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](https://flowiseai.com) | [docs.flowiseai.com](https://docs.flowiseai.com)
> **GitHub:** [github.com/FlowiseAI/Flowise](https://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)

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

Opção 2: Docker (recomendado para produção)

```yaml
# 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
```

```bash
docker-compose up -d
```

Opção 3: Deploy gratuito na Railway

1. Acesse [railway.app](https://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:

```bash
# 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:**
```json
{
"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](https://ollama.ai) e use modelos locais gratuitos (Llama 3, Mistral, Phi). Troque para GPT-4o apenas em produção.

---

Recursos para aprender mais

- **Documentação**: [docs.flowiseai.com](https://docs.flowiseai.com/getting-started)
- **GitHub**: [github.com/FlowiseAI/Flowise](https://github.com/FlowiseAI/Flowise)
- **YouTube oficial**: canal @FlowiseAI (tutoriais em vídeo)
- **Discord**: [discord.gg/jn8g7vn6f8](https://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.