Skip to main content
FlowiseAI, LLM uygulamalarını görsel olarak oluşturmak için düşük kodlu bir platformdur. CometAPI’yi chatflow’lara, Soru-Cevap sistemlerine ve metin sohbet modellerini çağıran RAG iş akışlarına bağlamak için yerleşik ChatCometAPI düğümünü kullanın.
Bu kılavuz metin sohbeti ve RAG iş akışlarını kapsar. Görsel oluşturma iş akışlarını kapsamaz.

​
Ön koşullar

​
ChatCometAPI’yi yapılandırın

1

CometAPI API key'inizi alın

CometAPI konsolunda oturum açın. Add API Key seçeneğine tıklayın ve CometAPI API key’inizi kopyalayın.
Add API Key düğmesini gösteren CometAPI kontrol paneli
Base URL ile CometAPI API key ayrıntıları
2

ChatCometAPI düğümünü ekleyin

  1. FlowiseAI chatflow tuvalinizde Add New seçeneğine tıklayın.
Add New düğmesini gösteren FlowiseAI tuvali
  1. cometapi araması yapın ve ChatCometAPI düğümünü seçin.
ChatCometAPI sonucunu gösteren düğüm araması
  1. Düğümü tuvale sürükleyin.
Tuval üzerine yerleştirilmiş ChatCometAPI düğümü
3

CometAPI kimlik bilgisini oluşturun

ChatCometAPI düğümünde Connect Credential seçeneğini açın, Create New seçeneğini belirleyin, CometAPI API key’inizi yapıştırın ve kimlik bilgisini kaydedin.
API key girilmiş kimlik bilgisi penceresi
4

CometAPI base path ayarlayın

ChatCometAPI düğümünde Additional Parameters bölümünü genişletin.Flowise sürümünüzde bir Base Path alanı görünüyorsa, bunu şu şekilde ayarlayın:
Bunun yerine Base Options sunuyorsa, bir basePath girdisi ekleyin:
Model Name alanını çağırmak istediğiniz tam metin model ID olarak, örneğin your-model-id, ayarlayın ve Temperature değerini yalnızca iş akışınız daha fazla veya daha az çeşitlilik gerektiriyorsa değiştirin.

​
Temel bir chatflow oluşturun

1

Bir Prompt Template ekleyin

Bir Prompt Template düğümü ekleyin ve chatflow’un model’e göndereceği prompt’u tanımlayın.
Örnek şablonla Prompt Template düğümü
Tuvale yerleştirilmiş Prompt Template düğümü
2

Bir LLM Chain ekleyin

Bir LLM Chain düğümü ekleyin. ChatCometAPI düğümünü chain’in Language Model girdisine bağlayın, ardından Prompt Template düğümünü chain’in Prompt girdisine bağlayın.
Language Model ve Prompt bağlı LLM Chain düğümü
3

Akışı kaydedin ve test edin

Chatflow’u kaydedin, sohbet önizlemesini açın ve kısa bir test sorusu gönderin. Sağlıklı bir kurulum, seçilen CometAPI model’inden normal bir metin yanıtı döndürür.
Üç düğümün de bağlı olduğu tamamlanmış chatflow

​
Model ID’lerini değiştirin

Modeller arasında geçiş yapmak için aynı CometAPI kimlik bilgisini ve base path’i koruyun, ardından yalnızca ChatCometAPI model ID alanını değiştirin. CometAPI Models page sayfasındaki model ID’lerini birebir kullanın. Görünen adları, sağlayıcı adlarını veya fazladan boşlukları kopyalamaktan kaçının. Model ID’yi değiştirdikten sonra chatflow’u kaydedin ve kısa bir test prompt’u çalıştırın. Birden fazla production akışı yönetiyorsanız, önce chatflow’u kopyalayın ve her kopyaya model ailesini yansıtan bir ad verin.

​
Retrieval-augmented generation yapılandırın

Flowise RAG iki bölümden oluşur: önce belgeleri Document Stores içinde hazırlayıp upsert edin, ardından hazırlanan retriever’ı bir chatflow’a bağlayın. ChatCometAPI son yanıtı yazan sohbet modelidir; Document Store ise hâlâ Flowise tarafından desteklenen bir embeddings sağlayıcısına ve vector store’a ihtiyaç duyar.
1

Bir Document Store oluşturun ve işleyin

Flowise içinde Document Stores bölümünü açın ve yeni bir store oluşturun. File Loader, PDF Loader, Web Scraper veya kaynağınıza uygun başka bir loader gibi bir belge yükleyici ekleyin. Belge chunking gerektirecek kadar uzunsa bir text splitter ekleyin, ardından oluşturulan chunk’ları önizlemek için Process seçeneğine tıklayın.
2

Embeddings ve vector storage yapılandırın

Upsert veya Upsert All Chunks seçeneğine tıklayın. Şunları seçin:
  • Embeddings: veriniz ve vector store’unuzla uyumlu bir Flowise embeddings düğümü.
  • Vector Store: Flowise’in belge embeddings’lerini depolaması gereken vector database.
  • Record Manager: isteğe bağlıdır. Yinelenen kayıtları önlemek için tekrar eden upsert işlemlerinde bunu kullanın.
Embedding model boyutunu vector store index boyutuyla uyumlu tutun. Upsert tamamlandıktan sonra, chatflow’u oluşturmadan önce ilgili chunk’ların döndürüldüğünü doğrulamak için Document Store’un retrieval query testini kullanın.
3

Retrieval chatflow oluşturun

Bir chatflow içinde Document Store (Vector) veya Document Store Retriever düğümü ekleyin ve işlenmiş Document Store’u seçin. Flowise’in her soru için almasını istediğiniz chunk sayısı olarak Top K değerini ayarlayın.
4

Conversational Retrieval QA Chain bağlayın

Conversational Retrieval QA Chain ekleyin ve şunları bağlayın:
  • Language Model girdisini ChatCometAPI üzerinden.
  • Vector Store Retriever girdisini Document Store retriever üzerinden.
  • Memory yalnızca chatflow’unuz konuşma geçmişine ihtiyaç duyuyorsa.
Yanıtın alıntılar veya alınan kaynak chunk’ları içermesini istediğinizde Return Source Documents seçeneğini etkinleştirin. Akışı kaydedin ve yanıtı yalnızca yüklenen belgede bulunan bir soru sorun.

​
Sorun giderme

Flowise sürümünüzün ChatCometAPI sohbet modeli entegrasyonunu içerdiğini doğrulayın. Eski veya özelleştirilmiş Flowise dağıtımlarında, Flowise’ı güncelleyin ya da entegrasyonun yönetici tarafından devre dışı bırakılıp bırakılmadığını kontrol edin.
CometAPI base path değerini https://api.cometapi.com/v1/ olarak ayarlayın. Bazı Flowise sürümlerinde bu bir Base Path alanıdır. Diğerlerinde, Base Options içine basePath ekleyin.ChatCometAPI chatflow için https://api.cometapi.com kullanmayın, çünkü sohbet düğümü /v1 altındaki OpenAI-compatible /chat/completions rotalarını çağırır.
Anahtarı CometAPI konsolundan yeniden kopyalayın, yeni bir Flowise kimlik bilgisi oluşturun ve chatflow’un bu kimlik bilgisini kullandığından emin olun. Aynı anahtar doğrudan API çağrılarında çalışıyor ancak Flowise’ta başarısız oluyorsa, Flowise’ın hâlâ düğüme bağlı eski bir kimlik bilgisini kullanmadığını kontrol edin.
ChatCometAPI düğümündeki model ID değerini, CometAPI Models sayfasındaki güncel ve tam bir metin model ID ile değiştirin. Değer; tırnak işaretleri, sağlayıcı öneki, görünen etiket veya sondaki boşlukları içermemelidir.
ChatCometAPI, metin iş akışları için bir sohbet modeli düğümüdür. Bunu sohbet, chain’ler, agent’lar ve RAG yanıt üretimi için kullanın. Bu Flowise kurulumunu görsel üretim düğümleri veya yalnızca görsel odaklı iş akışları için kullanmayın.
Önce tam chatflow’u test etmeden önce Document Store retrieval sorgusunu test edin. Retrieval zayıfsa, text splitter, chunk size, chunk overlap, metadata filtreleri ve Top K değerini ayarlayın. Atıflar eksikse, Conversational Retrieval QA Chain üzerinde Return Source Documents seçeneğini etkinleştirin.
embedding sağlayıcısının, vector store’un ve vector boyutlarının eşleştiğini kontrol edin. Flowise Cloud vector store’ları genellikle kendilerine ait erişilebilir bir hizmet URL’si ve kimlik bilgileri gerektirir; localhost gibi yalnızca yerel bir vector store URL’sine Flowise Cloud’dan erişilemez. Record Manager isteğe bağlıdır, ancak etkinleştirirseniz veritabanı bağlantısını ayrıca yapılandırın.
Retrieval Top K değerini düşürün, prompt boyutunu azaltın, daha küçük chunk’lar kullanın veya ChatCometAPI düğümü için daha hızlı bir model ID seçin. Rate limit durumunda bekleyin ve daha düşük eşzamanlılık ile yeniden deneyin, ardından CometAPI konsolunda hesap kullanımını ve limitleri kontrol edin.