> ## 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.
# Conectar o Flowise ao CometAPI
> Use este guia para conectar o Flowise ao CometAPI definindo a URL base, a chave de API e as opções de model ou provider.
O FlowiseAI é uma plataforma low-code para criar aplicações de LLM visualmente. Use o nó nativo **ChatCometAPI** para conectar o CometAPI a chatflows, sistemas de perguntas e respostas e fluxos de trabalho de RAG que chamam modelos de chat de texto.
Este guia cobre chat de texto e fluxos de trabalho de RAG. Ele não cobre fluxos de trabalho de geração de imagens.
## Pré-requisitos
* Uma conta CometAPI com uma chave de API ativa - [obtenha a sua aqui](https://www.cometapi.com/console/token)
* Uma conta FlowiseAI ou uma instância self-hosted do Flowise - [faça login no Flowise Cloud](https://cloud.flowiseai.com/chatflows)
* Um model ID de texto atual da [página de Models do CometAPI](/pt/overview/models)
* Para RAG, uma fonte de documentos mais um provider de Embeddings compatível com o Flowise e um vector store
## Configurar o ChatCometAPI
Faça login no [console do CometAPI](https://www.cometapi.com/console/token). Clique em **Add API Key** e copie sua chave de API do CometAPI.
1. No canvas do seu chatflow do FlowiseAI, clique em **Add New**.
2. Procure por **cometapi** e selecione o nó **ChatCometAPI**.
3. Arraste-o para o canvas.
No nó ChatCometAPI, abra **Connect Credential**, selecione **Create New**, cole sua chave de API do CometAPI e salve a credencial.
Expanda **Additional Parameters** no nó ChatCometAPI.
Se a sua versão do Flowise mostrar um campo **Base Path**, defina-o como:
```text theme={null}
https://api.cometapi.com/v1/
```
Se ela expuser **Base Options** em vez disso, adicione uma entrada `basePath`:
```json theme={null}
{
"basePath": "https://api.cometapi.com/v1/"
}
```
Defina **Model Name** como o model ID exato do modelo de texto que você quer chamar, por exemplo `your-model-id`, e ajuste **Temperature** apenas se o seu fluxo de trabalho precisar de mais ou menos variação.
## Criar um chatflow básico
Adicione um nó **Prompt Template** e defina o prompt que seu chatflow enviará para o modelo.
```text theme={null}
Question: {question}
Answer clearly and concisely.
```
Adicione um nó **LLM Chain**. Conecte o nó **ChatCometAPI** à entrada **Language Model** da chain e, em seguida, conecte o nó **Prompt Template** à entrada **Prompt** da chain.
Salve o chatflow, abra a visualização de chat e envie uma pergunta curta de teste. Uma configuração correta retorna uma resposta de texto normal do modelo CometAPI selecionado.
## Alternar model IDs
Para alternar modelos, mantenha a mesma credencial CometAPI e o mesmo caminho base, depois altere apenas o campo de model ID do ChatCometAPI.
Use model IDs exatos da [página de Models da CometAPI](/pt/overview/models). Evite copiar nomes de exibição, nomes de provedores ou espaços extras.
| Caso de uso | Valor de model ID |
| --------------------------------- | ------------------------- |
| Família de modelos de chat geral | `your-chat-model-id` |
| Família de modelos de raciocínio | `your-reasoning-model-id` |
| Família de modelos de programação | `your-coding-model-id` |
Depois de alterar o model ID, salve o chatflow e execute um prompt de teste curto. Se você mantém vários fluxos de produção, duplique o chatflow primeiro e dê a cada cópia um nome que reflita a família do modelo.
## Configurar retrieval-augmented generation
O RAG do Flowise tem duas partes: primeiro prepare e faça upsert de documentos em **Document Stores** e, depois, conecte o retriever preparado a um chatflow. ChatCometAPI é o modelo de chat que escreve a resposta final; o Document Store ainda precisa de um provedor de Embeddings compatível com o Flowise e de um vector store.
No Flowise, abra **Document Stores** e crie um novo store. Adicione um carregador de documentos, como **File Loader**, **PDF Loader**, **Web Scraper** ou outro loader que corresponda à sua fonte. Adicione um text splitter quando o documento for longo o suficiente para precisar de chunking e, em seguida, clique em **Process** para visualizar os chunks gerados.
Clique em **Upsert** ou **Upsert All Chunks**. Selecione:
* **Embeddings**: um node de Embeddings do Flowise compatível com seus dados e vector store.
* **Vector Store**: o banco de dados vetorial onde o Flowise deve armazenar os embeddings dos documentos.
* **Record Manager**: opcional. Use-o quando quiser que upserts repetidos evitem registros duplicados.
Mantenha a dimensão do modelo de embedding alinhada com a dimensão do índice do vector store. Depois que o upsert terminar, use o teste de consulta de retrieval do Document Store para confirmar que chunks relevantes estão sendo retornados antes de construir o chatflow.
Em um chatflow, adicione um node **Document Store (Vector)** ou **Document Store Retriever** e selecione o Document Store processado. Defina **Top K** como o número de chunks que você quer que o Flowise recupere para cada pergunta.
Adicione **Conversational Retrieval QA Chain** e conecte:
* A entrada **Language Model** a partir de **ChatCometAPI**.
* A entrada **Vector Store Retriever** a partir do retriever do Document Store.
* **Memory** somente se o seu chatflow precisar de histórico da conversa.
Ative **Return Source Documents** quando quiser que a resposta inclua citações ou chunks de origem recuperados. Salve o fluxo e faça uma pergunta cuja resposta exista apenas no documento enviado.
## Solução de problemas
Confirme se a sua versão do Flowise inclui a integração do modelo de chat **ChatCometAPI**. Em implantações mais antigas ou personalizadas do Flowise, atualize o Flowise ou verifique se a integração foi desativada pelo administrador.
Defina o caminho base do CometAPI como `https://api.cometapi.com/v1/`. Em algumas versões do Flowise, isso é um campo **Base Path**. Em outras, adicione `basePath` dentro de **Base Options**.
Não use `https://api.cometapi.com` para o chatflow do ChatCometAPI, porque o nó de chat chama rotas `/chat/completions` compatíveis com OpenAI em `/v1`.
Copie novamente a chave do [console do CometAPI](https://www.cometapi.com/console/token), crie uma nova credencial no Flowise e certifique-se de que o chatflow use essa credencial. Se a mesma chave funcionar em chamadas diretas à API, mas falhar no Flowise, verifique se o Flowise não está usando uma credencial antiga ainda anexada ao nó.
Substitua o valor de model ID no nó ChatCometAPI por um model ID de modelo de texto atual e exato da [página de modelos do CometAPI](/pt/overview/models). O valor não deve incluir aspas, um prefixo de provedor, um rótulo de exibição ou espaços no final.
ChatCometAPI é um nó de modelo de chat para fluxos de trabalho de texto. Use-o para chat, chains, agents e geração de respostas RAG. Não use esta configuração do Flowise para nós de geração de imagens ou fluxos de trabalho somente de imagem.
Primeiro teste a consulta de recuperação do Document Store antes de testar o chatflow completo. Se a recuperação for fraca, ajuste o divisor de texto, o tamanho dos chunks, a sobreposição dos chunks, os filtros de metadados e **Top K**. Se as citações estiverem ausentes, ative **Return Source Documents** em **Conversational Retrieval QA Chain**.
Verifique se o provedor de embeddings, o vector store e as dimensões do vetor correspondem. Os vector stores do Flowise Cloud geralmente exigem sua própria URL de serviço acessível e credenciais; uma URL de vector store apenas local, como `localhost`, não será acessível a partir do Flowise Cloud. O Record Manager é opcional, mas se você o ativar, configure a conexão com o banco de dados dele separadamente.
Reduza o **Top K** da recuperação, diminua o tamanho do prompt, use chunks menores ou escolha um model ID mais rápido para o nó ChatCometAPI. Para limites de taxa, aguarde e tente novamente com menor concorrência, depois verifique o uso e os limites da conta no console do CometAPI.