Flowise: o que é e como usar com pgvector no WhatsApp
O Flowise é uma ferramenta open source para montar chatbots e agentes de IA arrastando blocos numa tela, sem programar o fluxo do zero. Para usar, você instala o Flowise no seu servidor, liga um modelo de IA (como o da OpenAI) e uma base de conhecimento, por exemplo um PostgreSQL com a extensão pgvector, e chama o fluxo pela API a partir do WhatsApp.
O uso mais comum é o chatbot que responde com base nos documentos da empresa, como cardápio ou tabela de preços. No vídeo, gravado em fevereiro de 2024, eu monto tudo numa VPS com Portainer: Flowise, Postgres com pgvector, Redis, pgAdmin e Langfuse. Aqui eu separo o que continua valendo do que mudou, conferindo na documentação oficial.
Flowise: o que é e o que ele resolve
O Flowise junta as peças de um chatbot com IA: modelo de linguagem, memória da conversa, banco de documentos e prompt. Cada peça é um bloco ligado ao outro, e o fluxo pronto ganha um endereço de API que qualquer sistema consegue chamar.
O código está no GitHub do Flowise sob licença Apache 2.0, exceto a pasta enterprise, que tem licença comercial. A parte usada neste tutorial é livre.
Na prática, em vez de colar a tabela de preços inteira no prompt a cada mensagem, o bot busca na base só os pedaços relevantes. Essa técnica se chama RAG (geração aumentada por recuperação).
pgvector: o que é e por que usar no lugar do Pinecone
O pgvector é uma extensão do PostgreSQL que guarda vetores e busca por semelhança dentro do próprio banco. Antes eu usava o Pinecone, um serviço externo. Com o pgvector, a base fica no seu servidor e o custo mensal é a VPS mais o consumo da API do modelo.
No vídeo eu uso uma imagem do Postgres que eu montei com o pgvector compilado, a astraonline/postgrespgvector, que continua sendo atualizada. Outra opção é a imagem oficial, a pgvector/pgvector no Docker Hub, com tags por versão do Postgres (pg15 a pg18), a mesma usada na documentação do Flowise para Postgres.
Uma regra do vídeo continua certa: o Postgres com pgvector é separado do Postgres comum, que guarda os dados do Flowise e do Langfuse. O com pgvector guarda só os vetores.
Como instalar o Flowise com Docker numa VPS
O pré-requisito é uma VPS com Docker Swarm e Portainer rodando e um domínio apontado (no vídeo, subdomínios no Cloudflare). A ordem que eu sigo:
- No Postgres que você já tem, crie dois bancos: um para o Flowise e outro para o Langfuse.
- Suba a stack do Flowise apontando para esse banco e com o subdomínio dele.
- Suba a stack do Postgres com pgvector, numa porta diferente da padrão para não conflitar (no vídeo, 5436).
- Suba o Langfuse, com subdomínio e o banco criado no passo 1.
- Suba o pgAdmin, para enxergar as tabelas.
- Suba o Redis, que guarda a memória rápida da conversa.
- Confira em Containers se tudo está rodando e acesse cada painel pelo domínio.
Duas coisas mudaram desde a gravação e afetam a stack:
- Login. No vídeo, usuário e senha ficam em variáveis da stack. Segundo a documentação de autenticação, desde a versão 3.0.1 o Flowise usa conta com e-mail e senha, e o FLOWISE_USERNAME e FLOWISE_PASSWORD ficaram obsoletos. A página recomenda definir seus próprios segredos de JWT e o TOKEN_HASH_SECRET.
- Banco do Flowise. As variáveis DATABASE_TYPE, DATABASE_HOST e DATABASE_NAME seguem iguais (página de bancos de dados). Sem elas, ele usa SQLite.
Como usar o Flowise: base de conhecimento com PDF no Postgres
Com tudo no ar, eu importo um chatflow pronto (o modelo fica na página de apoio do vídeo) e preencho as credenciais:
- Crie a credencial do Postgres com usuário e senha do banco com pgvector.
- No pgAdmin, crie um banco por cliente (no vídeo, "cliente José"). O mesmo Postgres serve para quantos clientes você quiser.
- Crie a credencial da OpenAI com uma chave de API. Para testar, eu coloquei 6 dólares de crédito na conta.
- Crie a credencial do Redis usando o nome do serviço (redis) no lugar de localhost.
- Escreva o prompt do sistema: quem o bot é, o que ele faz, como abre a conversa.
- Suba o PDF e clique em Upsert Vector Database.
No teste, o PDF era um cardápio. O upsert criou a tabela de documentos no banco do cliente com 16 linhas, e no chat do Flowise eu perguntei o preço da feijoada: R$ 35, igual ao PDF. PDF com mais texto e menos imagem dá resposta melhor.
Atualizar a base sem apagar tabela na mão
No vídeo, para trocar o PDF, eu apago a tabela no pgAdmin e faço o upsert de novo. Hoje há recursos melhores: o Record Manager guarda um hash de cada pedaço, evita duplicados e remove o que saiu do documento, e as Document Stores centralizam carga e upsert dos arquivos. O pgAdmin segue útil para conferir o banco.
Monitorar o chatbot com Langfuse
O Flowise mostra a resposta, mas não por onde ela passou. No Langfuse cada interação aparece com caminho, entrada, saída e chamadas ao modelo. No vídeo eu ligo pela engrenagem do chatflow, em Analyse Chatflow, com as chaves e a URL do meu Langfuse, mais um nome de release para filtrar. A integração continua nativa (documentação) e serve para achar onde o bot erra e onde gasta tokens à toa.
Flowise no WhatsApp: memória por número com sessionId
Para o bot lembrar do cliente, cada número vira uma sessão: na API de predição isso é o sessionId, dentro do overrideConfig (documentação de memória). No vídeo eu uso o número do cliente como sessionId, e o bot lembra meu nome quando volto a conversar.
No vídeo, quem leva a mensagem até o Flowise é o Typebot ligado à Evolution API, pedaço que eu não recomendo mais. Há alternativas: a API oficial do WhatsApp (prós e contras em API oficial do WhatsApp vale a pena?) ou, aceitando o risco de bloqueio de uma API não oficial, a WAHA e o AstraCalls. Qualquer sistema que receba a mensagem e faça o POST na API de predição serve, inclusive o n8n, como em agente de IA no WhatsApp com n8n.
O lado honesto: segurança, custo e o que mudou desde 2024
- Atualize o Flowise. Os avisos de segurança no GitHub listam falhas graves de 2026, como execução remota de código nos nós CSV Agent e SQL Database Chain, corrigidas nas versões 3.1.3 e 3.1.4. Em novembro de 2026, a mais nova nas releases era a 3.1.4, de julho, e alguns avisos de setembro ainda não tinham versão corrigida. Use login forte e desative nós que não usa (variável DISABLED_NODES).
- Não exponha o Postgres. No vídeo eu publico a porta 5436 e conecto pelo IP. A documentação do Docker explica que porta publicada pelo Docker passa por cima das regras do UFW dentro do servidor. Com Flowise e banco na mesma rede do Swarm, use o nome do serviço como host e não publique a porta; se precisar de acesso externo, restrinja no firewall da hospedagem.
- Modelo. No vídeo eu deixo o modelo padrão da época, um GPT-3.5 Turbo. Hoje eu coloco sempre o modelo mais recente do provedor escolhido e testo o custo por conversa antes de colocar no ar.
- Exige técnica. São seis serviços para manter e fazer backup.
Para decidir antes de montar, o método (função do agente, tom, regra de passar para humano, testes) está em como criar um agente de IA para WhatsApp. E se o que você quer é um bot que lembra a conversa e passa para um atendente, veja o chatbot com IA no WhatsApp.
Perguntas frequentes
Flowise é gratuito?
O código do Flowise é open source e pode rodar no seu servidor sem licença, exceto a parte enterprise, que tem licença comercial. Você paga a VPS e o consumo da API do modelo de IA que escolher.
Como integrar o Flowise com o WhatsApp?
No caminho que eu mostro, você precisa de um sistema que receba a mensagem (API oficial, WAHA ou outra) e chame a API de predição do Flowise, mandando o número do cliente como sessionId para o bot lembrar da conversa.
Preciso apagar a tabela para atualizar os documentos?
Não precisa mais. O Record Manager do Flowise evita duplicados e remove o conteúdo que saiu do documento, e as Document Stores organizam o upsert dos arquivos. Apagar pelo pgAdmin continua funcionando, mas é manual.
Flowise ou n8n para chatbot com IA?
O Flowise é focado no fluxo de IA. O n8n é automação geral que também monta agentes. Dá para usar o n8n para receber a mensagem e o Flowise para a IA.
Chatbot com base de conhecimento dentro do atendimento
Montar o Flowise é metade do caminho. A outra metade é a equipe enxergar o que o bot respondeu e assumir a conversa quando precisa. O AstraChat, o Chatwoot Pro da Astra Online, traz agentes de IA, Kanban, disparador, flows, ligações pelo WhatsApp e chat interno, no seu servidor e com atendentes ilimitados.
Ele faz parte da Comunidade Astra Online, com código-fonte, atualizações, grupo VIP e a primeira instalação feita pelo especialista em Chatwoot Raphael Popiolek. O atendimento é todo online. Me chame no WhatsApp e mande o tipo de documento que o seu bot precisa consultar (cardápio, tabela de preços, regulamento) que eu digo se cabe num agente do AstraChat ou se vale montar o Flowise à parte.


