Uruchom przepływy Flowise na dowolnym modelu z katalogu przez jeden Base Path.

Szybka odpowiedź: poświadczenie, Base Path, identyfikator modelu.

Na canvasie Flowise przeciągnij węzeł ChatOpenAI z panelu Chat Models, kliknij Connect Credential i utwórz nowe poświadczenie OpenAI zawierające Twój klucz APIsRouter. Potem otwórz Additional Parameters na węźle i ustaw Base Path na https://api.apisrouter.com/v1. Każde wywołanie, które robi teraz węzeł, trafia do bramki zamiast do hostów OpenAI. Co do pola modelu: standardowy węzeł ChatOpenAI oferuje rozwijaną listę nazw modeli OpenAI, więc dla identyfikatorów bramki, takich jak claude-sonnet-4-6 albo deepseek-v4-flash, użyj zamiast tego węzła ChatOpenAI Custom, który akceptuje dowolny identyfikator modelu jako dowolny tekst. To udokumentowany wzorzec Flowise, opisany w oficjalnej dokumentacji dokładnie dla tej klasy endpointu kompatybilnego z 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

Jak Flowise rozmawia z endpointem.

Flowise (FlowiseAI na GitHubie, około 55 tys. gwiazdek) to wizualny kreator aplikacji LLM: chatflow i przepływy agentów budowane z węzłów na canvasie, obejmujące modele czatu, pipeline'y RAG na magazynach dokumentów, agentów używających narzędzi i endpointy API, które możesz wywoływać z własnych produktów. Każdy węzeł LLM w przepływie wysyła standardowe żądania chat-completions, a Base Path decyduje, dokąd te żądania trafiają. Ponieważ bramka obsługuje wielu dostawców za jednym URL-em, jedno poświadczenie pokrywa każdy model z katalogu. Chatflow RAG może uruchamiać syntezę odpowiedzi na claude-sonnet-4-6, podczas gdy gałąź klasyfikacji w tym samym przepływie uruchamia deepseek-v4-flash, każda skonfigurowana jako własny węzeł z własnym identyfikatorem modelu, obie rozliczane przez ten sam klucz. Dokumentacja opisuje ten sam mechanizm Base Path dla innych serwisów kompatybilnych z OpenAI, więc to standardowe użycie Flowise, a nie obejście. Jedno uczciwe zastrzeżenie: embeddingi to osobny typ węzła. Jeśli Twój przepływ używa embeddingów OpenAI, skonfiguruj węzeł OpenAI Embeddings Custom tym samym wzorcem Base Path i najpierw zweryfikuj identyfikator modelu embeddingu względem katalogu, ponieważ powierzchnie czatu i embeddingu są odrębne.

Self-hostowany Flowise: uwagi o sieciowaniu Dockera.

Większość instalacji Flowise działa w Dockerze, a Base Path jest rozwiązywany z wnętrza kontenera. Publiczny URL bramki, taki jak https://api.apisrouter.com/v1, działa z dowolnego miejsca, więc żadne specjalne sieciowanie się nie stosuje; to zastrzeżenie istnieje, ponieważ duża część dokumentacji społecznościowej została napisana dla lokalnych serwerów wnioskowania, gdzie liczą się adresy host.docker.internal. Względem hostowanej bramki możesz zignorować całą tę klasę porad. Część, która ma znaczenie operacyjne: poświadczenia w Flowise są przechowywane po stronie serwera i współdzielone między przepływami, więc jedno poświadczenie APIsRouter utworzone raz jest wielokrotnego użytku przez każdy węzeł w każdym przepływie na instancji. Dla zespołów, to plus użycie per klucz w konsoli bramki daje czysty podział: jedno poświadczenie per środowisko albo per projekt, a konsola przypisuje tokeny i wydatki do każdego z nich.

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

Dobór modeli per węzeł.

Przepływy mnożą wywołania modelu w sposób, w jaki pojedynczy czat nigdy tego nie robi: pipeline RAG z przepisywaniem zapytań, ocenianiem retrievalu i syntezą odpowiedzi może trafić w LLM trzy albo więcej razy na wiadomość użytkownika. Umieszczenie flagowca tylko tam, gdzie zarabia na swoją stawkę, a poziomu wolumenowego wszędzie indziej, to decyzja z rozwijanej listy per węzeł, gdy Base Path jest już ustawiony.

• claude-sonnet-4-6 dla głównego węzła konwersacyjnego albo agenta, gdzie jakość odpowiedzi niesie przepływ.
• claude-haiku-4-5-20251001 dla gałęzi wysokowolumenowych: routing, tagowanie, krótkie streszczenia wewnątrz większych przepływów.
• gpt-5.4-mini jako wolumenowy wybór z rodziny GPT dla przepływów budowanych wokół zachowania w stylu OpenAI.
• gemini-3.5-flash tam, gdzie gałąź pochłania długie dokumenty albo obrazy w cenie średniego poziomu.
• deepseek-v4-flash dla wywołań narzędziowych o najwyższym wolumenie, gdzie stawka per token jest ograniczeniem projektowym.

Płatność za użycie · poniżej cen oficjalnych

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

Tryby awarii charakterystyczne dla Flowise.

Dwukomendowa kolejność debugowania stosuje się tu jak wszędzie: udowodnij endpoint curlem najpierw, listing modeli, a potem jedno completion z dokładnym identyfikatorem, i dopiero wtedy debuguj wewnątrz Flowise. To oddziela problemy bramki od konfiguracji canvasu w niecałą minutę.

• Rozwijana lista modeli nie zawiera Twojego identyfikatora: spodziewane na standardowym węźle ChatOpenAI. Użyj ChatOpenAI Custom, który przyjmuje dowolne identyfikatory modeli jako tekst.
• 401 z węzła: poświadczenie zawiera zły klucz, albo do tego węzła podłączone jest inne poświadczenie, niż myślisz. Poświadczenia są dołączane per węzeł, więc sprawdź węzeł, nie tylko magazyn poświadczeń.
• 404 przy każdym wywołaniu: Base Path brakuje /v1 albo ma końcowy segment ścieżki, którego nie powinien mieć. Węzeł dokleja ścieżki tras do bazy, którą podajesz.
• Działa w jednym przepływie, zawodzi w innym: każdy węzeł niesie własne ustawienie Base Path pod Additional Parameters. Skopiowanie węzła kopiuje je; zbudowanie nowego węzła — nie.
• Węzły embeddingu nadal trafiają do OpenAI: węzły czatu i embeddingu są konfigurowane niezależnie. Ustaw Base Path też na węźle embeddingów, albo spodziewaj się mieszanego rozliczenia.

Kto kieruje Flowise przez bramkę.

• Twórcy wypuszczający chatboty klienckie, którzy chcą wyboru modelu per przepływ bez konta u dostawcy na każdego klienta.
• Zespoły intensywnie korzystające z RAG, których pipeline'y retrievalu mnożą wywołania LLM per wiadomość i potrzebują poziomów wolumenowych na krokach narzędziowych.
• Agencje prowadzące jedną instancję Flowise dla wielu projektów, używające jednego poświadczenia per klucz projektu dla czystego przypisania użycia per klient.
• Deweloperzy porównujący Claude, GPT i DeepSeek na tym samym przepływie, gdzie każdy kandydat to edycja pola modelu na zduplikowanym węźle.
• Self-hosterzy, którzy chcą, żeby cała instancja rozliczała się z jednego przedpłaconego salda zamiast kilku kart dostawców.

Częste pytania