flow های Flowise را روی هر مدل کاتالوگ از طریق یک Base Path اجرا کنید.

Updated 2026-07-29

Flowise base URL سفارشی را برای گره ChatOpenAI خودش مستند می‌کند: یک credential با کلید خود بسازید، Additional Parameters را باز کنید، و Base Path را روی https://api.apisrouter.com/v1 تنظیم کنید. برای id های مدل خارج از dropdown داخلی، گره ChatOpenAI Custom هر id ای را به‌عنوان متن آزاد می‌گیرد، که همان‌طور id های Claude، DeepSeek، و GLM یک flow Flowise را هدایت می‌کنند.

پاسخ سریع: credential، Base Path، id مدل.

در canvas Flowise، یک گره ChatOpenAI را از پنل Chat Models بکشید، روی Connect Credential کلیک کنید، و یک credential جدید OpenAI بسازید که کلید APIsRouter شما را نگه می‌دارد. سپس Additional Parameters روی گره را باز کنید و Base Path را روی https://api.apisrouter.com/v1 تنظیم کنید. هر فراخوانی که گره اکنون انجام می‌دهد به gateway می‌رود نه به host های OpenAI. برای فیلد مدل: گره استاندارد ChatOpenAI یک dropdown از نام‌های مدل OpenAI عرضه می‌کند، پس برای id های gateway مثل claude-sonnet-4-6 یا deepseek-v4-flash به‌جای آن از گره ChatOpenAI Custom استفاده کنید، که هر id مدل را به‌عنوان متن آزاد می‌پذیرد. این یک الگوی مستند Flowise است، توصیف‌شده در مستندات رسمی دقیقاً برای همین کلاس از endpoint سازگار با OpenAI.

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

Flowise چطور با endpoint صحبت می‌کند.

Flowise (FlowiseAI در GitHub، حدود ۵۵ هزار ستاره) سازنده تصویری برای اپ‌های LLM است: chatflow و agent flow ساخته‌شده از گره‌ها روی یک canvas، پوشش‌دهنده مدل‌های چت، pipeline های RAG روی document store ها، agent های استفاده‌کننده از tool، و endpoint های API که می‌توانید از محصولات خودتان فراخوانی کنید. هر گره LLM در یک flow درخواست‌های chat-completions استاندارد صادر می‌کند، و Base Path تصمیم می‌گیرد آن درخواست‌ها کجا فرود می‌آیند. چون gateway بسیاری vendor را پشت یک URL سرویس می‌دهد، یک credential هر مدل کاتالوگ را پوشش می‌دهد. یک chatflow RAG می‌تواند synthesis پاسخ خود را روی claude-sonnet-4-6 اجرا کند در حالی که یک شاخه طبقه‌بندی در همان flow deepseek-v4-flash را اجرا می‌کند، هرکدام به‌عنوان گره خودش با id مدل خودش پیکربندی شده، هر دو صورت‌حساب‌شده از طریق همان کلید. مستندات همان مکانیزم Base Path را برای سرویس‌های سازگار با OpenAI دیگر توصیف می‌کنند، پس این استفاده استاندارد Flowise است نه یک راه‌حل دورزدنی. یک نکته صادقانه: embedding ها یک نوع گره جدا هستند. اگر flow شما از embedding های OpenAI استفاده می‌کند، گره OpenAI Embeddings Custom را با همان الگوی Base Path پیکربندی کنید، و ابتدا id مدل embedding را در برابر کاتالوگ تأیید کنید، چون سطوح چت و embedding مجزا هستند.

Flowise خودمیزبان: نکات شبکه Docker.

بیشتر نصب‌های Flowise در Docker اجرا می‌شوند، و Base Path از داخل کانتینر resolve می‌شود. یک URL gateway عمومی مثل https://api.apisrouter.com/v1 از هر جایی کار می‌کند، پس هیچ شبکه‌سازی خاصی اعمال نمی‌شود؛ این نکته وجود دارد چون بخش زیادی از مستندات community برای سرورهای inference محلی نوشته شده، جایی که آدرس‌های host.docker.internal اهمیت دارند. در برابر یک gateway میزبانی‌شده می‌توانید کل آن دسته توصیه را نادیده بگیرید. بخشی که واقعاً عملیاتی اهمیت دارد: credential ها در Flowise سمت-سرور ذخیره می‌شوند و بین flow ها به اشتراک گذاشته می‌شوند، پس یک credential APIsRouter یک‌بار ساخته‌شده توسط هر گره در هر flow روی instance قابل‌استفاده مجدد است. برای تیم‌ها، آن به‌علاوه usage هر-کلید در کنسول gateway یک تقسیم تمیز به شما می‌دهد: یک credential به ازای هر محیط یا هر پروژه، و کنسول token و هزینه را به هرکدام نسبت می‌دهد.

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

انتخاب مدل به ازای هر گره.

flow ها فراخوانی‌های مدل را به شکل‌هایی ضرب می‌کنند که یک چت تکی هرگز انجام نمی‌دهد: یک pipeline RAG با بازنویسی query، رتبه‌بندی retrieval، و synthesis پاسخ می‌تواند LLM را سه بار یا بیشتر به ازای هر پیام کاربر بزند. قراردادن flagship فقط جایی که نرخ خودش را کسب می‌کند، و یک tier حجمی همه‌جای دیگر، یک تصمیم dropdown به ازای هر گره است وقتی Base Path تنظیم شده.

  • claude-sonnet-4-6 برای گره مکالمه‌ای یا agent اصلی، جایی که کیفیت پاسخ flow را حمل می‌کند.
  • claude-haiku-4-5-20251001 برای شاخه‌های حجم‌بالا: مسیریابی، برچسب‌زنی، خلاصه‌های کوتاه داخل flow های بزرگ‌تر.
  • gpt-5.4-mini به‌عنوان انتخاب حجمی خانواده GPT برای flow های ساخته‌شده حول رفتار سبک OpenAI.
  • gemini-3.5-flash جایی که یک شاخه اسناد یا تصاویر بلند را با نرخ mid-tier می‌بلعد.
  • deepseek-v4-flash برای پرحجم‌ترین فراخوانی‌های utility، جایی که نرخ هر-token محدودیت طراحی است.

پرداخت بر اساس مصرف · پایین‌تر از قیمت رسمی

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

مدلقیمت رسمیقیمت ما
Claude Sonnet 4.6$3.00 / $15.00 per M$2.40 / $12.00 per M
Claude Haiku 4.5 20251001$1.00 / $5.00 per M$0.80 / $4.00 per M
GPT-5.4 mini$0.75 / $4.50 per M$0.60 / $3.60 per M
Gemini 3.5 Flash$1.50 / $9.00 per M$1.20 / $7.20 per M
DeepSeek V4 Flash$0.14 / $0.28 per M$0.10 / $0.30 per M

حالت‌های شکست مختص Flowise.

ترتیب دیباگ دو-فرمانی اینجا هم مثل همه‌جا اعمال می‌شود: ابتدا endpoint را با curl اثبات کنید، فهرست مدل‌ها و سپس یک completion با id دقیق، و فقط بعد از آن داخل Flowise دیباگ کنید. آن مشکلات gateway را از پیکربندی canvas در کمتر از یک دقیقه جدا می‌کند.

  • dropdown مدل id شما را فهرست نمی‌کند: مورد انتظار روی گره استاندارد ChatOpenAI. از ChatOpenAI Custom استفاده کنید، که id های مدل متن‌آزاد را می‌گیرد.
  • 401 از گره: credential کلید اشتباه را نگه می‌دارد، یا credential متفاوتی به این گره وصل است نسبت به چیزی که فکر می‌کنید. credential ها اتصالات هر-گره هستند، پس گره را چک کنید، نه فقط store credential را.
  • 404 روی هر فراخوانی: Base Path یا /v1 را ندارد یا یک segment مسیر اضافی دارد که نباید داشته باشد. گره مسیرهایی را به base ای که می‌دهید اضافه می‌کند.
  • در یک flow کار می‌کند، در دیگری شکست می‌خورد: هر گره تنظیم Base Path خودش را زیر Additional Parameters حمل می‌کند. کپی‌کردن یک گره آن را کپی می‌کند؛ ساختن یک گره تازه این کار را نمی‌کند.
  • گره‌های embedding هنوز به OpenAI می‌زنند: گره‌های چت و embedding مستقل پیکربندی می‌شوند. Base Path را روی گره embedding هم تنظیم کنید، وگرنه صورت‌حساب مخلوط انتظار داشته باشید.

چه کسانی Flowise را از طریق یک gateway مسیردهی می‌کنند.

  • سازندگانی که چت‌بات‌های مشتری منتشر می‌کنند و انتخاب مدل به ازای هر flow می‌خواهند بدون یک حساب vendor به ازای هر مشتری.
  • تیم‌های RAG-سنگین که pipeline های retrieval آن‌ها فراخوانی‌های LLM هر-پیام را ضرب می‌کنند و به tier های حجمی روی گام‌های utility نیاز دارند.
  • آژانس‌هایی که یک instance Flowise را برای پروژه‌های بسیار اجرا می‌کنند، از یک credential به ازای هر کلید پروژه برای انتساب usage تمیز هر-مشتری استفاده می‌کنند.
  • توسعه‌دهندگانی که Claude، GPT، و DeepSeek را روی همان flow مقایسه می‌کنند، جایی که هر کاندید یک ویرایش فیلد مدل روی یک گره تکرارشده است.
  • self-hoster هایی که می‌خواهند کل instance از یک موجودی پیش‌پرداخت صورت‌حساب شود به‌جای چند کارت vendor.

پرسش‌های پرتکرار

چطور یک base URL سفارشی OpenAI در Flowise تنظیم کنم؟

روی گره ChatOpenAI یا ChatOpenAI Custom، Additional Parameters را باز کنید و Base Path را روی https://api.apisrouter.com/v1 تنظیم کنید، با کلید خود در credential متصل. مستندات Flowise دقیقاً همین مکانیزم را برای endpoint های سازگار با OpenAI توصیف می‌کنند.

چطور از id های مدل Claude یا DeepSeek در Flowise استفاده کنم؟

از گره ChatOpenAI Custom استفاده کنید، که هر id مدل را به‌عنوان متن آزاد می‌پذیرد. id دقیق کاتالوگ را وارد کنید، مثلاً claude-sonnet-4-6 یا deepseek-v4-flash، و Base Path را زیر Additional Parameters تنظیم کنید. dropdown گره استاندارد ChatOpenAI فقط نام‌های OpenAI را فهرست می‌کند.

آیا یک credential برای هر flow روی instance Flowise من کار می‌کند؟

بله. credential ها روی سرور Flowise ذخیره می‌شوند و می‌توانند به هر گره در هر flow متصل شوند. برای انتساب هزینه هر-پروژه، یک کلید gateway به ازای هر پروژه و یک credential به ازای هر کلید بسازید؛ کنسول سپس usage را به ازای هر کلید نشان می‌دهد.

آیا agent flow ها و tool calling از طریق gateway کار می‌کنند؟

بله. tool calling روی فرمت استاندارد chat-completions سوار می‌شود، و id هایی مثل claude-sonnet-4-6 فراخوانی‌های function را قابل‌اعتماد مدیریت می‌کنند. اگر یک گره agent روی یک id تier-حجمی بدرفتاری کند، همان flow را روی Sonnet تست کنید تا قابلیت مدل را از پیکربندی flow جدا کنید.

گره‌های embedding در flow های RAG چطور؟

embedding ها جدا از گره‌های چت پیکربندی می‌شوند. گره OpenAI Embeddings Custom همان الگوی Base Path را می‌گیرد؛ قبل از سیم‌کشی flow تأیید کنید id مدل embedding ای که قصد استفاده دارید در کاتالوگ وجود دارد، چون سطوح چت و embedding مجزا هستند.

چطور ببینم یک flow چقدر برای اجرا هزینه دارد؟

کنسول gateway هر درخواست را با مدل، شمارش token، و هزینه، به ازای هر کلید، log می‌کند. چون یک پیام کاربر تکی در یک flow RAG یا agent می‌تواند چندین فراخوانی LLM را trigger کند، log هر-درخواست راه صادقانه قیمت‌گذاری یک flow است، نه یک حدس هر-پیام.