Guía Completa sobre Agentes Inteligentes en Flowise

Si te has asomado al mundo de Flowise, probablemente te hayas dado cuenta de que no es solamente una herramienta para crear bots que contestan preguntas. Se trata de una plataforma visual para construir aplicaciones y agentes de inteligencia artificial, conectar modelos con fuentes de información y automatizar tareas sin tener que programar toda la arquitectura desde cero.

Un chatbot convencional suele limitarse a generar respuestas utilizando unas instrucciones y, en algunos casos, documentos propios. Un agente añade otra capacidad: puede escoger herramientas, consultar servicios externos y decidir qué paso ejecutar para intentar cumplir un objetivo.

Eso no significa que actúe de manera infalible ni que razone como una persona. Su comportamiento depende del modelo seleccionado, las instrucciones, las herramientas disponibles y los límites definidos en el flujo. En esta guía veremos cómo crear un agente inteligente con Flowise, añadir memoria y herramientas y probarlo antes de ponerlo en producción.

Qué diferencia existe entre un chatbot y un agente

Un chatbot básico recibe un mensaje y genera una respuesta. Puede mantener una conversación, consultar documentos mediante RAG o seguir unas instrucciones, pero normalmente no decide entre varias acciones externas.

Un agente combina varios elementos:

• Un modelo de lenguaje, encargado de interpretar la petición y generar la respuesta.
• Un mensaje del sistema, donde se definen su función, sus límites y su forma de actuar.
• Herramientas, utilizadas para consultar APIs, buscar información o ejecutar funciones.
• Memoria o estado, que permite conservar información entre diferentes pasos o mensajes.
• Lógica de control, utilizada para escoger rutas, repetir operaciones o detener la ejecución.

La diferencia puede verse en una tarea de soporte. Un chatbot podría explicar al usuario dónde consultar una factura. Un agente, si dispone de una herramienta segura para acceder al sistema de facturación, podría buscar el documento correspondiente y devolver los datos autorizados.

El agente no obtiene acceso a una aplicación por el mero hecho de añadirla al prompt. Necesita una integración real, credenciales válidas y permisos restringidos a las operaciones necesarias.

Requisitos para instalar Flowise

Flowise puede instalarse localmente mediante NPM, ejecutarse con Docker o utilizarse como servicio alojado. Para la instalación con NPM necesitas una versión compatible de Node.js. La documentación oficial admite Node.js 18.15.0, la rama 20 y versiones posteriores compatibles.

Puedes instalar Flowise con:

npm install -g flowise

Después, inicia el servicio mediante:

npx flowise start

La interfaz estará disponible normalmente en:

http://localhost:3000

También puedes utilizar Docker Compose. En ese caso, debes clonar el repositorio, entrar en su directorio docker, copiar el archivo de variables de ejemplo y levantar los contenedores:

docker compose up -d

No es obligatorio utilizar OpenAI. Flowise admite diferentes proveedores comerciales y modelos locales, siempre que el constructor y los componentes seleccionados sean compatibles con ellos.

Proteger Flowise y sus credenciales antes de empezar

Una instalación abierta en el puerto 3000 no debería publicarse directamente en Internet. Para utilizar Flowise en producción necesitas configurar autenticación, HTTPS, una base de datos adecuada y las variables de seguridad recomendadas.

Las claves de los proveedores deben guardarse mediante el sistema de credenciales de Flowise. Además, conviene definir una clave de cifrado propia y persistente. Si la clave cambia o se pierde, las credenciales almacenadas pueden dejar de descifrarse correctamente.

También es recomendable separar el desarrollo de la producción. Puedes utilizar una instancia o proyecto de pruebas para validar los flujos antes de permitir que interactúen con datos corporativos.

Aplica siempre el principio de mínimo privilegio:

• Entrega a cada herramienta únicamente los permisos que necesita.
• No introduzcas secretos en prompts ni nodos de texto.
• No muestres credenciales en registros o capturas.
• Limita las direcciones a las que pueden realizarse peticiones.
• Solicita confirmación humana antes de ejecutar acciones delicadas.

Las versiones recientes de Flowise incorporan comprobaciones de seguridad para las solicitudes HTTP y bloquean de forma predeterminada determinadas direcciones internas. No conviene desactivar esta protección globalmente para resolver un problema de conexión sin entender antes el riesgo de SSRF.

Elegir entre Assistant, Chatflow y Agentflow

Flowise ofrece tres constructores con diferentes niveles de complejidad.

Assistant es el camino más sencillo. Está pensado para crear rápidamente un asistente conversacional mediante instrucciones, archivos y herramientas compatibles. Es una buena opción para principiantes y para casos de uso sencillos.

Chatflow proporciona un lienzo visual más flexible. Permite combinar modelos, prompts, memoria, recuperación de documentos, herramientas y componentes personalizados. Resulta adecuado para chatbots avanzados y sistemas con un único agente.

Agentflow V2 es el constructor más completo. Es un superconjunto de los anteriores y permite crear flujos con condiciones, bucles, ejecución paralela, agentes, herramientas, intervención humana y control explícito del estado.

Flowise todavía conserva documentación de Agentflow V1, donde aparecen arquitecturas como Sequential Agents y Multi-Agents con Supervisor y Workers. Sin embargo, esta versión está en proceso de retirada. Para un proyecto nuevo conviene utilizar Agentflow V2, salvo que necesites mantener un flujo antiguo.

Cómo crear un agente con Flowise paso a paso

Antes de añadir nodos, define una tarea concreta. “Ayudar a la empresa” es demasiado ambiguo. Un objetivo más útil sería “responder preguntas internas utilizando la documentación aprobada y crear un ticket cuando no encuentre una solución”.

En Agentflow V2 puedes comenzar con una estructura sencilla:

1. Crea un nuevo Agentflow.
2. Añade el nodo de inicio para recibir la consulta.
3. Incorpora un nodo Agent.
4. Selecciona el modelo de lenguaje y sus credenciales.
5. Escribe un mensaje del sistema con su función y sus límites.
6. Añade las herramientas necesarias.
7. Conecta la salida del agente con el final del flujo.
8. Prueba la ejecución antes de publicarla.

El mensaje del sistema debe explicar qué puede hacer el agente, cuándo debe utilizar cada herramienta y qué acciones tiene prohibidas. También puede indicar cómo debe actuar cuando le falte información.

Un ejemplo sencillo sería:

Eres un agente de soporte interno. Consulta primero la base
de conocimiento. Si no encuentras una respuesta respaldada,
explica que no dispones de información suficiente y ofrece
crear un ticket. No inventes políticas ni datos de clientes.

Cuanto más clara sea la responsabilidad de cada componente, más fácil será detectar por qué una ejecución ha fallado.

Añadir herramientas y conexiones externas

Las herramientas convierten al agente en algo más que un generador de texto. Flowise puede trabajar con búsquedas, consultas a bases de datos, solicitudes HTTP, código controlado, servidores MCP y otros flujos utilizados como herramientas.

Para conectarlo con un CRM o sistema de tickets puedes definir una herramienta que llame a su API. Esta debe incluir:

• Un nombre descriptivo.
• Una explicación precisa sobre cuándo utilizarla.
• Los parámetros de entrada esperados.
• La autenticación necesaria.
• Una respuesta estructurada que el modelo pueda interpretar.

Evita ofrecer varias herramientas con nombres y funciones casi idénticos. El modelo podría escoger la incorrecta o construir argumentos que no encajen con el esquema.

Para operaciones que modifican datos —enviar mensajes, borrar registros, realizar compras o cerrar tickets— resulta aconsejable introducir un paso de Human in the Loop. Así, una persona puede aprobar o rechazar la acción antes de que se ejecute.

Crear un agente que consulte documentos mediante RAG

Un agente puede combinar herramientas con recuperación aumentada por generación o RAG. Este sistema divide documentos en fragmentos, genera representaciones vectoriales y recupera las partes más relacionadas con una consulta.

El flujo habitual incluye:

1. Cargar y dividir los documentos.
2. Generar embeddings.
3. Guardar los vectores en una base compatible.
4. Crear un retriever que busque los fragmentos relevantes.
5. Exponer la recuperación como parte del flujo o como herramienta del agente.

No basta con conectar un PDF directamente al agente para garantizar respuestas correctas. Debes comprobar la calidad de los fragmentos, los metadatos, el modelo de embeddings y el número de resultados recuperados.

También conviene exigir que el agente diferencie entre información encontrada en los documentos y conclusiones propias. Si la fuente no contiene la respuesta, debe reconocerlo en lugar de inventarla.

Configurar la memoria y el estado de la conversación

La memoria permite conservar mensajes anteriores, pero no todos los sistemas necesitan recordar indefinidamente a cada usuario.

Flowise puede separar conversaciones mediante un identificador de chat. Para recuperar correctamente una conversación desde una aplicación externa debes reutilizar un sessionId o identificador equivalente de forma coherente.

En Agentflow V2 también existe Flow State, utilizado para compartir información estructurada entre nodos durante una ejecución. No debe confundirse con el historial conversacional: el historial guarda mensajes, mientras que el estado puede almacenar variables necesarias para controlar el flujo.

Guardar conversaciones completas de forma ilimitada aumenta el consumo de tokens y puede introducir información irrelevante. Algunas alternativas son:

• Conservar únicamente los últimos mensajes.
• Resumir conversaciones anteriores.
• Guardar datos estructurados en una base de datos.
• Eliminar información sensible que ya no sea necesaria.
• Aplicar una política de retención acorde con la privacidad.

La memoria persistente no debería utilizarse como sustituto de una base de datos empresarial. Los datos importantes deben almacenarse y validarse mediante sistemas diseñados para ello.

Cómo probar y observar el comportamiento del agente

Antes de publicar el flujo, prepara consultas normales, ambiguas y maliciosas. No compruebes solamente si responde correctamente cuando la petición coincide exactamente con el ejemplo utilizado para construirlo.

Entre las pruebas recomendables se encuentran:

• Consultas cuya respuesta aparece claramente en la fuente.
• Preguntas para las que no existe información.
• Intentos de obtener datos de otros usuarios.
• Instrucciones que intenten modificar el comportamiento del agente.
• Errores y tiempos de espera de las APIs externas.
• Herramientas que devuelven datos incompletos.
• Solicitudes que necesitan aprobación humana.

Las trazas y analíticas permiten observar qué nodos se ejecutaron, qué herramienta eligió el agente, cuánto tardó cada paso y dónde se produjo un error. Flowise también dispone de funciones de evaluación para comparar resultados aplicando métricas o criterios definidos.

Además de la calidad de la respuesta, controla la latencia, el consumo de tokens, el número de llamadas externas y el porcentaje de ejecuciones que necesitan intervención humana.

Crear sistemas con varios agentes en Agentflow V2

Cuando una tarea contiene especialidades claramente diferenciadas, puedes dividirla entre varios agentes. Por ejemplo, un agente puede investigar una empresa y otro redactar un correo utilizando únicamente la información aprobada.

El patrón Supervisor y Workers sigue siendo útil conceptualmente:

• El supervisor interpreta la petición y decide qué trabajo debe realizarse.
• Los workers resuelven tareas especializadas.
• El supervisor recopila los resultados y decide si el proceso ha terminado.

En Agentflow V2 esta arquitectura puede construirse combinando agentes, condiciones, bucles, estado compartido y otros flujos utilizados como herramientas. No es obligatorio seguir una jerarquía fija: también puedes crear procesos secuenciales, paralelos o deterministas.

Los parámetros Recursion Limit y Max Iteration aparecen asociados a los sistemas multiagente de Agentflow V1. En Agentflow V2 debes controlar cada repetición mediante la estructura del flujo, las condiciones de salida y los límites disponibles en los nodos utilizados.

Añadir agentes no mejora automáticamente el resultado. También aumenta el coste, la latencia y el número de puntos de fallo. Si una secuencia de nodos determinista resuelve la tarea, normalmente será más fácil de mantener que una conversación abierta entre varios modelos.

Publicar el agente mediante la API de Flowise

Después de validar el flujo puedes integrarlo en una web, aplicación o servicio mediante la Prediction API. La petición se envía al identificador del flujo y puede incluir el mensaje, el identificador de sesión y otras opciones admitidas.

Antes de permitir el acceso externo:

• Protege el flujo con una clave API.
• Configura límites de uso.
• Valida los datos recibidos.
• No confíes únicamente en las instrucciones del prompt.
• Registra errores sin almacenar secretos.
• Define tiempos de espera para las herramientas externas.

Flowise simplifica la construcción visual, pero no elimina la necesidad de diseñar permisos, validaciones y medidas de seguridad. Un agente conectado a servicios reales debe tratarse como cualquier otra aplicación capaz de consultar o modificar información.

Crear un agente inteligente con Flowise consiste en combinar un modelo, instrucciones, herramientas, memoria y una lógica de ejecución bien delimitada. Lo más sensato es comenzar con un caso de uso pequeño, observar cómo se comporta y añadir autonomía solamente cuando las pruebas demuestren que resulta necesaria.

Assistant facilita los primeros pasos, Chatflow ofrece mayor control sobre chatbots y agentes individuales y Agentflow V2 permite construir automatizaciones más complejas. Elegir el constructor adecuado y limitar con precisión las acciones del modelo es mucho más importante que añadir el mayor número posible de nodos.