Flowise-Flows über einen Base Path auf jedem Katalog-Modell betreiben.

Kurzantwort: Credential, Base Path, Model-ID.

Zieh in der Flowise-Canvas einen ChatOpenAI-Node aus dem Chat-Models-Panel, klicke auf Connect Credential, und erstelle eine neue OpenAI-Credential mit deinem APIsRouter-Key. Öffne dann Additional Parameters am Node und setze Base Path auf https://api.apisrouter.com/v1. Jeder Call, den der Node jetzt macht, geht ans Gateway statt an OpenAIs Hosts. Für das Model-Feld: der Standard-ChatOpenAI-Node bietet ein Dropdown mit OpenAI-Modellnamen, also nutze für Gateway-IDs wie claude-sonnet-4-6 oder deepseek-v4-flash stattdessen den ChatOpenAI-Custom-Node, der jede Model-ID als Freitext akzeptiert. Das ist ein dokumentiertes Flowise-Muster, beschrieben in den offiziellen Docs genau für diese Klasse OpenAI-kompatibler Endpoints.

Connect Credential:  new OpenAI credential
                     API Key: sk-YOUR-APISROUTER-KEY

Model Name:          claude-sonnet-4-6

Additional Parameters:
  Base Path:         https://api.apisrouter.com/v1

Wie Flowise mit dem Endpoint spricht.

Flowise (FlowiseAI auf GitHub, rund 55.000 Stars) ist der visuelle Builder für LLM-Apps: Chatflows und Agent-Flows, zusammengebaut aus Nodes auf einer Canvas, die Chat-Modelle, RAG-Pipelines über Dokumenten-Stores, Tool-nutzende Agents und API-Endpoints abdecken, die du aus deinen eigenen Produkten aufrufen kannst. Jeder LLM-Node in einem Flow stellt Standard-Chat-Completions-Requests, und der Base Path entscheidet, wo diese Requests landen. Weil das Gateway viele Vendoren hinter einer URL bedient, deckt eine Credential jedes Modell im Katalog ab. Ein RAG-Chatflow kann seine Antwortsynthese auf claude-sonnet-4-6 laufen lassen, während ein Klassifizierungszweig im selben Flow deepseek-v4-flash nutzt, jeder als eigener Node mit eigener Model-ID konfiguriert, beide abgerechnet über denselben Key. Die Docs beschreiben denselben Base-Path-Mechanismus für andere OpenAI-kompatible Dienste, also ist das Standard-Flowise-Nutzung, kein Workaround. Ein ehrlicher Vorbehalt: Embeddings sind ein separater Node-Typ. Nutzt dein Flow OpenAI-Embeddings, konfiguriere den OpenAI-Embeddings-Custom-Node mit demselben Base-Path-Muster, und verifiziere zuerst die Embedding-Model-ID gegen den Katalog, da Chat- und Embedding-Flächen getrennt sind.

Self-hosted Flowise: Docker-Netzwerk-Hinweise.

Die meisten Flowise-Installationen laufen in Docker, und der Base Path wird von innerhalb des Containers aufgelöst. Eine öffentliche Gateway-URL wie https://api.apisrouter.com/v1 funktioniert von überall, also gilt kein spezielles Netzwerk-Setup; dieser Vorbehalt existiert, weil ein Großteil der Community-Doku für lokale Inferenz-Server geschrieben wurde, wo host.docker.internal-Adressen zählen. Gegen ein gehostetes Gateway kannst du diese ganze Ratgeber-Klasse ignorieren. Was operativ tatsächlich zählt: Credentials in Flowise werden server-seitig gespeichert und über Flows hinweg geteilt, also ist eine einmal erstellte APIsRouter-Credential von jedem Node in jedem Flow der Instanz wiederverwendbar. Für Teams gibt das plus Per-Key-Nutzung in der Gateway-Konsole einen sauberen Split: eine Credential pro Umgebung oder Projekt, und die Konsole ordnet jeder Token und Ausgaben zu.

curl -s https://api.apisrouter.com/v1/models \
  -H "Authorization: Bearer $APISROUTER_API_KEY" | head -30

Modelle pro Node wählen.

Flows vervielfachen Model-Calls auf eine Weise, die ein einzelner Chat nie erreicht: eine RAG-Pipeline mit Query-Rewriting, Retrieval-Grading und Antwortsynthese kann das LLM drei oder mehr Mal pro Nutzernachricht treffen. Das Flaggschiff nur dort einzusetzen, wo es sich verdient, und überall sonst eine Volumen-Stufe, ist eine Per-Node-Dropdown-Entscheidung, sobald der Base Path gesetzt ist.

• claude-sonnet-4-6 für den zentralen Konversations- oder Agent-Node, wo Antwortqualität den Flow trägt.
• claude-haiku-4-5-20251001 für High-Volume-Zweige: Routing, Tagging, kurze Zusammenfassungen innerhalb größerer Flows.
• gpt-5.4-mini als GPT-Familien-Volumenkandidat für Flows, gebaut um OpenAI-artiges Verhalten.
• gemini-3.5-flash, wo ein Zweig lange Dokumente oder Bilder zu einem mittleren Preis-Tarif aufnimmt.
• deepseek-v4-flash für die höchstvolumigen Utility-Calls, wo der Preis pro Token die Design-Beschränkung ist.

Nutzungsbasiert · unter offiziellem Preis

Selected models are priced below official list prices. Exact input, output, cache, and per-request prices are shown for each model.

Fehlerbilder speziell für Flowise.

Die Zwei-Schritt-Debug-Reihenfolge gilt hier wie überall: beweise den Endpoint zuerst mit curl, Modell-Liste und dann eine Completion mit der exakten ID, und debugge erst danach in Flowise. Das trennt Gateway-Probleme von Canvas-Konfiguration in unter einer Minute.

• Model-Dropdown listet deine ID nicht: erwartet am Standard-ChatOpenAI-Node. Nutze ChatOpenAI Custom, das Freitext-Model-IDs annimmt.
• 401 vom Node: die Credential trägt den falschen Key, oder eine andere Credential ist an diesem Node hinterlegt, als du denkst. Credentials sind Per-Node-Zuordnungen, prüfe also den Node, nicht nur den Credential-Store.
• 404 bei jedem Call: Base Path fehlt /v1 oder hat ein Pfadsegment zu viel. Der Node hängt Routenpfade an die Base an, die du angibst.
• Funktioniert in einem Flow, scheitert in einem anderen: jeder Node trägt seine eigene Base-Path-Einstellung unter Additional Parameters. Einen Node zu kopieren übernimmt sie; einen neuen Node zu bauen nicht.
• Embedding-Nodes treffen weiterhin OpenAI: Chat- und Embedding-Nodes werden unabhängig konfiguriert. Setze den Base Path auch am Embeddings-Node, oder erwarte gemischtes Billing.

Wer Flowise über ein Gateway routet.

• Builder, die Client-Chatbots ausliefern und Modellwahl pro Flow wollen, ohne ein Vendor-Konto pro Client.
• RAG-lastige Teams, deren Retrieval-Pipelines Per-Message-LLM-Calls vervielfachen und Volumen-Stufen für die Utility-Steps brauchen.
• Agenturen, die eine Flowise-Instanz für viele Projekte betreiben, mit einer Credential pro Projekt-Key für saubere Per-Client-Nutzungszuordnung.
• Entwickler, die Claude, GPT und DeepSeek am selben Flow vergleichen, wo jeder Kandidat eine Model-Feld-Bearbeitung an einem duplizierten Node ist.
• Self-Hoster, die die gesamte Instanz aus einem Prepaid-Guthaben statt mehreren Vendor-Karten abrechnen wollen.

Häufige Fragen