Flowise: Como Criar Agentes de IA Visualmente — Sem Escrever Código

O que é Flowise

Flowise é uma plataforma open-source para construir agentes de IA, pipelines de LLM e sistemas de RAG (Retrieval Augmented Generation) através de uma interface visual drag-and-drop. Você conecta nós — modelo de linguagem, memória, ferramentas, fontes de dados — e o Flowise gera o agente funcional automaticamente.

Com mais de 35.000 estrelas no GitHub, o Flowise se tornou a referência para quem quer o poder do LangChain sem a curva de aprendizado do Python.

Referência oficial: flowiseai.com | docs.flowiseai.com GitHub: github.com/FlowiseAI/Flowise

O que você consegue fazer com Flowise

• Chatbots com RAG: pergunte sobre seus documentos PDF, Notion, site, Google Drive
• Agentes com ferramentas: acesse APIs, bancos de dados, execute código
• Multi-agent flows: orquestre agentes especializados como supervisor/executor
• APIs de IA: exponha seus flows como endpoints de API para integrar em qualquer sistema
• Memória de conversação: histórico persistente por usuário ou sessão

---

Instalação em 5 minutos

Opção 1: npm (desenvolvimento local)

npm install -g flowise
npx flowise start
# Acesse: http://localhost:3000

Opção 2: Docker (recomendado para produção)

# docker-compose.yml
version: '3.1'
services:
  flowise:
    image: flowiseai/flowise
    restart: always
    environment:
      - PORT=3000
      - DATABASE_PATH=/root/.flowise
      - APIKEY_PATH=/root/.flowise
      - SECRETKEY_PATH=/root/.flowise
      - FLOWISE_USERNAME=admin
      - FLOWISE_PASSWORD=sua_senha_segura
    ports:
      - '3000:3000'
    volumes:
      - ~/.flowise:/root/.flowise

docker-compose up -d

Opção 3: Deploy gratuito na Railway

1. Acesse railway.app
2. Clique “New Project” → “Deploy from GitHub”
3. Fork o repositório do Flowise e conecte
4. Configure as variáveis de ambiente
5. Deploy automático com URL pública em minutos

Custo Railway: Plano gratuito cobre uso básico; ~$5/mês para uso contínuo.

---

Conceitos fundamentais da interface

Chatflows vs. Agentflows

O Flowise distingue dois tipos de flows:

Chatflows: pipelines lineares para conversação. Ideal para chatbots com RAG simples.

• Entrada de texto → Recuperação de documentos → LLM → Resposta

Agentflows: agentes com ferramentas e tomada de decisão autônoma. Ideal para tarefas complexas.

• Agente avalia a tarefa → Escolhe ferramenta → Executa → Avalia resultado → Repete ou termina

Os nós principais

Categoria	Exemplos de nós
Chat Models	ChatOpenAI, ChatAnthropic, ChatOllama, ChatGoogleGenerativeAI
Embeddings	OpenAI, HuggingFace, Ollama, Cohere
Vector Stores	Pinecone, Supabase, Chroma, PGVector, Qdrant
Document Loaders	PDF, Notion, Web Scraper, GitHub, Google Drive
Memory	Buffer Memory, Redis, Zep, Motorhead
Tools	Calculator, Google Search, Custom API Tool, Code Executor
Chains	Conversational Retrieval QA, LLM Chain, SQL Database

---

Construindo seu primeiro agente RAG

Vamos criar um chatbot que responde perguntas sobre um documento PDF usando RAG.

Passo 1: Novo Chatflow

1. Na sidebar, clique “Chatflows” → ”+ Add New”
2. Dê um nome: “Agente RAG - Documentos”

Passo 2: Adicionar Document Loader

1. Arraste o nó “PDF File” para o canvas
2. Clique no nó → faça upload do seu PDF
3. Configure:
   • Text Chunk Size: 1000 (caracteres por chunk)
   • Chunk Overlap: 200 (sobreposição para manter contexto)

Passo 3: Embeddings

1. Arraste “OpenAI Embeddings”
2. Configure com sua OPENAI_API_KEY
3. Conecte a saída do PDF Loader na entrada de “Document” do nó de Embeddings

Passo 4: Vector Store

1. Arraste “In-Memory Vector Store” (para teste) ou “Pinecone” (para produção)
2. Conecte:
   • Saída de Embeddings → “Embeddings” do Vector Store
   • Saída do PDF Loader → “Document” do Vector Store

Passo 5: Retriever

1. O Vector Store já expõe uma saída “Retriever”
2. Conecte ao próximo nó

Passo 6: Chat Model

1. Arraste “ChatOpenAI”
2. Configure:
   • Model: gpt-4o
   • Temperature: 0.2 (mais conservador para RAG)
   • Max Tokens: 1000

Passo 7: Conversational Retrieval QA Chain

1. Arraste “Conversational Retrieval QA Chain”
2. Conecte:
   • ChatOpenAI → “Language Model”
   • Vector Store Retriever → “Vector Store Retriever”
3. Configure o System Prompt:

   Você é um assistente especializado neste documento.
   Responda apenas com base no contexto fornecido.
   Se não souber, diga "Não encontrei essa informação no documento."
   Responda sempre em português.

Passo 8: Salvar e testar

1. Clique “Save” (canto superior direito)
2. Clique no ícone de chat para abrir o teste
3. Faça uma pergunta sobre o conteúdo do PDF
4. Veja as fontes citadas embaixo da resposta

---

Construindo um Agente com Ferramentas

Para tarefas que exigem ação além de consulta, use um Agentflow.

Agente de pesquisa + cálculo

[Tool: Calculator] ──┐
[Tool: SerpAPI Search] ──┤ → [OpenAI Functions Agent] → Resposta
[Tool: Web Browser] ──┘

1. Crie um novo Agentflow
2. Arraste “OpenAI Functions Agent”
3. Configure:
   • Model: gpt-4o
   • System Prompt: “Você é um assistente de pesquisa e análise. Use as ferramentas disponíveis para responder com precisão.”
4. Adicione ferramentas conectadas:
   • Calculator (cálculos matemáticos)
   • SerpAPI (pesquisa web em tempo real)
   • Custom Tool (sua API interna)
5. Teste com: “Qual é a taxa de crescimento do mercado de IA em 2026 e quanto isso representa em dólares?”

---

Expondo como API

Cada flow pode ser acessado via API REST:

# Após salvar o flow, pegue o ID na URL
# Ex: http://localhost:3000/chatflows/abc-123

curl -X POST \
  "http://localhost:3000/api/v1/prediction/abc-123" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer seu_api_key" \
  -d '{"question": "Qual o prazo de entrega?"}'

Resposta:

{
  "text": "O prazo de entrega padrão é de 5 a 7 dias úteis...",
  "sourceDocuments": [
    {
      "pageContent": "Política de entrega...",
      "metadata": {"source": "politica-entrega.pdf", "page": 3}
    }
  ]
}

Isso permite integrar o Flowise em:

• Sites: via JavaScript fetch/axios
• WhatsApp: via Evolution API ou Meta API
• Slack/Teams: via webhooks
• n8n/Make: como nó de API customizado

---

Flowise vs. Alternativas

Critério	Flowise	LangFlow	n8n IA	Relevance AI
Interface	Drag-and-drop	Drag-and-drop	Drag-and-drop	Low-code
Open Source	✅ MIT	✅ MIT	✅ (core)	❌ SaaS
Self-hosted	✅	✅	✅	❌
Agentes	✅	✅	✅	✅
RAG visual	✅ Excelente	✅ Bom	⚠️ Limitado	✅
Comunidade	35k+ ⭐	45k+ ⭐	45k+ ⭐	Paga
Curva	Baixa	Baixa	Média	Baixa
Ideal para	RAG/chatbots	Devs LangChain	Automação completa	Não-técnicos

Quando escolher Flowise:

• Você quer construir chatbots RAG rapidamente
• Precisa de self-hosted por questões de privacidade
• Não quer escrever Python mas quer controle
• Vai integrar via API em sistemas existentes

Quando não usar Flowise:

• Precisa de lógica de negócio muito customizada (use LangGraph)
• Quer integrar com 500+ aplicativos prontos (use n8n)
• Precisa de suporte enterprise e SLA (use Relevance AI Enterprise)

---

Dicas de produção

1. Use variáveis de ambiente para credenciais Nunca coloque API keys diretamente nos nós. Configure-as em .env e acesse via {{OPENAI_API_KEY}} nos campos.

2. Versione seus flows O Flowise suporta export/import de flows em JSON. Salve no Git para controle de versão.

3. Configure autenticação na API Ative “API Key” nas configurações e exija o header Authorization em todas as chamadas.

4. Monitore o uso de tokens Cada flow tem logs de uso. Monitore para evitar surpresas na fatura da OpenAI.

5. Teste com Ollama antes de pagar Para desenvolvimento, conecte o Flowise ao Ollama e use modelos locais gratuitos (Llama 3, Mistral, Phi). Troque para GPT-4o apenas em produção.

---

Recursos para aprender mais

• Documentação: docs.flowiseai.com
• GitHub: github.com/FlowiseAI/Flowise
• YouTube oficial: canal @FlowiseAI (tutoriais em vídeo)
• Discord: discord.gg/jn8g7vn6f8
• Templates de flows: disponíveis no marketplace dentro da plataforma

O Flowise democratizou a construção de agentes de IA. Para quem não domina Python mas precisa de agentes RAG funcionais em produção, é provavelmente o caminho mais rápido disponível hoje.