Intermedio 12 minNo-code

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

Flowise: construir agentes de IA arrastrando y soltando 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 Marie L.·Actualización 2026-09-17·Probado en Windows, macOS y Linux

#¿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

El kit completo para crear tu propio copiloto de IA.

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.
i
Qué modelo elegir para los agentes
Los agentes Flowise se basan en las llamadas a herramientas: el modelo debe decidir cuándo llamar a una herramienta. Los modelos de 3B suelen ser incapaces de hacerlo de forma fiable. Busca al menos un modelo reciente de 7-8B, idealmente uno entrenado explícitamente para llamadas a funciones.

#Instalar Flowise

Dos métodos. La forma más rápida de probarlo es npx; para un uso duradero con datos persistentes, prefiere Docker.

Instalación rápida mediante npm
# Lancement direct, sans installation permanente
npx flowise start

# Ou installation globale puis démarrage
npm install -g flowise
flowise start
Instalación mediante Docker (recomendado)
docker run -d \
  --name flowise \
  -p 3000:3000 \
  --add-host=host.docker.internal:host-gateway \
  -v ~/.flowise:/root/.flowise \
  flowiseai/flowise

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.

→
Proteger el acceso desde el principio
Por defecto, la interfaz está abierta. Añade « -e FLOWISE_USERNAME=admin -e FLOWISE_PASSWORD=motdepasse » al comando de Docker para proteger el acceso con credenciales, especialmente si la máquina es accesible desde la red.

#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.

  1. 01
    Añadir el nodo ChatOllama
    En el lienzo, abre el panel de nodos, categoría «Chat Models», y arrastra «ChatOllama» a la zona de trabajo.
  2. 02
    Indicar la URL base
    Si 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.
  3. 03
    Elegir el modelo
    En el campo «Model Name», introduce el nombre exacto del modelo cargado en Ollama, por ejemplo «qwen3.5:8b» o «mistral-small».
  4. 04
    Ajustar los parámetros
    Ajusta 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.
!
El error « fetch failed » en Docker
Nueve veces de cada diez, el error «fetch failed» o «ECONNREFUSED» que devuelve un chatflow se debe a una URL con localhost dentro de un contenedor. Sustitúyela por host.docker.internal:11434 y verifica que el comando Docker incluya --add-host=host.docker.internal:host-gateway en Linux.

#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.

  1. 01
    Crear un nuevo Chatflow
    Desde la pantalla de inicio, haz clic en «Add New» en la pestaña Chatflows. Se abre un lienzo en blanco.
  2. 02
    Colocar los tres nodos básicos
    Arrastra « ChatOllama », « Buffer Memory » y « Conversation Chain » al canvas.
  3. 03
    Establecer las conexiones
    Conecta 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.
  4. 04
    Personalizar el prompt del sistema
    En Conversation Chain, abre el campo System Message y asigna un rol: «Eres un asistente técnico conciso que responde en francés».
  5. 05
    Probar en el chat integrado
    Haz 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.
→
Guarde antes de probar
Flowise solo ejecuta un chatflow si está guardado. Dale un nombre y haz clic en el icono de guardado (disquete) antes de abrir el chat; de lo contrario, tus últimas modificaciones no se tendrán en cuenta.

#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.

  1. 01
    Cargar los documentos
    Añade un nodo «Document Loader» adecuado a tu fuente: PDF File, Text File o Folder. Este nodo lee el contenido sin procesar.
  2. 02
    Dividir en chunks
    Conecta 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.
  3. 03
    Generar los embeddings
    Añade un nodo « Ollama Embeddings » con el modelo « nomic-embed-text » y la misma URL base que ChatOllama.
  4. 04
    Indexar en un almacén vectorial
    Arrastra un « In-Memory Vector Store » (sencillo, para empezar) o « Chroma » para la persistencia. Conecta el splitter y los embeddings a él.
  5. 05
    Conectar un nodo Retrieval QA Chain
    Conecta 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.
  6. 06
    Consultar tus documentos
    Guarda, abre el chat y haz una pregunta cuya respuesta esté en tus archivos. El modelo ahora cita tu contenido.
Obtener los modelos necesarios para RAG
ollama pull qwen3.5:8b
ollama pull nomic-embed-text
i
En memoria frente a Chroma
El almacén vectorial en memoria es ideal para crear prototipos: es rápido de conectar, pero se vacía con cada reinicio y vuelve a indexar los documentos cada vez. En cuanto el corpus crezca o deba conservarse entre reinicios, pasa a Chroma o Qdrant para volver a indexar solo una vez.

#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.

Llamar al chatflow mediante cURL
curl http://localhost:3000/api/v1/prediction/<CHATFLOW_ID> \
  -H "Content-Type: application/json" \
  -d '{"question": "Résume la politique de retour en une phrase."}'

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).

Widget integrable para pegar en tu página
<script type="module">
  import Chatbot from 'https://cdn.jsdelivr.net/npm/flowise-embed/dist/web.js'
  Chatbot.init({
    chatflowid: '<CHATFLOW_ID>',
    apiHost: 'http://localhost:3000',
  })
</script>
!
No expongas localhost en producción
El apiHost en http://localhost:3000 solo funciona en tu máquina. Para un sitio público, Flowise debe ejecutarse en un servidor accesible (detrás de un proxy inverso HTTPS) y el apiHost debe apuntar a ese dominio. Activa también una clave de API en el chatflow para evitar que cualquiera llame a tu modelo.

#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.


¿Esta guía te ha ayudado?

¿Un comentario, un error, una precisión? Avísanos, eso mejora la guía para todos.