> ## 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.
# Підключення Flowise до CometAPI
> Скористайтеся цим посібником, щоб підключити Flowise до CometAPI, вказавши base URL, API key, а також параметри model або provider.
FlowiseAI — це low-code платформа для візуального створення застосунків на основі LLM. Використовуйте нативний вузол **ChatCometAPI**, щоб підключити CometAPI до chatflow, систем запитань і відповідей та RAG-процесів, які викликають моделі текстового чату.
Цей посібник охоплює текстовий чат і RAG-процеси. Він не охоплює процеси генерації зображень.
## Передумови
* Обліковий запис CometAPI з активним API key — [отримайте його тут](https://www.cometapi.com/console/token)
* Обліковий запис FlowiseAI або власнорозгорнутий екземпляр Flowise — [увійти до Flowise Cloud](https://cloud.flowiseai.com/chatflows)
* Актуальний model ID текстової моделі зі [сторінки моделей CometAPI](/uk/overview/models)
* Для RAG — джерело документів, а також провайдер embeddings і vector store, які підтримує Flowise
## Налаштування ChatCometAPI
Увійдіть до [консолі CometAPI](https://www.cometapi.com/console/token). Натисніть **Add API Key** і скопіюйте свій API key CometAPI.
1. На полотні chatflow у FlowiseAI натисніть **Add New**.
2. Знайдіть **cometapi** і виберіть вузол **ChatCometAPI**.
3. Перетягніть його на полотно.
У вузлі ChatCometAPI відкрийте **Connect Credential**, виберіть **Create New**, вставте свій API key CometAPI і збережіть облікові дані.
Розгорніть **Additional Parameters** у вузлі ChatCometAPI.
Якщо у вашій збірці Flowise є поле **Base Path**, установіть таке значення:
```text theme={null}
https://api.cometapi.com/v1/
```
Якщо натомість доступний **Base Options**, додайте запис `basePath`:
```json theme={null}
{
"basePath": "https://api.cometapi.com/v1/"
}
```
Установіть **Model Name** на точний model ID текстової моделі, яку хочете викликати, наприклад `your-model-id`, і змінюйте **Temperature** лише якщо вашому процесу потрібна більша або менша варіативність.
## Створіть базовий chatflow
Додайте вузол **Prompt Template** і визначте prompt, який ваш chatflow надсилатиме моделі.
```text theme={null}
Question: {question}
Answer clearly and concisely.
```
Додайте вузол **LLM Chain**. Підключіть вузол **ChatCometAPI** до входу **Language Model** ланцюжка, а потім підключіть вузол **Prompt Template** до входу **Prompt** ланцюжка.
Збережіть chatflow, відкрийте попередній перегляд чату та надішліть коротке тестове запитання. Коректно налаштована конфігурація повертає звичайну текстову відповідь від вибраної моделі CometAPI.
## Змініть model ID
Щоб змінити модель, залиште ті самі облікові дані CometAPI і base path, а потім змініть лише поле model ID у ChatCometAPI.
Використовуйте точні model ID зі [сторінки моделей CometAPI](/uk/overview/models). Уникайте копіювання відображуваних назв, назв провайдерів або зайвих пробілів.
| Випадок використання | Значення model ID |
| ------------------------------------- | ------------------------- |
| Сімейство моделей для загального чату | `your-chat-model-id` |
| Сімейство reasoning-моделей | `your-reasoning-model-id` |
| Сімейство моделей для кодування | `your-coding-model-id` |
Після зміни model ID збережіть chatflow і виконайте короткий тестовий prompt. Якщо ви підтримуєте кілька production-flow, спочатку продублюйте chatflow і дайте кожній копії назву, яка відображає сімейство моделей.
## Налаштування retrieval-augmented generation
Flowise RAG складається з двох частин: спочатку підготуйте та виконайте upsert документів у **Document Stores**, потім під’єднайте підготовлений retriever до chatflow. ChatCometAPI — це чат-модель, яка формує фінальну відповідь; для Document Store, як і раніше, потрібні сумісні з Flowise embeddings provider і vector store.
У Flowise відкрийте **Document Stores** і створіть нове сховище. Додайте завантажувач документів, наприклад **File Loader**, **PDF Loader**, **Web Scraper** або інший завантажувач, що відповідає вашому джерелу. Додайте text splitter, якщо документ достатньо довгий і потребує розбиття на chunks, потім натисніть **Process**, щоб переглянути згенеровані chunks.
Натисніть **Upsert** або **Upsert All Chunks**. Виберіть:
* **Embeddings**: вузол embeddings Flowise, сумісний із вашими даними та vector store.
* **Vector Store**: векторну базу даних, у якій Flowise має зберігати embeddings документів.
* **Record Manager**: необов’язково. Використовуйте його, якщо хочете, щоб повторні upsert-и уникали дублювання записів.
Підтримуйте узгодженість розмірності embedding model із розмірністю індексу vector store. Після завершення upsert скористайтеся тестом retrieval query у Document Store, щоб переконатися, що повертаються релевантні chunks, перш ніж будувати chatflow.
У chatflow додайте вузол **Document Store (Vector)** або **Document Store Retriever** і виберіть оброблений Document Store. Встановіть **Top K** на кількість chunks, які Flowise має витягувати для кожного запитання.
Додайте **Conversational Retrieval QA Chain** і підключіть:
* вхід **Language Model** від **ChatCometAPI**.
* вхід **Vector Store Retriever** від retriever Document Store.
* **Memory** лише якщо вашому chatflow потрібна історія розмови.
Увімкніть **Return Source Documents**, якщо хочете, щоб відповідь містила цитати або витягнуті source chunks. Збережіть flow і поставте запитання, відповідь на яке існує лише в завантаженому документі.
## Усунення неполадок
Переконайтеся, що ваша версія Flowise містить інтеграцію чат-моделі **ChatCometAPI**. У старіших або налаштованих під себе розгортаннях Flowise оновіть Flowise або перевірте, чи інтеграцію не було вимкнено адміністратором.
Установіть base path CometAPI як `https://api.cometapi.com/v1/`. У деяких збірках Flowise це поле **Base Path**. В інших додайте `basePath` усередині **Base Options**.
Не використовуйте `https://api.cometapi.com` для chatflow ChatCometAPI, оскільки чат-вузол викликає OpenAI-сумісні маршрути `/chat/completions` у межах `/v1`.
Скопіюйте ключ повторно з [консолі CometAPI](https://www.cometapi.com/console/token), створіть новий credential у Flowise і переконайтеся, що chatflow використовує саме цей credential. Якщо той самий ключ працює в прямих API-викликах, але не працює у Flowise, перевірте, чи Flowise все ще не використовує старіший credential, прив’язаний до вузла.
Замініть значення model ID у вузлі ChatCometAPI на точний актуальний model ID текстової моделі зі сторінки [CometAPI Models](/uk/overview/models). Значення не повинно містити лапок, префікса провайдера, мітки відображення або пробілів у кінці.
ChatCometAPI — це вузол чат-моделі для текстових робочих процесів. Використовуйте його для chat, chains, agents і генерації відповідей RAG. Не використовуйте це налаштування Flowise для вузлів генерації зображень або робочих процесів лише для зображень.
Спочатку протестуйте запит отримання в Document Store, перш ніж тестувати весь chatflow. Якщо отримання працює слабко, налаштуйте text splitter, chunk size, chunk overlap, metadata filters і **Top K**. Якщо бракує цитувань, увімкніть **Return Source Documents** у **Conversational Retrieval QA Chain**.
Перевірте, що embedding provider, vector store і розмірності векторів збігаються. Vector stores у Flowise Cloud часто потребують власної доступної service URL та credentials; URL локального vector store, такий як `localhost`, не буде доступний із Flowise Cloud. Record Manager є необов’язковим, але якщо ви його вмикаєте, налаштуйте його з’єднання з базою даних окремо.
Зменште retrieval **Top K**, скоротіть розмір prompt, використовуйте менші chunks або виберіть швидший model ID для вузла ChatCometAPI. У разі rate limits зачекайте й повторіть спробу з нижчою concurrency, а потім перевірте використання акаунта та ліміти в консолі CometAPI.