Flowise : construire des agents IA en drag-and-drop sur Ollama

#Pourquoi Flowise

Flowise est un constructeur visuel open-source (licence Apache 2.0) bâti au-dessus de LangChain et LangGraph. Il expose les mêmes briques — modèles, mémoire, retrievers, outils — sous forme de nœuds à connecter, ce qui fait passer un prototype d'agent de plusieurs centaines de lignes de Python à un graphe qu'on lit d'un coup d'œil.

Face à Dify, l'autre plateforme no-code du site, Flowise vise davantage l'orchestration fine : là où Dify propose une expérience produit très cadrée (apps, jeux de prompts, gestion d'équipe), Flowise laisse voir la plomberie LangChain et convient mieux quand vous voulez comprendre et ajuster chaque étape d'un agent. Les deux se branchent sur Ollama de la même manière.

100 % local

Couplé à Ollama, aucun token ni document ne part vers une API cloud. Idéal pour des données sensibles ou un usage hors-ligne.

Itération rapide

Le chat de test est intégré au canvas : vous modifiez un nœud et vous voyez l'effet immédiatement, sans redéployer quoi que ce soit.

Exposition API et widget

Chaque chatflow devient automatiquement un endpoint REST et un widget web embarquable, sans écrire de backend.

Extensible

Marketplace de templates, nœuds personnalisés en JavaScript, et intégration d'outils (recherche web, calculatrice, appels HTTP).

#Prérequis

Flowise est léger : c'est Ollama et le modèle chargé qui consomment la mémoire. Prévoyez une machine capable de faire tourner confortablement le LLM visé.

Ollama installé

Le daemon doit tourner et écouter sur http://localhost:11434 (valeur par défaut). Vérifiez avec « ollama list ».

Un modèle de chat

Un modèle capable de tool calling pour les agents : Qwen 3.5 8B, Granite 4.2 8B ou Mistral Small 24B selon votre VRAM (7B ≈ 5 Go, 14B ≈ 9 Go, 24B ≈ 16 Go en Q4_K_M).

Un modèle d'embeddings

Pour le RAG : « nomic-embed-text » ou « mxbai-embed-large », légers et disponibles via Ollama.

Node.js 18.15+ ou Docker

Flowise s'installe via npm ou en conteneur. Docker est recommandé pour un déploiement propre et persistant.

#Installer Flowise

Deux méthodes. La plus rapide pour tester est npx ; pour un usage durable avec des données qui persistent, préférez Docker.

# Lancement direct, sans installation permanente
npx flowise start

# Ou installation globale puis démarrage
npm install -g flowise
flowise start

docker run -d \
  --name flowise \
  -p 3000:3000 \
  --add-host=host.docker.internal:host-gateway \
  -v ~/.flowise:/root/.flowise \
  flowiseai/flowise

Ouvrez ensuite http://localhost:3000 dans votre navigateur : l'interface du canvas s'affiche. Le volume monté (~/.flowise) conserve vos chatflows et vos clés entre deux redémarrages du conteneur.

#Connecter Ollama à Flowise

Le nœud « ChatOllama » est le pont entre Flowise et votre daemon local. Le point clé est l'URL de base : elle dépend de la façon dont Flowise est lancé.

1. 01
   Ajouter le nœud ChatOllama

   Dans le canvas, ouvrez le panneau des nœuds, catégorie « Chat Models », et glissez « ChatOllama » sur la zone de travail.
2. 02
   Renseigner l'URL de base

   Si Flowise tourne en natif (npx/npm), utilisez http://localhost:11434. S'il tourne en Docker, utilisez http://host.docker.internal:11434 — le conteneur ne voit pas « localhost » de l'hôte.
3. 03
   Choisir le modèle

   Dans le champ « Model Name », saisissez le nom exact du modèle chargé dans Ollama, par exemple « qwen3.5:8b » ou « mistral-small ».
4. 04
   Régler les paramètres

   Ajustez Temperature (0,7 pour du chat, 0,1-0,3 pour du RAG factuel) et, si besoin, la taille de contexte via num_ctx dans les options avancées.

#Les nœuds essentiels d'un chatflow

Un chatflow se lit de gauche à droite : les nœuds fournisseurs (modèle, mémoire, outils) alimentent un nœud « chaîne » ou « agent » qui produit la réponse. Voici la poignée de blocs qui reviennent dans presque tous les flux.

Chat Model (ChatOllama)

Le cerveau : le LLM qui génère les réponses. Toujours présent.

Memory (Buffer Memory)

Conserve l'historique de conversation pour que l'agent garde le fil d'un tour à l'autre.

Prompt Template

Définit les instructions système et la mise en forme de la question. C'est ici qu'on donne un rôle et un cadre au modèle.

Chain / Agent

Le nœud terminal. « Conversation Chain » pour un simple chat ; « Tool Agent » quand le modèle doit décider d'appeler des outils.

Tools

Capacités externes : calculatrice, recherche web, requête HTTP, lecture de fichiers. Reliées à un agent, elles étendent ce qu'il sait faire.

Document Loaders & Vector Store

La brique RAG : chargent des documents, les découpent, les indexent et les rendent interrogeables (voir plus bas).

#Monter un premier chatflow

Commençons par le plus simple : un assistant conversationnel avec mémoire, branché sur Ollama. Il servira de base à tout le reste.

1. 01
   Créer un nouveau Chatflow

   Depuis l'écran d'accueil, cliquez sur « Add New » dans l'onglet Chatflows. Un canvas vierge s'ouvre.
2. 02
   Poser les trois nœuds de base

   Glissez « ChatOllama », « Buffer Memory » et « Conversation Chain » sur le canvas.
3. 03
   Câbler les connexions

   Reliez la sortie de ChatOllama à l'entrée « Chat Model » de la Conversation Chain, et la sortie de Buffer Memory à l'entrée « Memory » de la même chaîne.
4. 04
   Personnaliser le prompt système

   Dans la Conversation Chain, ouvrez le champ System Message et donnez un rôle : « Tu es un assistant technique concis qui répond en français ».
5. 05
   Tester dans le chat intégré

   Cliquez sur l'icône de chat en haut à droite, posez une question, puis une seconde qui dépend de la première pour vérifier que la mémoire fonctionne.

#Un RAG complet en drag-and-drop

Le RAG (Retrieval-Augmented Generation) permet au modèle de répondre à partir de vos propres documents. Dans Flowise, tout se fait au canvas : on charge les fichiers, on les vectorise, et on branche le retriever sur une chaîne de questions-réponses.

1. 01
   Charger les documents

   Ajoutez un nœud « Document Loader » adapté à votre source : PDF File, Text File, ou Folder. Il lit le contenu brut.
2. 02
   Découper en chunks

   Reliez un « Recursive Character Text Splitter » au loader. Réglez la taille des chunks autour de 1000 caractères avec 100 de chevauchement pour garder le contexte entre morceaux.
3. 03
   Générer les embeddings

   Ajoutez un nœud « Ollama Embeddings » avec le modèle « nomic-embed-text » et la même URL de base que ChatOllama.
4. 04
   Indexer dans un vector store

   Glissez un « In-Memory Vector Store » (simple, pour démarrer) ou « Chroma » pour de la persistance. Reliez-y le splitter et les embeddings.
5. 05
   Brancher un Retrieval QA Chain

   Reliez le vector store (comme retriever) et ChatOllama à un nœud « Retrieval QA Chain » ou « Conversational Retrieval QA Chain » pour garder la mémoire de conversation.
6. 06
   Interroger vos documents

   Sauvegardez, ouvrez le chat et posez une question dont la réponse est dans vos fichiers. Le modèle cite désormais votre contenu.

ollama pull qwen3.5:8b
ollama pull nomic-embed-text

#Publier et intégrer le chatbot

Une fois le chatflow satisfaisant, Flowise l'expose de deux manières sans une ligne de backend : une API REST et un widget web à coller sur votre site.

Cliquez sur « API Endpoint » ou l'icône </> en haut à droite du canvas. Flowise génère l'URL de prédiction et des exemples prêts à copier. L'endpoint suit toujours le même schéma, avec l'identifiant unique du chatflow.

curl http://localhost:3000/api/v1/prediction/<CHATFLOW_ID> \
  -H "Content-Type: application/json" \
  -d '{"question": "Résume la politique de retour en une phrase."}'

Pour l'intégration web, l'onglet « Embed » fournit un extrait de script à placer avant la balise de fermeture </body> de vos pages. Le widget affiche une bulle de chat flottante entièrement configurable (couleurs, message d'accueil, avatar).

<script type="module">
  import Chatbot from 'https://cdn.jsdelivr.net/npm/flowise-embed/dist/web.js'
  Chatbot.init({
    chatflowid: '<CHATFLOW_ID>',
    apiHost: 'http://localhost:3000',
  })
</script>

#Dépannage des pièges fréquents

« fetch failed » sur ChatOllama

URL de base incorrecte. En Docker, utilisez host.docker.internal:11434, pas localhost. Vérifiez aussi qu'Ollama tourne bien (ollama list).

Le modèle n'appelle jamais les outils

Le LLM ne supporte pas ou mal le tool calling. Passez à un modèle récent entraîné pour (Qwen 3.5, Mistral Small) et vérifiez que vous utilisez un « Tool Agent », pas une simple chaîne.

Réponses lentes ou tronquées

Contexte trop grand pour la VRAM : le modèle déborde sur le CPU. Réduisez num_ctx, la taille des chunks RAG, ou choisissez un modèle plus petit.

Le RAG ne trouve rien de pertinent

Chunks mal dimensionnés ou mauvais modèle d'embeddings. Ajustez la taille des chunks, augmentez le nombre de documents remontés (top-k) et vérifiez que l'indexation s'est bien faite.

Les données disparaissent au redémarrage

En Docker sans volume monté, tout est perdu. Assurez-vous d'avoir « -v ~/.flowise:/root/.flowise » et utilisez un vector store persistant plutôt qu'en mémoire.

#Pour aller plus loin

Flowise n'est qu'une couche visuelle : la qualité de vos agents dépend surtout du modèle et de la stack en dessous. Trois guides du site prolongent celui-ci — installer proprement Ollama avant de connecter Flowise, comparer l'approche no-code de Dify à celle de Flowise, et comprendre les rouages d'un RAG en Python pour ajuster finement ce que le canvas automatise.