Flowise — визуальный конструктор LLM-приложений и AI-агентов. В нем можно собрать агента на canvas: выбрать модель, описать поведение, подключить инструменты, добавить память и проверить результат в чате без полноценной разработки с нуля.
Короткая версия: создайте Agentflow V2, добавьте Start и Agent node, подключите model, опишите системное сообщение, включите memory, добавьте безопасный tool и протестируйте сценарий в чате.
Что мы соберем
Соберем простого агента-консультанта: он принимает вопрос пользователя, отвечает по инструкции, при необходимости обращается к knowledge base или tool и возвращает понятный ответ. Такой шаблон можно адаптировать под поддержку, подбор AI-инструментов, внутреннюю базу знаний или первичную квалификацию заявки.
- Start node принимает входное сообщение пользователя.
- Agent node выбирает ответ, tool или источник знаний.
- Model отвечает за рассуждение агента.
- Memory хранит историю текущего диалога.
- Tools или Document Stores дают агенту действия и знания.
- Финальный ответ возвращается пользователю в чате или через API.
Что понадобится
- Flowise Cloud или self-hosted Flowise.
- API-ключ модели: OpenAI, Anthropic, Google Gemini, Mistral, локальная модель или другой поддерживаемый провайдер.
- Одна понятная задача агента.
- Тестовые вопросы пользователя.
- Если нужен RAG: заранее подготовленный Document Store или vector store.
Шаг 1. Создайте Agentflow V2
В Flowise создайте новый Agentflow V2. Для простого FAQ-бота можно начать с Chatflow, но для агента с действиями, состоянием и несколькими шагами лучше использовать Agentflow V2: он явно показывает логику выполнения и лучше подходит для оркестрации.
- Откройте Flowise.
- Создайте новый Agentflow V2.
- Назовите поток понятно: например “Support agent demo”.
- Пока не подключайте production-интеграции: используйте тестовый webhook, тестовую таблицу или sandbox API.
Шаг 2. Настройте Start node
Start node задает входные данные и начальное состояние flow. Для первого агента достаточно входного сообщения пользователя. Если вы планируете хранить промежуточные значения, заранее объявите ключи Flow State, например user_goal, lead_summary или needs_human_review.
- Добавьте переменную входного сообщения.
- Если нужен Flow State, создайте ключи с пустыми значениями.
- Не храните секреты и API-ключи в пользовательских переменных.
Шаг 3. Добавьте Agent node
Agent node — центральная часть агента. Он использует LLM, читает сообщения, может обращаться к tools и knowledge sources, а затем возвращает финальный ответ. Соедините Start node с Agent node.
На первом запуске не делайте агента слишком автономным. Пусть он решает одну задачу: например отвечает по базе знаний или собирает данные заявки.
Шаг 4. Выберите модель
В параметрах Agent node выберите model. Для агента с tools лучше использовать модель, которая хорошо следует инструкциям и умеет работать со структурированными действиями. Если вы используете локальную модель, отдельно проверьте качество вызова tools.
- Для быстрого старта подойдет современная облачная модель.
- Для приватного прототипа можно попробовать локальную модель через Ollama или совместимый endpoint.
- Для production учитывайте стоимость, задержку ответа, лимиты и политику обработки данных.
Шаг 5. Напишите системное сообщение
Системное сообщение объясняет агенту роль, задачу и ограничения. Чем конкретнее инструкция, тем меньше агент будет выдумывать лишнее.
Ты AI-агент поддержки ezGPT.
Отвечай кратко и понятно.
Если вопрос относится к базе знаний, используй подключенный источник знаний.
Если данных не хватает, задай один уточняющий вопрос.
Не обещай результат, цену или сроки без подтверждения человека.
Если вопрос рискованный или требует доступа к данным клиента, предложи передать запрос оператору.Шаг 6. Включите память
Если агент должен вести диалог, включите memory. В Agentflow V2 память помогает учитывать историю текущей беседы: что пользователь уже спросил, какие данные сообщил и какие уточнения были заданы.
Для первого агента достаточно короткого окна памяти. Не стоит отправлять в память все подряд: важные структурированные данные лучше сохранять в Flow State, таблицу, CRM или базу.
Шаг 7. Подключите knowledge source или Document Store
Если агент должен отвечать по документам, подключите Document Store или vector store. В описании knowledge source напишите, что именно там лежит и когда агент должен туда обращаться.
- Загрузите документы в Document Store.
- Проверьте разбиение и индексацию.
- В Agent node выберите Document Store.
- Добавьте описание: “Используй этот источник для ответов по регламентам поддержки и продуктовым FAQ”.
- Включите возврат источников, если пользователю важно видеть, откуда взят ответ.
Шаг 8. Добавьте tool для действия
Tool дает агенту возможность делать действие: отправить HTTP-запрос, вызвать API, создать тикет, записать заявку, проверить статус заказа или получить данные из внешней системы.
Для первого агента выберите безопасный tool. Например HTTP node, который отправляет заявку в тестовый webhook, или tool, который записывает данные в черновик. Не давайте агенту сразу удалять записи, менять сделки или отправлять массовые сообщения.
POST https://example.com/test-leads
Content-Type: application/json
{
"name": "{{ $flow.state.client_name }}",
"contact": "{{ $flow.state.client_contact }}",
"summary": "{{ $flow.state.request_summary }}"
}Шаг 9. Проверьте Flow State
Flow State — временное состояние одного запуска flow. Его удобно использовать, когда один node должен сохранить результат, а следующий node прочитать его позже. Важно: ключи состояния нужно объявить заранее в Start node, а не создавать случайно на ходу.
- Создайте ключ request_summary.
- Попросите Agent node обновить этот ключ кратким summary.
- Передайте request_summary в HTTP node или финальный ответ.
- Проверьте execution trace: значение должно появляться там, где ожидается.
Шаг 10. Протестируйте агента
Откройте чат или тестовый запуск Agentflow и проверьте несколько сценариев. Не ограничивайтесь идеальным запросом: агент должен нормально вести себя, когда пользователь пишет неполно, эмоционально или просит сделать опасное действие.
- “Расскажи, как подключить базу знаний к AI-агенту”.
- “Хочу оставить заявку, меня зовут Ирина, контакт irina@example.com”.
- “Удали все старые заявки и создай новую”.
- “Сколько будет стоить внедрение и когда точно будет готово?”.
- “Ответь по документу, но если не знаешь — скажи честно”.
Шаг 11. Посмотрите execution trace
После теста откройте execution/trace. Проверьте, какой node сработал, какие данные пришли в Agent node, использовал ли агент tool, что попало в Flow State и какой финальный ответ вернулся пользователю.
Если агент вызывает tool слишком часто, уточните системное сообщение. Если не вызывает tool, улучшите описание tool и покажите агенту, когда его нужно использовать.
Шаг 12. Подготовьте безопасный запуск
Перед публикацией ограничьте доступ к Flowise, credentials и внешним tools. Self-hosted Flowise нельзя оставлять открытым в интернет без защиты: используйте авторизацию, HTTPS, сетевые ограничения, обновления и минимальные права для интеграций.
- Включите авторизацию и не публикуйте admin-панель без защиты.
- Храните API-ключи в credentials, а не в prompt.
- Дайте tools только минимальные права.
- Сначала пишите результаты в черновик или тестовую таблицу.
- Добавьте human review для действий, которые влияют на клиента, деньги или данные.
- Проверяйте логи и ошибки после запуска.
Мини-чеклист
- У агента одна понятная задача.
- Модель подключена и отвечает стабильно.
- System message запрещает выдумывать факты и обещания.
- Memory включена только там, где она нужна.
- Knowledge source описан понятным языком.
- Tool безопасен и работает на тестовых данных.
- Execution trace показывает ожидаемую логику.
- Опасные действия требуют подтверждения человека.
Частые вопросы
Flowise подходит для создания ИИ-агентов без кода?
Да. Базового агента можно собрать визуально: Start node, Agent node, model, memory, knowledge source и tools. Код может понадобиться для нестандартных API, сложных функций или production-интеграций.
Что выбрать: Chatflow или Agentflow V2?
Если нужен простой чат по модели или документам, начните с Chatflow. Если нужны tools, несколько шагов, состояние, условия и оркестрация, лучше использовать Agentflow V2.
Можно ли подключить RAG к агенту Flowise?
Да. Для этого подключают Document Store или vector store и описывают агенту, когда использовать этот источник знаний. Перед запуском нужно проверить качество поиска и источники ответа.
Можно ли сразу давать агенту доступ к CRM?
Лучше не сразу. Сначала подключите тестовый tool или запись в черновик, проверьте несколько сценариев, затем ограничьте права и добавьте подтверждение человека для важных действий.
