Skip to main content
FlowiseAI 是一个用于以可视化方式构建 LLM 应用的低代码平台。使用原生 ChatCometAPI 节点，可将 CometAPI 连接到 chatflow、问答系统以及调用文本聊天模型的 RAG 工作流。
本指南涵盖文本聊天和 RAG 工作流，不涵盖图像生成工作流。

​
前提条件

  • 拥有一个带有有效 API key 的 CometAPI 账户 - 点击这里获取
  • 拥有一个 FlowiseAI 账户或自托管的 Flowise 实例 - 登录 Flowise Cloud
  • 从 CometAPI Models 页面 获取当前可用的文本 model ID
  • 对于 RAG，需要准备文档来源，以及 Flowise 支持的嵌入 provider 和向量存储

​
配置 ChatCometAPI

1

获取你的 CometAPI API key

登录 CometAPI 控制台。点击 Add API Key 并复制你的 CometAPI API key。
显示 Add API Key 按钮的 CometAPI 控制台
包含 base URL 的 CometAPI API key 详情
2

添加 ChatCometAPI 节点

  1. 在你的 FlowiseAI chatflow 画布中，点击 Add New。
带有 Add New 按钮的 FlowiseAI 画布
  1. 搜索 cometapi 并选择 ChatCometAPI 节点。
显示 ChatCometAPI 结果的节点搜索
  1. 将其拖到画布上。
放置在画布上的 ChatCometAPI 节点
3

创建 CometAPI 凭证

在 ChatCometAPI 节点中，打开 Connect Credential，选择 Create New，粘贴你的 CometAPI API key，然后保存该凭证。
已输入 API key 的凭证对话框
4

设置 CometAPI base path

在 ChatCometAPI 节点上展开 Additional Parameters。如果你的 Flowise 版本显示 Base Path 字段，请将其设置为：
如果显示的是 Base Options，则添加一个 basePath 条目：
将 Model Name 设置为你要调用的精确文本 model ID，例如 your-model-id，并且仅在你的工作流需要更多或更少变化时调整 Temperature。

​
创建一个基础 chatflow

1

添加 Prompt Template

添加一个 Prompt Template 节点，并定义你的 chatflow 将发送给模型的提示词。
带有示例模板的 Prompt Template 节点
放置在画布上的 Prompt Template 节点
2

添加 LLM Chain

添加一个 LLM Chain 节点。将 ChatCometAPI 节点连接到该链的 Language Model 输入，然后将 Prompt Template 节点连接到该链的 Prompt 输入。
已连接 Language Model 和 Prompt 的 LLM Chain 节点
3

保存并测试流程

保存 chatflow，打开聊天预览，并发送一个简短的测试问题。配置正常时，所选的 CometAPI 模型会返回一个普通的文本答案。
三个节点全部连接完成的 chatflow

​
切换 model ID

如需切换模型，请保持相同的 CometAPI 凭证和基础路径，然后只修改 ChatCometAPI 的 model ID 字段。 请使用 CometAPI Models 页面 中的精确 model ID。避免复制显示名称、提供商名称或多余空格。 更改 model ID 后，保存 chatflow 并运行一个简短的测试 Prompt。如果你维护多个生产流程，建议先复制该 chatflow，并为每个副本命名，以反映对应的模型系列。

​
配置检索增强生成

Flowise RAG 包含两个部分：首先在 Document Stores 中准备并 upsert 文档，然后将准备好的 retriever 连接到 chatflow。ChatCometAPI 是负责撰写最终答案的聊天模型；Document Store 仍然需要一个 Flowise 支持的嵌入提供方和向量存储。
1

创建并处理 Document Store

在 Flowise 中，打开 Document Stores 并创建一个新的 store。添加一个文档加载器，例如 File Loader、PDF Loader、Web Scraper，或其他与你的数据源匹配的加载器。当文档较长、需要分块时，添加一个文本切分器，然后点击 Process 预览生成的分块。
2

配置嵌入和向量存储

点击 Upsert 或 Upsert All Chunks。选择：
  • Embeddings：与你的数据和向量存储兼容的 Flowise 嵌入节点。
  • Vector Store：Flowise 应存储文档嵌入的向量数据库。
  • Record Manager：可选。当你希望重复 upsert 时避免重复记录，可使用它。
保持嵌入模型维度与向量存储索引维度一致。upsert 完成后，先使用 Document Store 的检索查询测试，确认能返回相关分块，再构建 chatflow。
3

创建检索 chatflow

在 chatflow 中，添加一个 Document Store (Vector) 或 Document Store Retriever 节点，并选择已处理的 Document Store。将 Top K 设置为你希望 Flowise 为每个问题检索的分块数量。
4

连接 Conversational Retrieval QA Chain

添加 Conversational Retrieval QA Chain 并连接：
  • Language Model 输入来自 ChatCometAPI。
  • Vector Store Retriever 输入来自 Document Store retriever。
  • Memory 仅在你的 chatflow 需要对话历史时添加。
当你希望答案包含引用或检索到的源分块时，启用 Return Source Documents。保存该流程，并提出一个答案只存在于已上传文档中的问题。

​
故障排查

请确认你的 Flowise 版本包含 ChatCometAPI 聊天模型集成。在较旧或经过自定义的 Flowise 部署中，请升级 Flowise，或检查该集成是否已被管理员禁用。
将 CometAPI base path 设置为 https://api.cometapi.com/v1/。在某些 Flowise 版本中，这是一个 Base Path 字段。在其他版本中，请在 Base Options 中添加 basePath。不要为 ChatCometAPI chatflow 使用 https://api.cometapi.com，因为聊天节点会调用位于 /v1 下的 OpenAI 兼容 /chat/completions 路由。
从 CometAPI 控制台 重新复制该 key，创建一个新的 Flowise 凭证，并确保 chatflow 使用的是该凭证。如果同一个 key 在直接 API 调用中可用，但在 Flowise 中失败，请检查 Flowise 是否仍在使用附加到该节点上的旧凭证。
将 ChatCometAPI 节点中的 model ID 值替换为 CometAPI Models 页面 中当前准确的文本模型 model ID。该值不应包含引号、provider 前缀、显示标签或尾随空格。
ChatCometAPI 是一个用于文本工作流的聊天模型节点。请将其用于聊天、链、代理和 RAG 答案生成。不要将此 Flowise 配置用于图像生成节点或纯图像工作流。
在测试完整 chatflow 之前，先测试 Document Store 的检索查询。如果检索效果较弱，请调整文本分割器、chunk size、chunk overlap、元数据过滤器和 Top K。如果缺少引用，请在 Conversational Retrieval QA Chain 上启用 Return Source Documents。
检查嵌入提供方、向量存储和向量维度是否匹配。Flowise Cloud 向量存储通常需要其各自可访问的服务 URL 和凭证；像 localhost 这样的仅本地可用向量存储 URL 无法从 Flowise Cloud 访问。Record Manager 是可选的，但如果你启用了它，需要单独配置其数据库连接。
降低检索 Top K、减少 Prompt 大小、使用更小的 chunk，或为 ChatCometAPI 节点选择更快的 model ID。对于速率限制，请等待后以更低并发重试，然后在 CometAPI 控制台中检查账户用量和限制。