> ## 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.
# Flowise'i CometAPI'ye bağlayın
> Base URL, API key ve model veya provider seçeneklerini ayarlayarak Flowise'i CometAPI'ye bağlamak için bu kılavuzu kullanın.
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
* Etkin bir API key'e sahip bir CometAPI hesabı - [buradan edinin](https://www.cometapi.com/console/token)
* Bir FlowiseAI hesabı veya self-hosted bir Flowise örneği - [Flowise Cloud'da oturum açın](https://cloud.flowiseai.com/chatflows)
* [CometAPI Models sayfasından](/tr/overview/models) güncel bir metin model ID
* RAG için bir belge kaynağı ile birlikte Flowise tarafından desteklenen bir embeddings provider ve vector store
## ChatCometAPI'yi yapılandırın
[CometAPI konsolunda](https://www.cometapi.com/console/token) oturum açın. **Add API Key** seçeneğine tıklayın ve CometAPI API key'inizi kopyalayın.
1. FlowiseAI chatflow tuvalinizde **Add New** seçeneğine tıklayın.
2. **cometapi** araması yapın ve **ChatCometAPI** düğümünü seçin.
3. Düğümü tuvale sürükleyin.
ChatCometAPI düğümünde **Connect Credential** seçeneğini açın, **Create New** seçeneğini belirleyin, CometAPI API key'inizi yapıştırın ve kimlik bilgisini kaydedin.
ChatCometAPI düğümünde **Additional Parameters** bölümünü genişletin.
Flowise sürümünüzde bir **Base Path** alanı görünüyorsa, bunu şu şekilde ayarlayın:
```text theme={null}
https://api.cometapi.com/v1/
```
Bunun yerine **Base Options** sunuyorsa, bir `basePath` girdisi ekleyin:
```json theme={null}
{
"basePath": "https://api.cometapi.com/v1/"
}
```
**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
Bir **Prompt Template** düğümü ekleyin ve chatflow'un model'e göndereceği prompt'u tanımlayın.
```text theme={null}
Question: {question}
Answer clearly and concisely.
```
Bir **LLM Chain** düğümü ekleyin. **ChatCometAPI** düğümünü chain'in **Language Model** girdisine bağlayın, ardından **Prompt Template** düğümünü chain'in **Prompt** girdisine bağlayın.
Chatflow'u kaydedin, sohbet önizlemesini açın ve kısa bir test sorusu gönderin. Sağlıklı bir kurulum, seçilen CometAPI model'inden normal bir metin yanıtı döndürür.
## 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](/tr/overview/models) sayfasındaki model ID'lerini birebir kullanın. Görünen adları, sağlayıcı adlarını veya fazladan boşlukları kopyalamaktan kaçının.
| Kullanım durumu | Model ID değeri |
| ------------------------- | ------------------------- |
| Genel sohbet model ailesi | `your-chat-model-id` |
| Akıl yürütme model ailesi | `your-reasoning-model-id` |
| Kodlama model ailesi | `your-coding-model-id` |
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.
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.
**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.
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.
**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](https://www.cometapi.com/console/token) 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](/tr/overview/models) 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.