> ## 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.
# Подключите Flowise к CometAPI
> Используйте это руководство, чтобы подключить Flowise к CometAPI, указав base URL, API key, а также параметры model или provider.
FlowiseAI — это low-code платформа для визуального создания LLM-приложений. Используйте нативный узел **ChatCometAPI**, чтобы подключить CometAPI к chatflow, системам вопросов и ответов и RAG-воркflow, которые вызывают текстовые чат-модели.
Это руководство охватывает текстовый чат и RAG-воркflow. Оно не охватывает воркflow генерации изображений.
## Предварительные требования
* Учетная запись CometAPI с активным API key — [получите его здесь](https://www.cometapi.com/console/token)
* Учетная запись FlowiseAI или самостоятельно размещенный экземпляр Flowise — [войдите в Flowise Cloud](https://cloud.flowiseai.com/chatflows)
* Актуальный model ID текстовой модели со страницы [CometAPI Models](/ru/overview/models)
* Для RAG: источник документов, а также поддерживаемые Flowise provider Embeddings и vector store
## Настройка ChatCometAPI
Войдите в [консоль CometAPI](https://www.cometapi.com/console/token). Нажмите **Add API Key** и скопируйте ваш CometAPI API key.
1. На холсте chatflow в FlowiseAI нажмите **Add New**.
2. Найдите **cometapi** и выберите узел **ChatCometAPI**.
3. Перетащите его на холст.
В узле ChatCometAPI откройте **Connect Credential**, выберите **Create New**, вставьте ваш CometAPI API key и сохраните учетные данные.
Разверните **Additional Parameters** в узле ChatCometAPI.
Если в вашей сборке Flowise отображается поле **Base Path**, задайте ему значение:
```text theme={null}
https://api.cometapi.com/v1/
```
Если вместо этого доступен **Base Options**, добавьте запись `basePath`:
```json theme={null}
{
"basePath": "https://api.cometapi.com/v1/"
}
```
Установите **Model Name** в точный model ID текстовой модели, которую хотите вызывать, например `your-model-id`, и изменяйте **Temperature** только если вашему воркflow нужна большая или меньшая вариативность.
## Создайте базовый chatflow
Добавьте узел **Prompt Template** и задайте prompt, который ваш chatflow будет отправлять модели.
```text theme={null}
Question: {question}
Answer clearly and concisely.
```
Добавьте узел **LLM Chain**. Подключите узел **ChatCometAPI** к входу **Language Model** цепочки, затем подключите узел **Prompt Template** к входу **Prompt** цепочки.
Сохраните chatflow, откройте предпросмотр чата и отправьте короткий тестовый вопрос. При корректной настройке вы получите обычный текстовый ответ от выбранной модели CometAPI.
## Переключение model ID
Чтобы переключать модели, оставьте те же учётные данные CometAPI и тот же base path, а затем измените только поле model ID в ChatCometAPI.
Используйте точные model ID со страницы [CometAPI Models page](/ru/overview/models). Не копируйте отображаемые названия, имена провайдеров или лишние пробелы.
| Сценарий использования | Значение model ID |
| --------------------------------- | ------------------------- |
| Семейство моделей для общего чата | `your-chat-model-id` |
| Семейство reasoning-моделей | `your-reasoning-model-id` |
| Семейство моделей для кодинга | `your-coding-model-id` |
После изменения model ID сохраните chatflow и выполните короткий тестовый prompt. Если вы поддерживаете несколько production flow, сначала продублируйте chatflow и дайте каждой копии имя, отражающее семейство модели.
## Настройка retrieval-augmented generation
Flowise RAG состоит из двух частей: сначала подготовьте и загрузите документы в **Document Stores**, затем подключите подготовленный retriever к chatflow. ChatCometAPI — это чат-модель, которая формирует итоговый ответ; для Document Store по-прежнему требуются поддерживаемые Flowise provider Embeddings и vector store.
В Flowise откройте **Document Stores** и создайте новое хранилище. Добавьте загрузчик документов, например **File Loader**, **PDF Loader**, **Web Scraper** или другой loader, подходящий для вашего источника. Добавьте text splitter, если документ достаточно длинный и требует разбиения на chunks, затем нажмите **Process**, чтобы предварительно просмотреть сгенерированные chunks.
Нажмите **Upsert** или **Upsert All Chunks**. Выберите:
* **Embeddings**: узел Embeddings в Flowise, совместимый с вашими данными и vector store.
* **Vector Store**: vector database, в которой Flowise должен хранить document embeddings.
* **Record Manager**: необязательно. Используйте его, если хотите, чтобы повторные upsert избегали дублирования записей.
Следите за тем, чтобы размерность embedding model соответствовала размерности индекса в vector store. После завершения upsert используйте тест retrieval query в Document Store, чтобы убедиться, что возвращаются релевантные chunks, прежде чем собирать chatflow.
В chatflow добавьте узел **Document Store (Vector)** или **Document Store Retriever** и выберите обработанный Document Store. Установите **Top K** в количество chunks, которые Flowise должен извлекать для каждого вопроса.
Добавьте **Conversational Retrieval QA Chain** и подключите:
* вход **Language Model** от **ChatCometAPI**.
* вход **Vector Store Retriever** от retriever Document Store.
* **Memory** только если вашему chatflow нужна история диалога.
Включите **Return Source Documents**, если хотите, чтобы ответ включал citations или извлеченные source chunks. Сохраните flow и задайте вопрос, ответ на который есть только в загруженном документе.
## Устранение неполадок
Убедитесь, что ваша версия Flowise включает интеграцию чат-модели **ChatCometAPI**. В старых или кастомизированных развертываниях Flowise обновите Flowise или проверьте, не отключена ли интеграция администратором.
Установите base path CometAPI в `https://api.cometapi.com/v1/`. В некоторых сборках Flowise это поле **Base Path**. В других добавьте `basePath` внутри **Base Options**.
Не используйте `https://api.cometapi.com` для chatflow ChatCometAPI, потому что chat-узел вызывает OpenAI-совместимые маршруты `/chat/completions` в `/v1`.
Скопируйте ключ заново из [консоли CometAPI](https://www.cometapi.com/console/token), создайте новый credential в Flowise и убедитесь, что chatflow использует именно этот credential. Если тот же ключ работает в прямых API-вызовах, но не работает в Flowise, проверьте, не использует ли Flowise по-прежнему старый credential, привязанный к узлу.
Замените значение model ID в узле ChatCometAPI на точный актуальный model ID текстовой модели со страницы [Модели CometAPI](/ru/overview/models). Значение не должно содержать кавычки, префикс провайдера, отображаемую метку или пробелы в конце.
ChatCometAPI — это узел чат-модели для текстовых workflow. Используйте его для чатов, chains, agents и генерации ответов RAG. Не используйте эту конфигурацию Flowise для узлов генерации изображений или workflow, работающих только с изображениями.
Сначала протестируйте запрос извлечения в Document Store, прежде чем тестировать весь chatflow. Если извлечение работает слабо, настройте text splitter, размер чанков, перекрытие чанков, metadata filters и **Top K**. Если отсутствуют цитаты, включите **Return Source Documents** в **Conversational Retrieval QA Chain**.
Проверьте, что provider embedding, vector store и размерности векторов совпадают. Vector store в Flowise Cloud часто требуют собственный доступный URL сервиса и credentials; URL локального vector store, такой как `localhost`, не будет доступен из Flowise Cloud. Record Manager необязателен, но если вы его включаете, настройте подключение к его базе данных отдельно.
Уменьшите retrieval **Top K**, сократите размер Prompt, используйте меньшие чанки или выберите более быстрый model ID для узла ChatCometAPI. При rate limit подождите и повторите попытку с меньшей concurrency, затем проверьте использование аккаунта и лимиты в консоли CometAPI.