Для чего: визуальный конструктор LLM-агентов и цепочек (LangChain-стиль) — собрать пайплайн мышкой и self-host.

Что это и кому

Flowise — open-source визуальный конструктор LLM-цепочек и агентов: на холсте соединяешь ноды (модель, ретривер, инструменты, память) и получаешь работающий пайплайн или чат-бота, который можно self-host и дёргать по API. Для разработчиков и продакт-инженеров, кто любит LangChain-подход, но хочет прототипировать визуально, а не писать всё кодом. Выделяется быстрым «node-канвасом» для прототипов и сильным OSS-комьюнити (★51k+).

Ключевые возможности

Визуальный node-канвас: LLM, embeddings, ретриверы, инструменты, память.
RAG-пайплайны и чат-боты по своим документам.
Агенты с инструментами и мульти-агентные потоки.
Экспорт как API/embed-виджет для встраивания.
Подключение множества моделей и векторных БД.
Self-host (npm/Docker) или облако Flowise.

Как начать за 5 минут

Запусти локально одной командой (нужен Node 18+):

npx flowise start
# открой http://localhost:3000

Создай flow, перетащи ноды (модель + ретривер + промпт), подключи API-ключ.
Протестируй чат в превью и опубликуй как API/виджет.

Когда брать, а когда нет

✅ Бери, если: хочешь быстро прототипировать LangChain-стиль цепочки/агентов мышкой.
✅ Бери, если: нужен self-host визуальный билдер с экспортом в API.
❌ Не бери → лучше «Dify», если нужна более «продуктовая» RAG-платформа с админкой и оценкой.
❌ Не бери → лучше код напрямую (LangChain/LlamaIndex), если логика сложная и нужен полный контроль.

Цена по-честному

Сам Flowise бесплатен (open-source, self-host); платишь за токены моделей и инфраструктуру. Есть облачный тариф с подпиской. Точные суммы — у провайдера, меняются.

Подводные камни

Для продакшена нужны свои DevOps: обновления, бэкапы, мониторинг.
Сложную логику на канвасе вести тяжелее, чем в коде — на росте проект «разрастается».
Качество RAG упирается в подготовку данных и настройку ретривера.
Токены моделей платные; «бесплатна» только платформа.

🤖 Промт-ускоритель

«Я собираю в Flowise <чат-бота по документам / агента с инструментами> для <задача>. Помоги спроектировать flow: какие ноды и в каком порядке (loader → embeddings → vector store → retriever → LLM → промпт), какую векторную БД и модель выбрать, и системный промпт, чтобы бот отвечал по источникам. Дай чек-лист тестов перед экспортом в API.»