> ## Documentation Index
> Fetch the complete documentation index at: https://apidoc.cometapi.com/llms.txt
> Use this file to discover all available pages before exploring further.
# Połącz Flowise z CometAPI
> Skorzystaj z tego przewodnika, aby połączyć Flowise z CometAPI, ustawiając base URL, klucz API oraz opcje model lub provider.
FlowiseAI to platforma low-code do wizualnego tworzenia aplikacji LLM. Użyj natywnego węzła **ChatCometAPI**, aby połączyć CometAPI z chatflowami, systemami pytań i odpowiedzi oraz przepływami RAG, które wywołują modele czatu tekstowego.
Ten przewodnik obejmuje przepływy czatu tekstowego i RAG. Nie obejmuje przepływów generowania obrazów.
## Wymagania wstępne
* Konto CometAPI z aktywnym kluczem API — [pobierz je tutaj](https://www.cometapi.com/console/token)
* Konto FlowiseAI lub samodzielnie hostowana instancja Flowise — [zaloguj się do Flowise Cloud](https://cloud.flowiseai.com/chatflows)
* Aktualny model ID modelu tekstowego ze strony [CometAPI Models](/pl/overview/models)
* W przypadku RAG: źródło dokumentów oraz dostawca embeddings i vector store obsługiwane przez Flowise
## Skonfiguruj ChatCometAPI
Zaloguj się do [konsoli CometAPI](https://www.cometapi.com/console/token). Kliknij **Add API Key** i skopiuj swój klucz API CometAPI.
1. Na płótnie chatflow w FlowiseAI kliknij **Add New**.
2. Wyszukaj **cometapi** i wybierz węzeł **ChatCometAPI**.
3. Przeciągnij go na płótno.
W węźle ChatCometAPI otwórz **Connect Credential**, wybierz **Create New**, wklej swój klucz API CometAPI i zapisz poświadczenie.
Rozwiń **Additional Parameters** w węźle ChatCometAPI.
Jeśli Twoja kompilacja Flowise pokazuje pole **Base Path**, ustaw je na:
```text theme={null}
https://api.cometapi.com/v1/
```
Jeśli zamiast tego udostępnia **Base Options**, dodaj wpis `basePath`:
```json theme={null}
{
"basePath": "https://api.cometapi.com/v1/"
}
```
Ustaw **Model Name** na dokładny model ID modelu tekstowego, który chcesz wywołać, na przykład `your-model-id`, i dostosuj **Temperature** tylko wtedy, gdy Twój przepływ wymaga większej lub mniejszej różnorodności.
## Utwórz podstawowy chatflow
Dodaj węzeł **Prompt Template** i zdefiniuj prompt, który chatflow wyśle do modelu.
```text theme={null}
Question: {question}
Answer clearly and concisely.
```
Dodaj węzeł **LLM Chain**. Połącz węzeł **ChatCometAPI** z wejściem **Language Model** łańcucha, a następnie połącz węzeł **Prompt Template** z wejściem **Prompt** łańcucha.
Zapisz chatflow, otwórz podgląd czatu i wyślij krótkie pytanie testowe. Poprawnie skonfigurowane środowisko zwraca zwykłą odpowiedź tekstową z wybranego modelu CometAPI.
## Przełączanie model ID
Aby przełączać modele, zachowaj to samo poświadczenie CometAPI i tę samą ścieżkę bazową, a następnie zmień tylko pole model ID w ChatCometAPI.
Używaj dokładnych model ID ze [strony modeli CometAPI](/pl/overview/models). Unikaj kopiowania nazw wyświetlanych, nazw dostawców lub dodatkowych spacji.
| Przypadek użycia | Wartość model ID |
| -------------------------------- | ------------------------- |
| Rodzina modeli do ogólnego czatu | `your-chat-model-id` |
| Rodzina modeli reasoning | `your-reasoning-model-id` |
| Rodzina modeli do kodowania | `your-coding-model-id` |
Po zmianie model ID zapisz chatflow i uruchom krótki prompt testowy. Jeśli utrzymujesz wiele flow produkcyjnych, najpierw zduplikuj chatflow i nadaj każdej kopii nazwę odzwierciedlającą rodzinę modeli.
## Konfiguracja retrieval-augmented generation
Flowise RAG składa się z dwóch części: najpierw przygotuj i upsertuj dokumenty w **Document Stores**, a następnie połącz przygotowany retriever z chatflow. ChatCometAPI to model czatu, który tworzy końcową odpowiedź; Document Store nadal wymaga dostawcy Embeddings obsługiwanego przez Flowise oraz vector store.
W Flowise otwórz **Document Stores** i utwórz nowy store. Dodaj loader dokumentów, taki jak **File Loader**, **PDF Loader**, **Web Scraper** lub inny loader pasujący do Twojego źródła. Dodaj text splitter, gdy dokument jest na tyle długi, że wymaga podziału na chunki, a następnie kliknij **Process**, aby wyświetlić podgląd wygenerowanych chunków.
Kliknij **Upsert** lub **Upsert All Chunks**. Wybierz:
* **Embeddings**: węzeł Embeddings Flowise zgodny z Twoimi danymi i vector store.
* **Vector Store**: baza danych wektorowych, w której Flowise powinno przechowywać embeddings dokumentów.
* **Record Manager**: opcjonalnie. Użyj go, jeśli chcesz, aby powtarzane operacje upsert unikały duplikowania rekordów.
Zachowaj zgodność wymiaru modelu embedding z wymiarem indeksu vector store. Po zakończeniu upsert użyj testu retrieval query w Document Store, aby potwierdzić, że zwracane są odpowiednie chunki, zanim zbudujesz chatflow.
W chatflow dodaj węzeł **Document Store (Vector)** lub **Document Store Retriever** i wybierz przetworzony Document Store. Ustaw **Top K** na liczbę chunków, które Flowise ma pobierać dla każdego pytania.
Dodaj **Conversational Retrieval QA Chain** i połącz:
* wejście **Language Model** z **ChatCometAPI**.
* wejście **Vector Store Retriever** z retrievera Document Store.
* **Memory** tylko wtedy, gdy Twój chatflow potrzebuje historii rozmowy.
Włącz **Return Source Documents**, gdy chcesz, aby odpowiedź zawierała cytowania lub pobrane chunki źródłowe. Zapisz flow i zadaj pytanie, na które odpowiedź znajduje się wyłącznie w przesłanym dokumencie.
## Rozwiązywanie problemów
Potwierdź, że Twoja wersja Flowise zawiera integrację modelu czatu **ChatCometAPI**. W starszych lub niestandardowych wdrożeniach Flowise zaktualizuj Flowise albo sprawdź, czy integracja nie została wyłączona przez administratora.
Ustaw ścieżkę bazową CometAPI na `https://api.cometapi.com/v1/`. W niektórych kompilacjach Flowise jest to pole **Base Path**. W innych dodaj `basePath` wewnątrz **Base Options**.
Nie używaj `https://api.cometapi.com` dla chatflow ChatCometAPI, ponieważ węzeł czatu wywołuje zgodne z OpenAI trasy `/chat/completions` w ramach `/v1`.
Skopiuj ponownie klucz z [konsoli CometAPI](https://www.cometapi.com/console/token), utwórz nowe poświadczenie Flowise i upewnij się, że chatflow korzysta z tego poświadczenia. Jeśli ten sam klucz działa w bezpośrednich wywołaniach API, ale nie działa w Flowise, sprawdź, czy Flowise nie używa nadal starszego poświadczenia przypisanego do węzła.
Zastąp wartość model ID w węźle ChatCometAPI dokładnym bieżącym tekstowym model ID ze strony [Modele CometAPI](/pl/overview/models). Wartość nie powinna zawierać cudzysłowów, prefiksu dostawcy, etykiety wyświetlanej ani końcowych spacji.
ChatCometAPI to węzeł modelu czatu dla workflow tekstowych. Używaj go do czatu, łańcuchów, agentów oraz generowania odpowiedzi RAG. Nie używaj tej konfiguracji Flowise do węzłów generowania obrazów ani workflow przeznaczonych wyłącznie do obrazów.
Najpierw przetestuj zapytanie pobierania w Document Store, zanim przetestujesz cały chatflow. Jeśli pobieranie działa słabo, dostrój text splitter, chunk size, chunk overlap, filtry metadanych oraz **Top K**. Jeśli brakuje cytowań, włącz **Return Source Documents** w **Conversational Retrieval QA Chain**.
Sprawdź, czy dostawca embeddingów, vector store i wymiary wektorów są zgodne. Vector store w Flowise Cloud często wymagają własnego dostępnego adresu URL usługi i poświadczeń; adres URL lokalnego vector store, taki jak `localhost`, nie będzie dostępny z poziomu Flowise Cloud. Record Manager jest opcjonalny, ale jeśli go włączysz, skonfiguruj osobno połączenie z jego bazą danych.
Zmniejsz **Top K** pobierania, ogranicz rozmiar promptu, użyj mniejszych chunków albo wybierz szybszy model ID dla węzła ChatCometAPI. W przypadku limitów szybkości odczekaj i spróbuj ponownie przy niższej współbieżności, a następnie sprawdź użycie konta i limity w konsoli CometAPI.