Skip to main content
FlowiseAI est une plateforme low-code permettant de créer visuellement des applications LLM. Utilisez le nœud natif ChatCometAPI pour connecter CometAPI à des chatflows, des systèmes de questions-réponses et des workflows RAG qui appellent des modèles de chat textuel.
Ce guide couvre les workflows de chat textuel et de RAG. Il ne couvre pas les workflows de génération d’images.

​
Prérequis

​
Configurer ChatCometAPI

1

Obtenir votre clé API CometAPI

Connectez-vous à la console CometAPI. Cliquez sur Add API Key et copiez votre clé API CometAPI.
Tableau de bord CometAPI affichant le bouton Add API Key
Détails de la clé API CometAPI avec l’URL de base
2

Ajouter le nœud ChatCometAPI

  1. Dans le canevas de votre chatflow FlowiseAI, cliquez sur Add New.
Canevas FlowiseAI avec le bouton Add New
  1. Recherchez cometapi et sélectionnez le nœud ChatCometAPI.
Recherche de nœud affichant le résultat ChatCometAPI
  1. Faites-le glisser sur le canevas.
Nœud ChatCometAPI placé sur le canevas
3

Créer l’identifiant CometAPI

Dans le nœud ChatCometAPI, ouvrez Connect Credential, sélectionnez Create New, collez votre clé API CometAPI, puis enregistrez l’identifiant.
Boîte de dialogue d’identifiant avec la clé API saisie
4

Définir le chemin de base CometAPI

Développez Additional Parameters dans le nœud ChatCometAPI.Si votre version de Flowise affiche un champ Base Path, définissez-le sur :
Si elle expose plutôt Base Options, ajoutez une entrée basePath :
Définissez Model Name sur le model ID exact du modèle textuel que vous souhaitez appeler, par exemple your-model-id, et ajustez Temperature uniquement si votre workflow nécessite plus ou moins de variation.

​
Créer un chatflow basique

1

Ajouter un Prompt Template

Ajoutez un nœud Prompt Template et définissez le prompt que votre chatflow enverra au modèle.
Nœud Prompt Template avec le modèle d’exemple
Nœud Prompt Template placé sur le canvas
2

Ajouter une LLM Chain

Ajoutez un nœud LLM Chain. Connectez le nœud ChatCometAPI à l’entrée Language Model de la chaîne, puis connectez le nœud Prompt Template à l’entrée Prompt de la chaîne.
Nœud LLM Chain avec Language Model et Prompt connectés
3

Enregistrer et tester le flow

Enregistrez le chatflow, ouvrez l’aperçu du chat, puis envoyez une courte question de test. Une configuration saine renvoie une réponse textuelle normale du modèle CometAPI sélectionné.
Chatflow complet avec les trois nœuds connectés

​
Changer de model ID

Pour changer de modèle, conservez le même identifiant CometAPI et le même chemin de base, puis modifiez uniquement le champ de model ID de ChatCometAPI. Utilisez les model IDs exacts de la page des modèles CometAPI. Évitez de copier les noms d’affichage, les noms de fournisseurs ou des espaces supplémentaires. Après avoir modifié le model ID, enregistrez le chatflow et exécutez un court prompt de test. Si vous maintenez plusieurs flows de production, dupliquez d’abord le chatflow et donnez à chaque copie un nom qui reflète la famille de modèles.

​
Configurer la génération augmentée par récupération

Le RAG de Flowise comporte deux parties : d’abord préparer et insérer les documents dans les Document Stores, puis connecter le retriever préparé à un chatflow. ChatCometAPI est le modèle de chat qui rédige la réponse finale ; le Document Store a toujours besoin d’un fournisseur d’Embeddings pris en charge par Flowise et d’un vector store.
1

Créer et traiter un Document Store

Dans Flowise, ouvrez Document Stores et créez un nouveau store. Ajoutez un chargeur de documents, comme File Loader, PDF Loader, Web Scraper, ou un autre chargeur correspondant à votre source. Ajoutez un séparateur de texte lorsque le document est suffisamment long pour nécessiter un découpage en chunks, puis cliquez sur Process pour prévisualiser les chunks générés.
2

Configurer les Embeddings et le stockage vectoriel

Cliquez sur Upsert ou Upsert All Chunks. Sélectionnez :
  • Embeddings : un nœud d’Embeddings Flowise compatible avec vos données et votre vector store.
  • Vector Store : la base de données vectorielle dans laquelle Flowise doit stocker les embeddings des documents.
  • Record Manager : facultatif. Utilisez-le si vous souhaitez que les insertions répétées évitent les enregistrements en double.
Gardez la dimension du modèle d’embedding alignée avec la dimension de l’index du vector store. Une fois l’insertion terminée, utilisez le test de requête de récupération du Document Store pour confirmer que des chunks pertinents sont renvoyés avant de créer le chatflow.
3

Créer le chatflow de récupération

Dans un chatflow, ajoutez un nœud Document Store (Vector) ou Document Store Retriever et sélectionnez le Document Store traité. Définissez Top K sur le nombre de chunks que vous voulez que Flowise récupère pour chaque question.
4

Connecter Conversational Retrieval QA Chain

Ajoutez Conversational Retrieval QA Chain et connectez :
  • l’entrée Language Model depuis ChatCometAPI.
  • l’entrée Vector Store Retriever depuis le retriever du Document Store.
  • Memory uniquement si votre chatflow a besoin de l’historique de conversation.
Activez Return Source Documents lorsque vous souhaitez que la réponse inclue des citations ou des chunks source récupérés. Enregistrez le flux et posez une question dont la réponse existe uniquement dans le document téléversé.

​
Dépannage

Vérifiez que votre version de Flowise inclut l’intégration du modèle de chat ChatCometAPI. Dans les déploiements Flowise plus anciens ou personnalisés, mettez à jour Flowise ou vérifiez si l’intégration a été désactivée par l’administrateur.
Définissez le chemin de base CometAPI sur https://api.cometapi.com/v1/. Dans certaines versions de Flowise, il s’agit d’un champ Base Path. Dans d’autres, ajoutez basePath dans Base Options.N’utilisez pas https://api.cometapi.com pour le chatflow ChatCometAPI, car le nœud de chat appelle des routes /chat/completions compatibles OpenAI sous /v1.
Recopiez la clé depuis la console CometAPI, créez un nouvel identifiant Flowise et assurez-vous que le chatflow utilise cet identifiant. Si la même clé fonctionne dans des appels API directs mais échoue dans Flowise, vérifiez que Flowise n’utilise pas encore un ancien identifiant attaché au nœud.
Remplacez la valeur du model ID dans le nœud ChatCometAPI par un model ID de modèle texte actuel exact depuis la page des modèles CometAPI. La valeur ne doit pas inclure de guillemets, de préfixe de fournisseur, de libellé d’affichage ou d’espaces de fin.
ChatCometAPI est un nœud de modèle de chat pour les workflows textuels. Utilisez-le pour le chat, les chaînes, les agents et la génération de réponses RAG. N’utilisez pas cette configuration Flowise pour les nœuds de génération d’images ou les workflows uniquement dédiés aux images.
Testez d’abord la requête de récupération du Document Store avant de tester le chatflow complet. Si la récupération est faible, ajustez le text splitter, la taille des chunks, le chevauchement des chunks, les filtres de métadonnées et Top K. Si les citations sont absentes, activez Return Source Documents sur Conversational Retrieval QA Chain.
Vérifiez que le fournisseur d’embeddings, le vector store et les dimensions du vecteur correspondent. Les vector stores de Flowise Cloud nécessitent souvent leur propre URL de service accessible et leurs identifiants ; une URL de vector store uniquement locale telle que localhost ne sera pas accessible depuis Flowise Cloud. Record Manager est facultatif, mais si vous l’activez, configurez sa connexion à la base de données séparément.
Réduisez Top K pour la récupération, diminuez la taille du prompt, utilisez des chunks plus petits ou choisissez un model ID plus rapide pour le nœud ChatCometAPI. En cas de rate limits, attendez puis réessayez avec une concurrence plus faible, puis vérifiez l’utilisation du compte et les limites dans la console CometAPI.