Skip to main content
FlowiseAI er en low-code-plattform for å bygge LLM-applikasjoner visuelt. Bruk den innebygde ChatCometAPI-noden for å koble CometAPI til chatflows, spørsmål-og-svar-systemer og RAG-arbeidsflyter som kaller tekstchatmodeller.
Denne veiledningen dekker tekstchat og RAG-arbeidsflyter. Den dekker ikke arbeidsflyter for bildegenerering.

​
Forutsetninger

  • En CometAPI-konto med en aktiv API-nøkkel - få din her
  • En FlowiseAI-konto eller en selvhostet Flowise-instans - logg inn på Flowise Cloud
  • En gjeldende model ID for tekst fra CometAPI Models-siden
  • For RAG, en dokumentkilde samt en embeddings-leverandør og vector store som støttes av Flowise

​
Konfigurer ChatCometAPI

1

Hent CometAPI API-nøkkelen din

Logg inn i CometAPI-konsollen. Klikk Add API Key og kopier CometAPI API-nøkkelen din.
CometAPI-kontrollpanel som viser knappen Add API Key
Detaljer for CometAPI API-nøkkel med base-URL
2

Legg til ChatCometAPI-noden

  1. I chatflow-lerretet ditt i FlowiseAI klikker du Add New.
FlowiseAI-lerret med knappen Add New
  1. Søk etter cometapi og velg ChatCometAPI-noden.
Nodesøk som viser ChatCometAPI-resultatet
  1. Dra den inn på lerretet.
ChatCometAPI-node plassert på lerretet
3

Opprett CometAPI-legitimasjonen

I ChatCometAPI-noden åpner du Connect Credential, velger Create New, limer inn CometAPI API-nøkkelen din og lagrer legitimasjonen.
Dialogboks for legitimasjon med API-nøkkel angitt
4

Angi basebanen for CometAPI

Utvid Additional Parameters på ChatCometAPI-noden.Hvis Flowise-versjonen din viser et felt for Base Path, setter du det til:
Hvis den i stedet viser Base Options, legger du til en basePath-oppføring:
Sett Model Name til nøyaktig den model ID-en for tekst du vil kalle, for eksempel your-model-id, og juster Temperature bare hvis arbeidsflyten din trenger mer eller mindre variasjon.

​
Opprett en grunnleggende chatflow

1

Legg til en Prompt Template

Legg til en Prompt Template-node og definer prompten chatflowen skal sende til modellen.
Prompt Template-node med eksempelmalen
Prompt Template-node plassert på lerretet
2

Legg til en LLM Chain

Legg til en LLM Chain-node. Koble ChatCometAPI-noden til kjedens Language Model-inngang, og koble deretter Prompt Template-noden til kjedens Prompt-inngang.
LLM Chain-node med Language Model og Prompt tilkoblet
3

Lagre og test flyten

Lagre chatflowen, åpne chat-forhåndsvisningen, og send et kort testspørsmål. Et korrekt oppsett returnerer et vanlig tekstsvar fra den valgte CometAPI-modellen.
Komplett chatflow med alle tre nodene tilkoblet

​
Bytt model ID-er

For å bytte modell beholder du samme CometAPI-legitimasjon og base path, og endrer deretter bare model ID-feltet i ChatCometAPI. Bruk nøyaktige model ID-er fra CometAPI Models page. Unngå å kopiere visningsnavn, leverandørnavn eller ekstra mellomrom. Etter at du har endret model ID, lagrer du chatflowen og kjører en kort test-prompt. Hvis du vedlikeholder flere produksjonsflyter, bør du først duplisere chatflowen og gi hver kopi et navn som gjenspeiler modellfamilien.

​
Konfigurer retrieval-augmented generation

Flowise RAG har to deler: først klargjør og upsert dokumenter i Document Stores, deretter kobler du den klargjorte retrieveren til en chatflow. ChatCometAPI er chatmodellen som skriver det endelige svaret; Document Store trenger fortsatt en embeddings-leverandør og vector store som støttes av Flowise.
1

Opprett og behandle en Document Store

I Flowise åpner du Document Stores og oppretter en ny store. Legg til en dokumentlaster, for eksempel File Loader, PDF Loader, Web Scraper eller en annen laster som passer kilden din. Legg til en tekstsplitter når dokumentet er langt nok til å trenge chunking, og klikk deretter Process for å forhåndsvise de genererte chunkene.
2

Konfigurer embeddings og vector storage

Klikk Upsert eller Upsert All Chunks. Velg:
  • Embeddings: en Flowise embeddings-node som er kompatibel med dataene dine og vector store.
  • Vector Store: vectordatabasen der Flowise skal lagre document embeddings.
  • Record Manager: valgfritt. Bruk den når du vil at gjentatte upserts skal unngå dupliserte poster.
Hold dimensjonen til embedding-modellen på linje med indeksdimensjonen i vector store. Etter at upsert er fullført, bruker du retrieval query-testen til Document Store for å bekrefte at relevante chunker blir returnert før du bygger chatflowen.
3

Opprett retrieval-chatflowen

I en chatflow legger du til en Document Store (Vector)- eller Document Store Retriever-node og velger den behandlede Document Store. Sett Top K til antall chunker du vil at Flowise skal hente for hvert spørsmål.
4

Koble til Conversational Retrieval QA Chain

Legg til Conversational Retrieval QA Chain og koble til:
  • Language Model-inngang fra ChatCometAPI.
  • Vector Store Retriever-inngang fra Document Store-retrieveren.
  • Memory bare hvis chatflowen din trenger samtalehistorikk.
Aktiver Return Source Documents når du vil at svaret skal inkludere sitater eller hentede kildechunker. Lagre flyten og still et spørsmål der svaret bare finnes i det opplastede dokumentet.

​
Feilsøking

Bekreft at Flowise-versjonen din inkluderer ChatCometAPI-integrasjonen for chatmodeller. I eldre eller tilpassede Flowise-distribusjoner må du oppdatere Flowise eller sjekke om integrasjonen er deaktivert av administratoren.
Sett CometAPI base path til https://api.cometapi.com/v1/. I noen Flowise-bygg er dette et felt for Base Path. I andre legger du til basePath i Base Options.Ikke bruk https://api.cometapi.com for ChatCometAPI-chatflowen, fordi chatnoden kaller OpenAI-kompatible /chat/completions-ruter under /v1.
Kopier nøkkelen på nytt fra CometAPI-konsollen, opprett en ny Flowise-legitimasjon, og sørg for at chatflowen bruker denne legitimasjonen. Hvis den samme nøkkelen fungerer i direkte API-kall, men mislykkes i Flowise, bør du sjekke at Flowise ikke fortsatt bruker en eldre legitimasjon som er knyttet til noden.
Erstatt verdien for model ID i ChatCometAPI-noden med en nøyaktig, aktuell model ID for tekstmodeller fra CometAPI Models page. Verdien skal ikke inneholde anførselstegn, et leverandørprefiks, en visningsetikett eller etterfølgende mellomrom.
ChatCometAPI er en chatmodellnode for tekstbaserte arbeidsflyter. Bruk den til chat, kjeder, agenter og RAG-svargenerering. Ikke bruk dette Flowise-oppsettet for bildegenereringsnoder eller arbeidsflyter kun for bilder.
Test først gjenfinningsspørringen i Document Store før du tester hele chatflowen. Hvis gjenfinningen er svak, juster tekstsplitteren, chunk-størrelse, chunk-overlapping, metadatafiltre og Top K. Hvis siteringer mangler, aktiver Return Source Documents på Conversational Retrieval QA Chain.
Sjekk at embedding-leverandøren, vector store og vektordimensjonene samsvarer. Vector stores i Flowise Cloud krever ofte sin egen tilgjengelige tjeneste-URL og legitimasjon; en URL til en kun lokal vector store som localhost vil ikke være tilgjengelig fra Flowise Cloud. Record Manager er valgfri, men hvis du aktiverer den, må du konfigurere databasetilkoblingen separat.
Senk gjenfinningsverdien for Top K, reduser Prompt-størrelsen, bruk mindre chunks, eller velg en raskere model ID for ChatCometAPI-noden. Ved rate limits, vent og prøv igjen med lavere samtidighet, og sjekk deretter kontobruk og grenser i CometAPI-konsollen.
Sist endret 2. juli 2026