Flowise: construir agentes de IA mediante arrastrar y soltar en Ollama

Flowise transforma la construcción de agentes LLM en un ensamblaje de bloques en un lienzo. En lugar de escribir código LangChain, arrastras nodos, trazas conexiones y haces pruebas en directo en un chat integrado. Conectado a Ollama, el combo Flowise Ollama ejecuta chatflows, agentes con herramientas y pipelines RAG íntegramente en local, sin que ninguna solicitud salga de tu máquina. Esta guía empieza por la instalación, crea un primer chatflow, añade un RAG documental y luego publica un chatbot integrable en tu sitio.
#¿Por qué Flowise?
Flowise es un constructor visual de código abierto (licencia Apache 2.0) basado en LangChain y LangGraph. Ofrece los mismos componentes —modelos, memoria, retrievers, herramientas— en forma de nodos que se conectan entre sí, lo que permite pasar de un prototipo de agente de varios cientos de líneas de Python a un grafo que se entiende de un vistazo.
Frente a Dify, la otra plataforma sin código del sitio, Flowise se orienta más a una orquestación detallada: mientras que Dify ofrece una experiencia de producto muy estructurada (apps, conjuntos de prompts, gestión de equipos), Flowise deja ver el funcionamiento interno de LangChain y resulta más adecuado cuando quieres entender y ajustar cada paso de un agente. Ambos se conectan a Ollama de la misma manera.
- 100 % local
- Combinado con Ollama, ningún token ni documento se envía a una API en la nube. Ideal para datos sensibles o un uso sin conexión.
- Iteración rápida
- El chat de prueba está integrado en el canvas: modificas un nodo y ves el efecto inmediatamente, sin tener que volver a desplegar nada.
- Exposición de la API y del widget
- Cada chatflow se convierte automáticamente en un endpoint REST y en un widget web integrable, sin escribir un backend.
- Extensible
- Marketplace de plantillas, nodos personalizados en JavaScript e integración de herramientas (búsqueda web, calculadora, llamadas HTTP).
#Prerrequisitos
Aprovecha nuestra experiencia y un recorrido guiado para crear tu copiloto local y dominar tu asistente de código.
- Espacio en línea de por vida
- PDF + archivos
- Reembolsado 30 d
Flowise es ligero: son Ollama y el modelo cargado los que consumen memoria. Prevé una máquina capaz de ejecutar cómodamente el LLM que quieres utilizar.
- Ollama instalado
- El daemon debe estar en ejecución y escuchar en http://localhost:11434 (valor predeterminado). Compruébelo con « ollama list ».
- Un modelo de chat
- Un modelo capaz de realizar llamadas a herramientas para agentes: Qwen 3.5 8B, Granite 4.2 8B o Mistral Small 24B según tu VRAM (7B ≈ 5 GB, 14B ≈ 9 GB, 24B ≈ 16 GB en Q4_K_M).
- Un modelo de embeddings
- Para RAG: «nomic-embed-text» o «mxbai-embed-large», ligeros y disponibles mediante Ollama.
- Node.js 18.15+ o Docker
- Flowise se instala mediante npm o en un contenedor. Docker está recomendado para un despliegue limpio y persistente.
#Instalar Flowise
Dos métodos. La forma más rápida de probarlo es npx; para un uso duradero con datos persistentes, prefiere Docker.
Abre luego http://localhost:3000 en tu navegador: aparecerá la interfaz del canvas. El volumen montado (~/.flowise) conserva tus chatflows y tus claves entre dos reinicios del contenedor.
#Conectar Ollama a Flowise
El nodo «ChatOllama» es el puente entre Flowise y tu daemon local. La clave es la URL base: depende de cómo se inicie Flowise.
- 01Añadir el nodo ChatOllamaEn el lienzo, abre el panel de nodos, categoría «Chat Models», y arrastra «ChatOllama» a la zona de trabajo.
- 02Indicar la URL baseSi Flowise se ejecuta de forma nativa (npx/npm), usa http://localhost:11434. Si se ejecuta en Docker, usa http://host.docker.internal:11434 — el contenedor no ve el « localhost » del host.
- 03Elegir el modeloEn el campo «Model Name», introduce el nombre exacto del modelo cargado en Ollama, por ejemplo «qwen3.5:8b» o «mistral-small».
- 04Ajustar los parámetrosAjusta Temperature (0,7 para chat, 0,1-0,3 para RAG factual) y, si es necesario, el tamaño del contexto mediante num_ctx en las opciones avanzadas.
#Los nodos esenciales de un chatflow
Un chatflow se lee de izquierda a derecha: los nodos proveedores (modelo, memoria, herramientas) alimentan un nodo «cadena» o «agente» que produce la respuesta. Estos son los pocos bloques que se repiten en casi todos los flujos.
- Chat Model (ChatOllama)
- El cerebro: el LLM que genera las respuestas. Siempre presente.
- Memory (Buffer Memory)
- Conserva el historial de la conversación para que el agente mantenga el hilo de un turno a otro.
- Prompt Template
- Define las instrucciones del sistema y el formato de la pregunta. Aquí es donde se asigna un rol y un marco al modelo.
- Chain / Agent
- El nodo terminal. «Conversation Chain» para un chat sencillo; «Tool Agent» cuando el modelo debe decidir si llamar a herramientas.
- Tools
- Capacidades externas: calculadora, búsqueda web, solicitud HTTP, lectura de archivos. Conectadas a un agente, amplían lo que puede hacer.
- Document Loaders & Vector Store
- La parte RAG: carga documentos, los divide en fragmentos, los indexa y permite consultarlos (ver más abajo).
#Crear un primer chatflow
Empecemos por lo más sencillo: un asistente conversacional con memoria, conectado a Ollama. Servirá de base para todo lo demás.
- 01Crear un nuevo ChatflowDesde la pantalla de inicio, haz clic en «Add New» en la pestaña Chatflows. Se abre un lienzo en blanco.
- 02Colocar los tres nodos básicosArrastra « ChatOllama », « Buffer Memory » y « Conversation Chain » al canvas.
- 03Establecer las conexionesConecta la salida de ChatOllama a la entrada «Chat Model» de Conversation Chain y la salida de Buffer Memory a la entrada «Memory» de la misma cadena.
- 04Personalizar el prompt del sistemaEn Conversation Chain, abre el campo System Message y asigna un rol: «Eres un asistente técnico conciso que responde en francés».
- 05Probar en el chat integradoHaz clic en el icono de chat de la esquina superior derecha, formula una pregunta y después otra que dependa de la primera para comprobar que la memoria funciona.
#Un RAG completo mediante arrastrar y soltar
El RAG (Retrieval-Augmented Generation) permite al modelo responder a partir de tus propios documentos. En Flowise, todo se hace en el canvas: se cargan los archivos, se vectorizan y se conecta el retriever a una cadena de preguntas y respuestas.
- 01Cargar los documentosAñade un nodo «Document Loader» adecuado a tu fuente: PDF File, Text File o Folder. Este nodo lee el contenido sin procesar.
- 02Dividir en chunksConecta un «Recursive Character Text Splitter» al cargador. Ajusta el tamaño de los chunks a unos 1000 caracteres, con un solapamiento de 100 caracteres para mantener el contexto entre fragmentos.
- 03Generar los embeddingsAñade un nodo « Ollama Embeddings » con el modelo « nomic-embed-text » y la misma URL base que ChatOllama.
- 04Indexar en un almacén vectorialArrastra un « In-Memory Vector Store » (sencillo, para empezar) o « Chroma » para la persistencia. Conecta el splitter y los embeddings a él.
- 05Conectar un nodo Retrieval QA ChainConecta el vector store (como retriever) y ChatOllama a un nodo «Retrieval QA Chain» o «Conversational Retrieval QA Chain» para conservar la memoria de la conversación.
- 06Consultar tus documentosGuarda, abre el chat y haz una pregunta cuya respuesta esté en tus archivos. El modelo ahora cita tu contenido.
#Publicar e integrar el chatbot
Una vez que el flujo de chat sea satisfactorio, Flowise lo expone de dos maneras sin escribir una sola línea de código de backend: una API REST y un widget web para pegar en tu sitio.
Haz clic en « API Endpoint » o en el icono </> en la esquina superior derecha del lienzo. Flowise genera la URL de predicción y ejemplos listos para copiar. El endpoint sigue siempre el mismo esquema, con el identificador único del chatflow.
Para la integración web, la pestaña «Embed» proporciona un fragmento de script que se debe colocar antes de la etiqueta de cierre </body> de tus páginas. El widget muestra una burbuja de chat flotante totalmente configurable (colores, mensaje de bienvenida, avatar).
#Solución de problemas frecuentes
- «fetch failed» en ChatOllama
- URL base incorrecta. En Docker, usa host.docker.internal:11434, no localhost. Comprueba también que Ollama esté funcionando (ollama list).
- El modelo nunca llama a las herramientas
- El LLM no admite llamadas a herramientas (tool calling) o las admite de forma deficiente. Cambia a un modelo reciente entrenado para ello (Qwen 3.5, Mistral Small) y comprueba que estés usando un «Tool Agent», no una simple cadena.
- Respuestas lentas o truncadas
- Contexto demasiado grande para la VRAM: parte del modelo pasa a ejecutarse en la CPU. Reduce num_ctx o el tamaño de los fragmentos RAG, o elige un modelo más pequeño.
- El RAG no encuentra nada relevante
- Chunks mal dimensionados o un modelo de embeddings inadecuado. Ajusta el tamaño de los chunks, aumenta el número de documentos recuperados (top-k) y verifica que la indexación se haya hecho bien.
- Los datos desaparecen al reiniciar
- En Docker sin un volumen montado, todo se pierde. Asegúrate de tener « -v ~/.flowise:/root/.flowise » y usa un almacén de vectores persistente en lugar de uno en memoria.
#Para ir más allá
Flowise no es más que una capa visual: la calidad de tus agentes depende sobre todo del modelo y de la pila subyacente. Tres guías del sitio amplían esta: instalar correctamente Ollama antes de conectar Flowise, comparar el enfoque sin código de Dify con el de Flowise y comprender los entresijos de un RAG en Python para ajustar con precisión lo que automatiza el canvas.
¿Un comentario, un error, una precisión? Avísanos, eso mejora la guía para todos.