Page informative, sans valeur de conseil. Téléchargez depuis la source officielle, vérifiez la licence (cœur Apache 2.0, mais une partie « enterprise » est sous licence commerciale — voir plus bas), et gardez en tête que certains nœuds exécutent du code et que vos agents peuvent appeler des outils réels : testez en isolé d'abord.
À quoi ça sert
Flowise transforme la construction d'une chaîne LLM en schéma de nœuds. Chaque bloc a un rôle : un Chat Model (le modèle), un Prompt, une Memory (l'historique de conversation), un Vector Store (la base de connaissances), un Retriever, des Tools que l'agent peut déclencher. On câble ces blocs entre eux, on teste dans le chat intégré, puis on expose le résultat via une API REST ou un widget à intégrer dans un site.
Sous le capot, Flowise s'appuie sur l'écosystème LangChain (côté JavaScript / TypeScript) et LlamaIndex : le visuel n'est pas une couche fermée, c'est une façade lisible sur des briques largement adoptées. On obtient un prototype fonctionnel en minutes là où l'équivalent en code demanderait une stack à monter et à maintenir.
Ce qui fait sa force
- Du prototype à l'API, sans rupture. Ce que vous assemblez visuellement est immédiatement appelable en REST ou intégrable en widget. Le passage de l'idée à l'intégration est court.
- Agents outillés. Flowise gère les agents capables d'appeler des tools — recherche web, calculatrice, appel d'API, fonction sur mesure. On construit un assistant qui agit, pas seulement qui répond.
- Local ou cloud, au choix. Les nœuds de modèle pointent sur Ollama en local comme sur un provider distant. On garde les données sensibles sur sa machine et l'on n'externalise que ce qu'on accepte d'externaliser.
- RAG accessible. Chargement de documents, découpage, embeddings, base vectorielle et récupération se câblent visuellement. Monter un « chat sur vos documents » devient un exercice de quelques nœuds.
- Adossé à un écosystème ouvert. Vous ne dépendez pas d'une logique propriétaire opaque : les concepts et composants sont ceux de LangChain et LlamaIndex.
Pour qui
Pour qui veut prototyper vite une application LLM sans écrire toute la chaîne : développeur pressé, intégrateur, équipe produit qui valide un concept. Il faut comprendre les notions de base — modèle, prompt, embedding, base vectorielle, agent — mais pas savoir coder une stack complète. Pour des automatisations métier plus larges (hors périmètre LLM), regardez n8n ; pour une plateforme d'applications LLM plus intégrée et orientée production, Dify.
Installation
À savoir avant de lancer Flowise : une instance neuve n'a encore aucun compte, et
la première personne qui ouvre l'interface est invitée à créer le compte administrateur. Créez-le
vous-même dès le premier lancement, en local, et ne rendez l'instance accessible à d'autres postes
qu'ensuite, derrière un reverse-proxy HTTPS. Avec Docker, sans adresse précisée, le port est publié
sur toutes les adresses de la machine : la commande ci-dessous le limite à 127.0.0.1.
Démarrage express (Node.js)
Avec Node.js installé, une seule commande lance Flowise sur le port 3000.
À savoir avant de copier : sans réglage, Flowise écoute sur toutes les adresses de la
machine et garde ses secrets par défaut. Réservez ce démarrage à un essai, limitez l'écoute à votre poste
avec la variable HOST, et passez par Docker (ci-dessous) pour durer :
HOST=127.0.0.1 npx flowise start # Linux / macOS
$env:HOST="127.0.0.1"; npx flowise start # Windows (PowerShell)
Ouvrez ensuite http://localhost:3000.
Avec Docker (recommandé pour durer)
Depuis la version 3, Flowise gère de vrais comptes (adresse e-mail et mot de passe, sessions par
jetons JWT en cookies sécurisés, via Passport.js). Avant le premier lancement, préparez un fichier
.env, gardé hors de tout dépôt git, avec vos propres secrets longs et aléatoires : la
documentation prévient que les valeurs par défaut faciliteraient la falsification de jetons.
# .env : remplacez chaque valeur par une chaîne aléatoire différente
JWT_AUTH_TOKEN_SECRET=VALEUR_ALEATOIRE_ICI
JWT_REFRESH_TOKEN_SECRET=AUTRE_VALEUR_ALEATOIRE_ICI
EXPRESS_SESSION_SECRET=AUTRE_VALEUR_ALEATOIRE_ICI
TOKEN_HASH_SECRET=AUTRE_VALEUR_ALEATOIRE_ICI
# Port limité à votre machine, données persistées dans un volume nommé
# version épinglée (relevé du 31/10/2026) : pour mettre à jour, remplacez-la par une version publiée plus récente, jamais par latest
docker run -d \
--name flowise \
-p 127.0.0.1:3000:3000 \
--env-file .env \
-v flowise_data:/root/.flowise \
flowiseai/flowise:3.1.4
Ouvrez ensuite http://localhost:3000 et créez aussitôt le compte administrateur, avec un mot de passe fort.
Protéger l'accès dès le départ
Les anciennes variables FLOWISE_USERNAME / FLOWISE_PASSWORD sont
dépréciées depuis la version 3.0.1 : elles ne servent plus qu'à migrer une ancienne
instance, pas à protéger une installation neuve. Ce qui protège l'accès aujourd'hui : le compte
administrateur que vous créez dès le départ, vos propres secrets, puis, avant toute ouverture à
d'autres postes, un reverse-proxy HTTPS et une restriction réseau. Ne publiez jamais une instance
sans cette couche.
Aller plus loin : l'API et les nœuds qui exécutent du code
Chaque chatflow publié expose un point d'accès REST de type
/api/v1/prediction/<id> : vous interrogez votre application LLM comme n'importe
quelle API. C'est ce qui permet de l'intégrer dans un back-office, un site ou un autre outil.
Les nœuds Custom Tool et Custom JS Function permettent d'écrire du JavaScript exécuté côté serveur — pour appeler une API maison, transformer une sortie, déclencher une action. Pratique, mais c'est du code qui tourne sur votre instance : il mérite la même prudence qu'un script déployé en production. La documentation recommande de stocker les secrets dans les variables Flowise plutôt que de les coder en dur dans ces nœuds.
Points de vigilance
Flowise est un serveur web qui orchestre des modèles, des outils et du code. Les points ci-dessous sont propres à ce qu'il est.
| Point d'attention | Niveau | Ce qu'il faut savoir |
|---|---|---|
| Instance neuve sans compte administrateur | 🔴 si exposée | Tant que le compte administrateur n'est pas créé, quiconque atteint le port 3000 peut le créer à votre place. Créez-le en local dès le premier lancement, définissez vos propres secrets JWT, placez Flowise derrière un reverse proxy HTTPS et restreignez l'accès réseau. Les variables FLOWISE_USERNAME / FLOWISE_PASSWORD des anciennes versions sont dépréciées. |
| Nœuds Custom Tool / Custom Function (JS) | 🔴 selon la source du flow | Ces nœuds exécutent du JavaScript sur votre serveur. Un chatflow importé peut donc contenir du code qui s'exécute chez vous. N'importez pas un flow inconnu sans relire son code ; isolez l'instance. |
| Agents qui appellent des outils réels | 🟡 selon les outils accordés | Un agent peut déclencher des appels d'API, des recherches, des actions externes. Limitez les outils au strict nécessaire et supervisez les premières exécutions. |
| Clés API providers stockées dans l'instance | 🟡 réel | Les credentials (OpenAI, Anthropic, etc.) sont enregistrés côté Flowise. Évitez de les coder en dur dans les nœuds custom : passez par les variables Flowise. Protégez l'accès et le volume de données. |
| Licence : cœur Apache 2.0, mais pas tout | 🟡 avant usage commercial | Le cœur de Flowise est sous Apache License 2.0. En revanche, le code du dossier packages/server/src/enterprise/ (fonctions avancées, ex. gestion d'identité / SSO), comme les fichiers désignés dans la licence, relève d'une licence commerciale distincte. Vérifiez le périmètre que vous utilisez avant un déploiement pro. |
| Rachat par Workday (2025) | 🟡 à garder en tête | FlowiseAI a été racheté par Workday en 2025. Le code publié reste open source, et le dépôt officiel est archivé depuis le 13 août 2026 : avant d'intégrer Flowise dans un projet durable, vérifiez les annonces officielles et l'état de maintenance. |
Sécurité
- Authentification en place avant exposition. Compte administrateur créé par vous dès le premier lancement, secrets JWT personnels, puis reverse proxy HTTPS et restriction réseau.
- Auditez les flows importés. Inspectez tout nœud Custom Tool / Custom Function avant de l'exécuter.
- Cadrez les agents. N'accordez que les outils nécessaires ; surveillez les premiers passages en production.
- Ne codez pas les secrets en dur. Utilisez les variables Flowise pour les clés et identifiants ; sauvegardez le volume
~/.flowise. - Pour les données confidentielles, restez local. Pointez les modèles sur Ollama plutôt que sur un provider cloud.
Aller plus loin
- Langflow — une alternative très proche, sous licence MIT.
- Dify — une plateforme d'applications LLM plus complète, orientée production.
- Ollama — faire tourner le modèle en local sous Flowise.
- OSIALab — comparer Flowise avec n8n, Langflow et Dify.
Sources
- Site officiel : flowiseai.com
- Code source : github.com/FlowiseAI/Flowise
- Documentation : docs.flowiseai.com
- Licence : Apache License 2.0 pour le cœur ; dossier
packages/server/src/enterprise/sous licence commerciale distincte.