Se você deseja criar um aplicativo LLM ou um agente de IA sem conectar cada componente em Python, o Flowise oferece uma tela visual. É uma ferramenta de código aberto e low-code onde você arrasta nós, conecta-os e obtém um fluxo de trabalho de IA funcional com um endpoint de API no final. Este guia explica o que é o Flowise, como seus chatflows e agentflows diferem, como você o implanta e como você testa o endpoint de previsão e as APIs que seu fluxo chama. Se você leu nossa explicação sobre LangGraph, o Flowise está no lado oposto do espectro: visual-first em vez de code-first. Você pode ler o README do projeto no GitHub para o código-fonte.
O que é o Flowise
Flowise é uma plataforma de desenvolvimento de IA generativa de código aberto para construir agentes de IA e fluxos de trabalho LLM. É lançado sob a licença Apache 2.0, então você pode executá-lo localmente, hospedá-lo por conta própria ou fazer um fork.
A ideia central é uma tela baseada em nós. Cada nó é um bloco de construção: um modelo de chat, um armazenamento de vetores, um carregador de documentos, um módulo de memória, um retriever, uma ferramenta. Você os arrasta para a tela, traça conexões entre eles, e as conexões definem como os dados fluem. Quando o fluxo está pronto, o Flowise o expõe como uma API REST que você pode chamar de qualquer aplicativo.
Nos bastidores, o Flowise conecta componentes de frameworks como LangChain e LlamaIndex. Assim, as abstrações parecerão familiares se você já usou um deles: cadeias, agentes, armazenamentos de vetores, motores de consulta. A diferença é que você os monta clicando e conectando em vez de importar classes e chamar construtores. Essa é a troca que o Flowise faz. Você abre mão de um controle mais granular e ganha velocidade e um modelo visual compartilhado que toda a sua equipe pode entender.
Chatflows, agentflows e assistentes
Flowise oferece três tipos de construtores, e escolher o certo é importante.
| Tipo de construtor | Melhor para | Escopo |
|---|---|---|
| Assistente | Iniciantes; assistentes de chat que seguem instruções, usam ferramentas e fazem RAG sobre arquivos enviados | Mais restrito, mais guiado |
| Chatflow | Sistemas de agente único, chatbots, fluxos LLM mais simples; suporta Graph RAG e rerankers | Agente único |
| Agentflow | Sistemas multiagente e orquestração complexa com ramificação, looping e roteamento | Mais amplo; um superconjunto de Chatflow e Assistente |
Um chatflow é o fluxo clássico do Flowise. Você constrói um pipeline lógico: pega uma pergunta, recupera o contexto, chama um modelo, retorna uma resposta. Ele lida bem com chatbots de agente único e RAG.
Um agentflow é a tela maior. O Flowise o posiciona como um superconjunto de chatflow e assistente. É aqui que você constrói sistemas multiagente, roteia entre ramificações, faz loops e executa orquestrações de fluxo de trabalho mais complexas. Se o seu design tiver vários agentes passando trabalho uns para os outros, agentflow é a camada que você deseja.
O assistente é a opção mais guiada. Você lhe dá instruções, anexa ferramentas e o aponta para arquivos para recuperação. É a maneira mais rápida de obter algo útil sem pensar na estrutura do grafo.
Como um fluxo se forma na tela
A construção no Flowise funciona assim. Você inicia um chatflow e depois adiciona nós do painel esquerdo.
- Arraste um nó de modelo de chat e escolha um provedor (OpenAI, Anthropic, um modelo local, e assim por diante).
- Adicione um carregador de documentos e um armazenamento de vetores se precisar de recuperação.
- Adicione um nó de memória para que o fluxo lembre a conversa.
- Conecte as saídas às entradas para que o contexto flua para o modelo.
- Salve e, em seguida, abra o painel de chat para testá-lo ao vivo.
O editor visual suporta expressões, nós de código personalizados, ramificação, looping e lógica de roteamento. Assim, você não está limitado. Quando um nó não existe para o seu caso, você escreve um pequeno nó de função personalizada e mantém o restante visual.
Implantando o Flowise e o endpoint de previsão REST
O Flowise é executado como um aplicativo Node na porta 3000 por padrão. O início mais rápido é npm:
npm install -g flowise
npx flowise start
# open http://localhost:3000
Para uma implantação repetível, use Docker:
docker run -d --name flowise -p 3000:3000 flowiseai/flowise
O Flowise também suporta implantações auto-hospedadas e air-gapped, o que é importante se seus dados não podem sair da sua rede.
Depois que um fluxo é salvo, o Flowise o transforma em uma API REST. A documentação oficial de previsão cobre o formato completo da requisição. Cada chatflow e agentflow obtém seu próprio endpoint de previsão:
POST /api/v1/prediction/{id}
O {id} é o ID do fluxo. Você envia um corpo JSON com pelo menos um campo question, e recebe a resposta do fluxo de volta. Uma chamada mínima se parece com isto:
curl -X POST http://localhost:3000/api/v1/prediction/<flow-id> \
-H "Content-Type: application/json" \
-d '{"question": "Qual é o horário de funcionamento da sua loja?"}'
O corpo da requisição suporta mais do que a pergunta. Você pode passar streaming para transmitir tokens de volta, overrideConfig para alterar as configurações do fluxo por requisição, history para semear turnos anteriores e uploads para imagens ou áudio. Quando o streaming está ativado, o Flowise emite eventos como start, token e metadata, e então um evento final end. O Flowise também oferece SDKs oficiais em Python e TypeScript que encapsulam este endpoint.
Esse único endpoint é o contrato entre o Flowise e o restante da sua stack. Seu frontend, seu backend, seus outros serviços, todos conversam com o fluxo através dele. É exatamente por isso que vale a pena testá-lo cuidadosamente.
Quando o low-code se encaixa, e quando o code-first vence
O Flowise é uma boa opção quando você busca velocidade, um modelo visual compartilhado e iteração rápida. Protótipos, chatbots internos, assistentes RAG sobre um conjunto de documentos e demonstrações são rapidamente desenvolvidos. Não-engenheiros da equipe podem ler a tela e entender o que o agente faz, o que é difícil de obter de um arquivo Python.
Frameworks code-first se destacam quando você precisa de controle rigoroso. Se você está versionando a lógica do agente no Git com diffs completos, escrevendo testes unitários densos para cada etapa, ou construindo máquinas de estado incomuns, uma biblioteca como LangGraph ou o Google Agent Development Kit oferece mais espaço. O mesmo se aplica ao OpenAI Agents SDK quando seus agentes dependem de chamadas de ferramentas personalizadas. Muitas equipes usam ambos: prototipam no Flowise e depois portam o design comprovado para código quando os requisitos se estabilizam.
A leitura honesta é que isso não é binário. O Flowise possui acesso a API, CLI e SDK, além de recursos de tracing, avaliação e human-in-the-loop, então ele escala mais do que um brinquedo. Mas quanto mais sua lógica se assemelha a um software real, mais uma stack code-first o recompensa.
Testando o endpoint de previsão e as APIs que seu fluxo chama
Um agente construído no Flowise é tão confiável quanto as APIs por trás dele. O fluxo chama uma API LLM, e geralmente também chama ferramentas externas ou APIs REST. Essas são as partes que falham em produção, e são exatamente o que você pode testar no Apidog.
Comece com o próprio endpoint de previsão. Trate POST /api/v1/prediction/{id} como qualquer outro endpoint REST. No Apidog, você define a URL, envia um payload question e escreve asserções de API que verificam o formato da resposta e os campos chave. Execute isso como um teste automatizado para que uma mudança no fluxo que quebre o contrato seja detectada antes que seu aplicativo o faça.
Em seguida, teste as APIs subjacentes das quais seu fluxo depende. O provedor LLM e cada endpoint de ferramenta podem ser acessados diretamente. Se você deseja desenvolver contra o LLM sem gastar tokens ou atingir limites de taxa, aponte o fluxo para uma API mock que retorna respostas pré-definidas e realistas. O mesmo truque funciona para uma API de ferramenta de terceiros instável: simule-a, verifique se seu fluxo lida com o formato e mantenha seu conjunto de testes determinístico. Há um guia mais completo em nosso guia de harness de teste de agente de IA.
O Apidog também lida com as partes chatas, mas críticas. Você armazena chaves de provedor por ambiente, então seu fluxo de desenvolvimento usa uma chave de teste e a produção usa a chave real sem alterações de código. Para baixar o Apidog e configurá-lo leva apenas alguns minutos.
Perguntas frequentes
O Flowise é gratuito e de código aberto?
Sim. O Flowise é de código aberto sob a licença Apache 2.0, e você pode executá-lo gratuitamente hospedando-o por conta própria com npm ou Docker. Há também uma opção de nuvem hospedada se você preferir não gerenciar a infraestrutura. Para configurações privadas ou air-gapped, a rota auto-hospedada mantém tudo dentro da sua rede.
O Flowise usa LangChain?
O Flowise conecta componentes de LangChain e LlamaIndex. Os nós na tela mapeiam para conceitos familiares desses frameworks: cadeias, agentes, armazenamentos de vetores, retrievers e motores de consulta. Você obtém os mesmos blocos de construção sem escrever o código de conexão manualmente.
Qual é a diferença entre um chatflow e um agentflow?
Um chatflow é construído para sistemas de agente único, chatbots e pipelines LLM mais simples. Um agentflow é o superconjunto: ele lida com sistemas multiagente e orquestração complexa com ramificação, looping e roteamento. Comece com um chatflow para um assistente direto e mude para um agentflow quando múltiplos agentes precisarem coordenar.
Como eu testo a API de um fluxo do Flowise?
Chame o endpoint de previsão, POST /api/v1/prediction/{id}, com um corpo JSON contendo uma question. Você pode fazer isso com curl, os SDKs oficiais ou uma ferramenta dedicada. No Apidog você envia a requisição, assere a resposta, simula as APIs LLM e de ferramentas que o fluxo chama, e executa tudo em CI. Para os detalhes de autenticação e streaming específicos de endpoints LLM, veja nosso guia sobre como testar a API do ChatGPT com o Apidog.
Conclusão
Flowise é o caminho low-code para aplicativos LLM e agentes de IA. Você constrói em uma tela de nós, escolhe entre chatflows, agentflows e assistentes, e entrega um endpoint de previsão REST sem escrever a orquestração manualmente. É uma ótima opção para protótipos e fluxos legíveis pela equipe, e frameworks code-first ainda vencem quando você precisa de controle profundo. Seja qual for o caminho que você seguir, o fluxo vive ou morre pelas APIs que ele chama. Teste esse endpoint de previsão e simule as APIs LLM e de ferramentas por trás dele no Apidog, e seu agente se comportará da mesma forma em produção como se comportou na tela.