Flowise + Ertas

Construye flujos de trabajo de automatizacion con IA visualmente en Flowise usando modelos entrenados con Ertas como el motor de razonamiento — sin codigo necesario para pipelines LLM sofisticados.

Overview

Flowise es un constructor visual de flujos de trabajo de codigo abierto para aplicaciones LLM. Proporciona un lienzo de arrastrar y soltar donde los usuarios pueden conectar nodos preconstruidos — modelos de chat, almacenes de vectores, cargadores de documentos, herramientas y modulos de memoria — en pipelines de IA funcionales sin escribir codigo. Construido sobre LangChain, Flowise expone todo el poder de orquestacion de cadenas a traves de una interfaz visual intuitiva que hace el desarrollo de aplicaciones LLM accesible para no desarrolladores y dramaticamente mas rapido para ingenieros experimentados.

Flowise soporta despliegue como un servicio autoalojado con una capa de API integrada, lo que significa que los flujos de trabajo construidos en el editor visual pueden consumirse como endpoints REST por cualquier aplicacion. Incluye gestion de credenciales integrada, memoria de conversacion y dashboards de analitica. Para equipos que necesitan iterar rapidamente en flujos de trabajo de IA — probando diferentes prompts, estrategias de recuperacion y configuraciones de modelo — Flowise elimina el ciclo de codigo-compilacion-despliegue y lo reemplaza con un ciclo de retroalimentacion visual en tiempo real.

How Ertas Integrates

Los modelos entrenados con Ertas se conectan a Flowise a traves de cualquier nodo de modelo de chat OpenAI-compatible. Despues del fine-tuning en Ertas Studio, despliegas tu modelo via Ollama, vLLM o Ertas Cloud, luego agregas un nodo ChatOpenAI o ChatOllama en el lienzo de Flowise y lo apuntas a tu endpoint de inferencia. El modelo inmediatamente queda disponible como el motor de razonamiento para cualquier flujo de trabajo que construyas — cadenas RAG, agentes conversacionales, pipelines de procesamiento de documentos o flujos de clasificacion de multiples pasos.

Esta combinacion es particularmente poderosa para equipos de negocios y agencias de automatizacion. Ertas maneja la complejidad tecnica del fine-tuning y despliegue de modelos, mientras Flowise proporciona la interfaz visual para construir e iterar en flujos de trabajo de IA. Un equipo de marketing puede ajustar un modelo con la voz de la marca en Ertas Studio, desplegarlo localmente y luego usar Flowise para construir un flujo de trabajo de generacion de contenido que extrae de su base de conocimiento — todo sin tocar una linea de codigo. El resultado es automatizacion de IA especifica del dominio que normalmente requeriria un equipo completo de ingenieria ML.

Getting Started

1
Ajusta tu modelo en Ertas Studio
Entrena un modelo con los datos de tu caso de uso especifico. Ertas Studio maneja la preparacion del dataset, configuracion de entrenamiento y exportacion del modelo automaticamente.
2
Despliega en un endpoint local o en la nube
Exporta el modelo GGUF y sirvelo a traves de Ollama o vLLM localmente, o despliega en Ertas Cloud para un endpoint gestionado.
3
Agrega un nodo de modelo de chat en Flowise
Abre el lienzo de Flowise y arrastra un nodo ChatOpenAI o ChatOllama. Configuralo con la URL del endpoint de tu modelo y el nombre del modelo.
4
Construye tu flujo de trabajo visualmente
Conecta cargadores de documentos, almacenes de vectores, plantillas de prompts y nodos de herramientas para crear tu flujo de trabajo de IA. Pruebalo en tiempo real usando la interfaz de chat integrada.
5
Despliega como endpoint API
Publica tu flujo de trabajo de Flowise como una API REST. Cualquier aplicacion puede ahora consumir tu pipeline de IA especifico del dominio a traves de una simple llamada HTTP.

json

{
  "nodes": [
    {
      "id": "chatModel_0",
      "type": "ChatOpenAI",
      "data": {
        "baseUrl": "http://localhost:11434/v1",
        "modelName": "ertas-support-7b",
        "temperature": 0.2,
        "maxTokens": 1024
      }
    },
    {
      "id": "vectorStore_0",
      "type": "InMemoryVectorStore",
      "data": {
        "topK": 5
      }
    },
    {
      "id": "chain_0",
      "type": "ConversationalRetrievalQA",
      "data": {
        "returnSourceDocuments": true
      }
    }
  ]
}

Ejemplo de configuracion de flujo de trabajo de Flowise conectando un modelo entrenado con Ertas a un almacen de vectores para Q&A conversacional.

Benefits

Creacion de flujos de trabajo de IA sin codigo con constructor visual de arrastrar y soltar
Los modelos ajustados funcionan como reemplazos directos en cualquier nodo de modelo de chat de Flowise
El despliegue autoalojado mantiene todos los datos dentro de tu infraestructura
Memoria de conversacion y analitica integradas para monitoreo en produccion
Iteracion rapida en prompts y estrategias de recuperacion sin redesplegar codigo
Accesible para equipos no tecnicos mientras sigue siendo potente para ingenieros