediakan SDK Python dan TypeScript resmi yang membungkus titik akhir ini.
Titik akhir tunggal itu adalah kontrak antara Flowise dan sisa tumpukan teknologi Anda. Frontend Anda, backend Anda, layanan lain Anda semuanya berkomunikasi dengan alur melaluinya. Itulah mengapa sangat penting untuk mengujinya dengan cermat.
Kapan Low-Code Cocok, dan Kapan Code-First Unggul
Flowise sangat cocok ketika Anda menginginkan kecepatan, model visual bersama, dan iterasi cepat. Prototipe, chatbot internal, asisten RAG di atas kumpulan dokumen, dan demo semuanya dapat dibuat dengan cepat. Non-insinyur dalam tim dapat membaca kanvas dan memahami apa yang dilakukan agen, sesuatu yang sulit didapat dari file Python.
Kerangka kerja code-first unggul ketika Anda membutuhkan kontrol ketat. Jika Anda melakukan versioning logika agen di Git dengan diff lengkap, menulis unit test yang padat di setiap langkah, atau membangun state machine yang tidak biasa, pustaka seperti LangGraph atau Google Agent Development Kit memberi Anda lebih banyak ruang. Hal yang sama berlaku untuk OpenAI Agents SDK ketika agen Anda mengandalkan panggilan alat kustom. Banyak tim menggunakan keduanya: membuat prototipe di Flowise, lalu memindahkan desain yang terbukti ke kode setelah persyaratan stabil.
Pembacaan yang jujur adalah ini bukanlah biner. Flowise memiliki akses API, CLI, dan SDK, ditambah fitur pelacakan, evaluasi, dan human-in-the-loop, sehingga skalanya lebih jauh dari sekadar mainan. Namun, semakin logika Anda menyerupai perangkat lunak sungguhan, semakin banyak tumpukan code-first memberi Anda keuntungan.
Menguji Titik Akhir Prediksi dan API yang Dipanggil Alur Anda
Agen yang dibangun di Flowise hanya seandal API di baliknya. Alur memanggil API LLM, dan biasanya juga memanggil alat eksternal atau REST API. Bagian-bagian itulah yang gagal dalam produksi, dan itulah yang dapat Anda uji di Apidog.
Mulai dengan titik akhir prediksi itu sendiri. Perlakukan POST /api/v1/prediction/{id} seperti titik akhir REST lainnya. Di Apidog, Anda mengatur URL, mengirimkan payload question, dan menulis asertasi API yang memeriksa bentuk respons dan field kunci. Jalankan itu sebagai pengujian otomatis sehingga perubahan alur yang melanggar kontrak dapat terdeteksi sebelum aplikasi Anda melakukannya.
Kemudian uji API yang mendasari yang diandalkan oleh alur Anda. Penyedia LLM dan setiap titik akhir alat dapat diakses secara langsung. Jika Anda ingin mengembangkan terhadap LLM tanpa menghabiskan token atau melampaui batas laju, arahkan alur ke mock API yang mengembalikan respons yang sudah disiapkan dan realistis. Trik yang sama berlaku untuk API alat pihak ketiga yang tidak stabil: mock itu, pastikan alur Anda menangani bentuknya, dan jaga suite pengujian Anda tetap deterministik. Ada panduan lengkapnya di panduan alat uji agen AI kami.
Apidog juga menangani bagian yang membosankan namun penting. Anda menyimpan kunci penyedia per lingkungan, sehingga alur dev Anda menggunakan kunci uji dan produksi menggunakan kunci sebenarnya tanpa perubahan kode. Untuk mengunduh Apidog dan menyiapkannya hanya membutuhkan beberapa menit.
Pertanyaan yang Sering Diajukan
Apakah Flowise gratis dan sumber terbuka?
Ya. Flowise adalah sumber terbuka di bawah lisensi Apache 2.0, dan Anda dapat menjalankannya secara gratis dengan meng-host sendiri menggunakan npm atau Docker. Ada juga opsi cloud yang di-host jika Anda tidak ingin mengelola infrastruktur. Untuk pengaturan pribadi atau terisolasi, rute self-hosted menjaga semuanya tetap di dalam jaringan Anda.
Apakah Flowise menggunakan LangChain?
Flowise menghubungkan komponen dari LangChain dan LlamaIndex. Node-node pada kanvas memetakan ke konsep-konsep familiar dari kerangka kerja tersebut: chains, agents, vector stores, retrievers, dan query engines. Anda mendapatkan blok bangunan yang sama tanpa perlu menulis kode penghubung secara manual.
Apa Perbedaan antara Chatflow dan Agentflow?
Chatflow dibangun untuk sistem agen tunggal, chatbot, dan pipeline LLM yang lebih sederhana. Agentflow adalah superset: ia menangani sistem multi-agen dan orkestrasi kompleks dengan percabangan, perulangan, dan perutean. Mulailah dengan chatflow untuk asisten yang sederhana, dan beralihlah ke agentflow ketika beberapa agen perlu berkoordinasi.
Bagaimana Cara Menguji API Alur Flowise?
Panggil titik akhir prediksi, POST /api/v1/prediction/{id}, dengan body JSON yang berisi question. Anda dapat melakukannya dengan curl, SDK resmi, atau alat khusus. Di Apidog Anda mengirimkan permintaan, mengasertasi respons, membuat mock API LLM dan alat yang dipanggil alur, dan menjalankan semuanya di CI. Untuk detail otentikasi dan streaming khusus untuk titik akhir LLM, lihat panduan kami tentang menguji ChatGPT API dengan Apidog.
Ringkasan
Flowise adalah jalur low-code untuk aplikasi LLM dan agen AI. Anda membangun di atas kanvas node, memilih antara chatflow, agentflow, dan asisten, serta mengirimkan titik akhir prediksi REST tanpa perlu menulis orkestrasi secara manual. Ini sangat cocok untuk prototipe dan alur yang mudah dibaca tim, dan kerangka kerja code-first masih unggul ketika Anda membutuhkan kontrol mendalam. Jalur mana pun yang Anda ambil, alur hidup atau mati oleh API yang dipanggilnya. Uji titik akhir prediksi tersebut dan buat mock API LLM serta alat di baliknya di Apidog, dan agen Anda akan berperilaku sama di produksi seperti saat di kanvas.