Skip to main content
FlowiseAI è una piattaforma low-code per creare applicazioni LLM in modo visuale. Usa il nodo nativo ChatCometAPI per collegare CometAPI a chatflow, sistemi di domande e risposte e workflow RAG che chiamano modelli di chat testuali.
Questa guida copre i workflow di chat testuale e RAG. Non copre i workflow di generazione di immagini.

​
Prerequisiti

​
Configura ChatCometAPI

1

Ottieni la tua chiave API CometAPI

Accedi alla console CometAPI. Fai clic su Add API Key e copia la tua chiave API CometAPI.
Dashboard di CometAPI che mostra il pulsante Add API Key
Dettagli della chiave API CometAPI con URL di base
2

Aggiungi il nodo ChatCometAPI

  1. Nel canvas del tuo chatflow FlowiseAI, fai clic su Add New.
Canvas di FlowiseAI con il pulsante Add New
  1. Cerca cometapi e seleziona il nodo ChatCometAPI.
Ricerca del nodo che mostra il risultato ChatCometAPI
  1. Trascinalo nel canvas.
Nodo ChatCometAPI posizionato nel canvas
3

Crea la credenziale CometAPI

Nel nodo ChatCometAPI, apri Connect Credential, seleziona Create New, incolla la tua chiave API CometAPI e salva la credenziale.
Finestra di dialogo delle credenziali con chiave API inserita
4

Imposta il percorso di base di CometAPI

Espandi Additional Parameters nel nodo ChatCometAPI.Se la tua build di Flowise mostra un campo Base Path, impostalo su:
Se invece espone Base Options, aggiungi una voce basePath:
Imposta Model Name sul model ID di testo esatto che vuoi chiamare, ad esempio your-model-id, e regola Temperature solo se il tuo workflow richiede più o meno variabilità.

​
Creare un chatflow di base

1

Aggiungi un Prompt Template

Aggiungi un nodo Prompt Template e definisci il prompt che il tuo chatflow invierà al model.
Nodo Prompt Template con il template di esempio
Nodo Prompt Template posizionato nell'area di lavoro
2

Aggiungi una LLM Chain

Aggiungi un nodo LLM Chain. Collega il nodo ChatCometAPI all’input Language Model della chain, quindi collega il nodo Prompt Template all’input Prompt della chain.
Nodo LLM Chain con Language Model e Prompt collegati
3

Salva e testa il flusso

Salva il chatflow, apri l’anteprima della chat e invia una breve domanda di test. Una configurazione corretta restituisce una normale risposta testuale dal model CometAPI selezionato.
Chatflow completo con tutti e tre i nodi collegati

​
Cambiare model ID

Per cambiare modello, mantieni le stesse credenziali CometAPI e lo stesso base path, quindi modifica solo il campo model ID di ChatCometAPI. Usa i model ID esatti dalla pagina dei modelli CometAPI. Evita di copiare nomi visualizzati, nomi dei provider o spazi aggiuntivi. Dopo aver modificato il model ID, salva il chatflow ed esegui un breve prompt di test. Se gestisci più flussi di produzione, duplica prima il chatflow e assegna a ogni copia un nome che rispecchi la famiglia di modelli.

​
Configurare retrieval-augmented generation

Il RAG di Flowise ha due parti: prima prepara ed esegui l’upsert dei documenti nei Document Stores, poi collega il retriever preparato a un chatflow. ChatCometAPI è il modello di chat che scrive la risposta finale; il Document Store richiede comunque un provider di Embeddings e un vector store supportati da Flowise.
1

Creare ed elaborare un Document Store

In Flowise, apri Document Stores e crea un nuovo store. Aggiungi un document loader, come File Loader, PDF Loader, Web Scraper o un altro loader adatto alla tua sorgente. Aggiungi un text splitter quando il documento è abbastanza lungo da richiedere il chunking, quindi fai clic su Process per visualizzare in anteprima i chunk generati.
2

Configurare Embeddings e il vector storage

Fai clic su Upsert o Upsert All Chunks. Seleziona:
  • Embeddings: un nodo embeddings di Flowise compatibile con i tuoi dati e con il vector store.
  • Vector Store: il database vettoriale in cui Flowise deve memorizzare gli embeddings dei documenti.
  • Record Manager: facoltativo. Usalo quando vuoi che upsert ripetuti evitino record duplicati.
Mantieni allineata la dimensione del modello di embedding con la dimensione dell’indice del vector store. Dopo il completamento dell’upsert, usa il test della query di retrieval del Document Store per confermare che vengano restituiti chunk pertinenti prima di creare il chatflow.
3

Creare il chatflow di retrieval

In un chatflow, aggiungi un nodo Document Store (Vector) o Document Store Retriever e seleziona il Document Store elaborato. Imposta Top K sul numero di chunk che vuoi che Flowise recuperi per ogni domanda.
4

Collegare Conversational Retrieval QA Chain

Aggiungi Conversational Retrieval QA Chain e collega:
  • input Language Model da ChatCometAPI.
  • input Vector Store Retriever dal retriever del Document Store.
  • Memory solo se il tuo chatflow richiede la cronologia della conversazione.
Abilita Return Source Documents quando vuoi che la risposta includa citazioni o chunk sorgente recuperati. Salva il flow e fai una domanda la cui risposta esiste solo nel documento caricato.

​
Risoluzione dei problemi

Verifica che la tua versione di Flowise includa l’integrazione del modello chat ChatCometAPI. Nelle distribuzioni di Flowise più vecchie o personalizzate, aggiorna Flowise o controlla se l’integrazione è stata disabilitata dall’amministratore.
Imposta il percorso base di CometAPI su https://api.cometapi.com/v1/. In alcune build di Flowise questo è un campo Base Path. In altre, aggiungi basePath all’interno di Base Options.Non usare https://api.cometapi.com per il chatflow ChatCometAPI, perché il nodo chat chiama route OpenAI-compatible /chat/completions sotto /v1.
Copia di nuovo la chiave dalla console CometAPI, crea una nuova credenziale Flowise e assicurati che il chatflow usi quella credenziale. Se la stessa chiave funziona nelle chiamate API dirette ma non in Flowise, controlla che Flowise non stia ancora usando una credenziale precedente collegata al nodo.
Sostituisci il valore del model ID nel nodo ChatCometAPI con un model ID testuale corrente ed esatto dalla pagina dei modelli CometAPI. Il valore non deve includere virgolette, un prefisso del provider, un’etichetta di visualizzazione o spazi finali.
ChatCometAPI è un nodo modello chat per workflow testuali. Usalo per chat, chain, agent e generazione di risposte RAG. Non usare questa configurazione di Flowise per nodi di generazione immagini o workflow solo immagini.
Per prima cosa testa la query di retrieval del Document Store prima di testare l’intero chatflow. Se il retrieval è debole, regola text splitter, chunk size, chunk overlap, filtri dei metadati e Top K. Se mancano le citazioni, abilita Return Source Documents su Conversational Retrieval QA Chain.
Verifica che embedding provider, vector store e dimensioni dei vettori corrispondano. I vector store di Flowise Cloud spesso richiedono il proprio URL di servizio raggiungibile e le proprie credenziali; un URL di vector store solo locale come localhost non sarà raggiungibile da Flowise Cloud. Record Manager è facoltativo, ma se lo abiliti, configura separatamente la sua connessione al database.
Riduci Top K del retrieval, riduci la dimensione del prompt, usa chunk più piccoli oppure scegli un model ID più veloce per il nodo ChatCometAPI. In caso di rate limit, attendi e riprova con una concorrenza inferiore, quindi controlla utilizzo e limiti dell’account nella console CometAPI.