Flowise: agentes low-code self-hosted

Flowise es una herramienta de código abierto para construir agentes de IA arrastrando y conectando nodos en un lienzo visual, sin necesidad de programar apenas. Está construida sobre LangChain.js y, lo más importante, puedes autoalojarla entera en tu propia máquina con un solo contenedor Docker, así que ni tus claves de API ni los datos de tus usuarios salen de tu red. En esta guía verás qué es Flowise, cómo desplegarlo, la diferencia entre un chatflow y un AgentFlow v2, cómo añadirle herramientas, memoria y RAG, y cómo se compara con Langflow y Dify. La misma explicación está disponible en inglés.

Puntos clave

• Flowise es un constructor visual de agentes de código abierto (licencia Apache 2.0, salvo la carpeta enterprise/); supera las 54 700 estrellas en GitHub y su versión estable es la 3.1.3, publicada el 25 de junio de 2026.
• Es autoalojable: un único docker run levanta la interfaz web en el puerto 3000, y arranca con una base de datos SQLite que puedes cambiar por PostgreSQL o MySQL en producción.
• Distingue dos tipos de flujo: los chatflows clásicos (una cadena conversacional de LangChain) y los AgentFlow v2, un motor de orquestación con 14 tipos de nodo nativos para bucles, ramas condicionales y aprobación humana.
• Todo se conecta arrastrando: modelos (incluidos los locales con Ollama), herramientas, memoria conversacional y almacenes de vectores para montar RAG sin escribir código.
• Frente a Langflow (Python, de DataStax e IBM) y Dify (enfocado a RAG en producción), Flowise gana en sencillez: es el más ligero de arrancar y corre incluso en un VPS de 1 GB de RAM.

¿Qué es Flowise?

Flowise es una plataforma low-code para crear aplicaciones y agentes basados en modelos de lenguaje sin partir de una hoja en blanco de código. En lugar de escribir Python o JavaScript, montas la lógica en un editor de nodos: cada bloque es una pieza (un modelo, una herramienta, una memoria, un recuperador de documentos) y las conexiones entre bloques definen cómo fluyen los datos. Es la misma idea que un editor de flujos como n8n, pero especializado en construir cosas con LLM.

Por debajo, Flowise es una aplicación de TypeScript y Node.js construida sobre LangChain.js, la versión JavaScript de la conocida biblioteca de orquestación de agentes. Eso significa que cada nodo del lienzo se corresponde con un componente real de LangChain, así que no estás atrapado en una abstracción cerrada: cuando tu flujo funciona, puedes exponerlo como una API o incrustarlo como un widget de chat en cualquier web.

El proyecto es de los más populares de su categoría: reúne más de 54 700 estrellas en GitHub y su código es libre bajo licencia Apache 2.0, con la única excepción de la carpeta enterprise/, que agrupa funciones empresariales (como la gestión avanzada de identidades) sujetas a una licencia comercial aparte. Para construir y desplegar agentes no necesitas esa parte: todo lo esencial es abierto y gratuito.

¿Cómo desplegar Flowise con Docker?

La gran ventaja de Flowise frente a un servicio en la nube es que corre entero en tu propia máquina. La forma más rápida de probarlo es un único contenedor con la imagen oficial flowiseai/flowise:

# Levanta Flowise en http://localhost:3000
docker run -d --name flowise -p 3000:3000 flowiseai/flowise:3.1.3

Con eso ya tienes la interfaz en http://localhost:3000. Por defecto arranca con una base de datos SQLite embebida, perfecta para pruebas pero volátil si no montas un volumen. Para un despliegue serio conviene usar el docker compose que trae el repositorio, que persiste los datos y te deja configurar todo por variables de entorno:

git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise/docker
cp .env.example .env

    # Edita .env: pon FLOWISE_USERNAME, FLOWISE_PASSWORD y
    # cambia DATABASE_TYPE a postgres para produccion.
docker compose up -d

Dos ajustes son obligatorios antes de exponerlo. Primero, la seguridad: define las variables FLOWISE_USERNAME y FLOWISE_PASSWORD para que la interfaz pida usuario y contraseña, porque por defecto está abierta a quien tenga la URL. Segundo, la base de datos: SQLite no aguanta un uso concurrente real, así que cambia DATABASE_TYPE a postgres (o mysql) y apunta a una base de datos externa. Flowise necesita Node.js v18.15.0 o v20 en adelante, pero con Docker eso ya viene resuelto dentro de la imagen.

¿Qué diferencia hay entre chatflows y AgentFlow v2?

Dentro de Flowise construyes dos tipos de flujo, y entender la diferencia es la clave para no perderte. Un chatflow es el formato original: una cadena conversacional de LangChain donde encadenas un modelo, un prompt, quizá una memoria y un recuperador. Es lineal y directo, ideal para un chatbot de preguntas y respuestas sobre tus documentos. Funciona muy bien, pero se queda corto cuando el flujo necesita decidir, repetir pasos o coordinar a varios agentes.

Para eso llegó AgentFlow v2, el motor de orquestación nativo de Flowise. En lugar de depender de las abstracciones de agente de LangChain, v2 aporta un conjunto de 14 tipos de nodo propios que montas como un diagrama de flujo explícito: un nodo Start que inicia el estado, nodos LLM y Agent para razonar, nodos Tool para acciones deterministas, un nodo Condition para ramificar, un nodo Loop para repetir y un nodo Human Input que pausa la ejecución hasta que una persona aprueba una acción. La pieza que lo une todo es el estado del flujo ($flow.state), un almacén clave-valor que se declara en el nodo Start y se lee en cualquier otro con {{ $flow.state.clave }}, de modo que dos nodos que no están conectados pueden compartir datos.

Con esos nodos puedes modelar patrones que un chatflow no alcanza: un supervisor que reparte tareas entre agentes trabajadores, un bucle que reintenta hasta cumplir una condición, o un flujo que se detiene a mitad para pedir confirmación antes de enviar un correo. Es un salto conceptual parecido al que ofrece un grafo de estados en código, pero dibujado en el lienzo.

¿Cómo se añaden herramientas, memoria y RAG?

La utilidad de un agente depende de lo que pueda hacer y recordar, y en Flowise las tres capacidades se conectan arrastrando nodos.

• Herramientas. Un nodo Tool da al agente una capacidad concreta: buscar en la web, ejecutar una calculadora, llamar a una API externa con un nodo HTTP o invocar servidores de MCP (el Model Context Protocol), el estándar abierto para exponer herramientas a los agentes. También puedes escribir tu propia herramienta en JavaScript con el nodo Custom Function.
• Memoria. Por defecto un LLM no recuerda nada entre mensajes. Los nodos de memoria (buffer de conversación, ventana con las últimas N interacciones o memoria respaldada en Redis) mantienen el hilo, así que el agente sabe de qué hablasteis hace tres turnos.
• RAG. Para que el agente responda con tus documentos y no invente, conectas un almacén de vectores. Flowise trae nodos para cargar los documentos, trocearlos, generar sus embeddings y guardarlos en una base de datos vectorial como Chroma, Qdrant o Pinecone. En consulta, un nodo Retriever busca los fragmentos más parecidos a la pregunta y se los pasa al modelo como contexto.

Lo interesante es que todos estos nodos son intercambiables por proveedor. Puedes empezar con un modelo de OpenAI y, cambiando un solo nodo, servir el agente con un modelo que corras en tu propia máquina con Ollama, sin tocar el resto del flujo. Esa independencia del proveedor es una de las razones por las que Flowise encaja bien en entornos que exigen privacidad.

¿Flowise, Langflow o Dify?

Flowise no está solo: comparte categoría con Langflow y Dify, y los tres son de código abierto y autoalojables, pero apuntan a públicos distintos.

Langflow es el equivalente en el mundo Python: lo desarrolla DataStax (adquirida por IBM en 2025 e integrada en watsonx) y su gran baza es que puedes escribir nodos personalizados en Python puro. Si tu equipo vive en Python y necesita lógica muy a medida, Langflow encaja mejor. Dify juega en otra liga: es una plataforma más completa, con el RAG y las bases de conocimiento totalmente integrados y herramientas de gestión pensadas para llevar aplicaciones a producción; a cambio, es más pesada de desplegar.

La ventaja de Flowise es la sencillez. Un solo contenedor Docker lo pone en marcha, corre sin problemas en un VPS modesto de 1 GB de RAM y su curva de aprendizaje es la más suave de los tres. Si quieres prototipar un agente esta misma tarde y desplegarlo tú mismo, Flowise es la puerta de entrada natural.

Preguntas frecuentes

¿Es Flowise gratis y de código abierto?

Sí. La práctica totalidad de Flowise es software libre bajo licencia Apache 2.0, y puedes autoalojarlo sin pagar nada ni limitar cuántos flujos creas. La única parte cerrada es la carpeta enterprise/, que agrupa funciones para grandes organizaciones (como el control avanzado de identidades y permisos) sujetas a una licencia comercial. Para construir, desplegar y exponer agentes con herramientas, memoria y RAG no necesitas esa parte de pago.

¿Necesito saber programar para usar Flowise?

No para lo básico. El objetivo de una herramienta low-code es precisamente que montes flujos funcionales arrastrando y conectando nodos, sin escribir código. Dicho esto, saber algo de programación ayuda cuando quieres una herramienta a medida con el nodo Custom Function, depurar por qué un flujo no responde como esperas o configurar el despliegue en producción. Para el 80 % de los casos, el lienzo visual es suficiente.

¿Puedo usar Flowise con modelos locales en vez de OpenAI?

Sí. Flowise trae nodos para conectarse a modelos que ejecutes de forma local con Ollama a través de su API compatible con OpenAI. Basta con cambiar el nodo del modelo en el lienzo: el resto del flujo (herramientas, memoria, recuperador) sigue igual. Combinando Flowise autoalojado con un modelo servido en tu propia máquina consigues un agente completo en el que ningún dato sale de tu red.

Conclusión

Flowise es la vía más rápida para pasar de la idea de un agente a algo que funciona y que controlas tú. Con un solo docker run levantas un constructor visual sobre LangChain.js donde arrastras modelos, herramientas, memoria y RAG, y donde puedes elegir entre un chatflow lineal o un AgentFlow v2 con bucles, condiciones y aprobación humana, todo bajo licencia Apache 2.0 y sin que tus datos abandonen tu red. El siguiente paso es levantar el contenedor con docker run -d -p 3000:3000 flowiseai/flowise:3.1.3, abrir http://localhost:3000, crear tu primer chatflow con un modelo y una memoria, y probar a conectarle una herramienta.

Fuentes: [1] Documentación oficial de Flowise^[1], [2] Flowise en GitHub^[2], [3] Documentación de AgentFlow v2^[3], [4] Sitio oficial de Flowise^[4].

Fuentes

1. Documentación oficial de Flowise
2. Flowise en GitHub
3. Documentación de AgentFlow v2
4. Sitio oficial de Flowise

Ruta: Ecosistema de agentes: MCP, gateways y plataformas