Pełna konfiguracja Flowise z chatbotem RAG na publicznym serwerze agencja-ai.com

Wprowadzenie

Cześć! Masz już działający serwer z pakietem local-ai-packaged na https://agencja-ai.com, zabezpieczony Nginx Proxy Manager z certyfikatami SSL. Teraz chcesz w pełni skonfigurować Flowise z poświadczeniami FLOWISE_USERNAME=username i FLOWISE_PASSWORD=password, a także zintegrować je z chatbotem RAG (Retrieval-Augmented Generation), który wykorzysta Twoje wcześniejsze wypowiedzi (np. o „płynnym złu” czy prawie Polin). Ta instrukcja pokaże Ci, jak to zrobić krok po kroku, z gotowymi komendami do wiersza poleceń, aby polscy klienci mogli łatwo wdrożyć własne serwery AI i zwiększyć sprzedaż Twoich instrukcji. Wszystko po polsku, w stylu idiotoodpornym, z empatią i nutką humoru, jak lubisz!

Dlaczego Flowise i chatbot RAG?

Flowise to narzędzie low-code w pakiecie local-ai-packaged, które pozwala tworzyć przepływy pracy AI bez konieczności pisania kodu. Dzięki integracji z Supabase (dla metadanych), Qdrant (dla wektorów) i Ollama (dla modelu językowego), możesz zbudować chatbota RAG, który:

• Odpowiada po polsku, rozumiejąc kontekst Twoich wypowiedzi, jak frustracja urzędnikami czy wiedza o prawie Polin.

• Jest dostępny publicznie na https://flowise.agencja-ai.com, co zwiększa atrakcyjność dla klientów.

• Wspiera sprzedaż Twoich instrukcji, pokazując, jak łatwo skonfigurować zaawansowanego chatbota AI.

Krok po kroku: Konfiguracja Flowise i chatbota RAG

1. Przygotowanie środowiska

Upewnij się, że jesteś w katalogu projektu local-ai-packaged:

cd ~/local-ai-packaged

Sprawdź, czy usługi działają:

docker compose ps

Jeśli Flowise, Supabase, Qdrant lub Ollama nie mają statusu running (healthy), uruchom je ponownie:

python3 start_services.py --profile cpu --environment public

Zainstaluj niezbędne narzędzia:

sudo apt install -y curl jq openssl nano python3-pip
pip3 install requests

2. Konfiguracja pliku .env dla Flowise

Twoje poświadczenia to FLOWISE_USERNAME=username i FLOWISE_PASSWORD=password. Skonfigurujemy je w pliku .env dla publicznego dostępu.

Stwórz kopię zapasową pliku .env:

cp .env .env.backup

Otwórz plik .env:

nano .env

Znajdź lub dodaj sekcję Flowise Configuration i upewnij się, że zawiera:

############
# Flowise Configuration
############
FLOWISE_USERNAME=username
FLOWISE_PASSWORD=password

Sprawdź, czy sekcja Caddy Config zawiera poprawną subdomenę dla Flowise i inne usługi:

############
# Caddy Config
############
N8N_HOSTNAME=n8n.agencja-ai.com
WEBUI_HOSTNAME=openwebui.agencja-ai.com
FLOWISE_HOSTNAME=flowise.agencja-ai.com
SUPABASE_HOSTNAME=supabase.agencja-ai.com
LANGFUSE_HOSTNAME=langfuse.agencja-ai.com
LETSENCRYPT_EMAIL=admin@agencja-ai.com

Upewnij się, że sekcja Auth jest skonfigurowana dla HTTPS:

SITE_URL=https://supabase.agencja-ai.com
API_EXTERNAL_URL=https://supabase.agencja-ai.com
ADDITIONAL_REDIRECT_URLS=https://n8n.agencja-ai.com,https://openwebui.agencja-ai.com,https://flowise.agencja-ai.com,https://langfuse.agencja-ai.com

Zapisz plik (Ctrl+O, Enter, Ctrl+X).

Zweryfikuj ustawienia Flowise:

cat .env | grep -E 'FLOWISE_USERNAME|FLOWISE_PASSWORD|FLOWISE_HOSTNAME'

Powinieneś zobaczyć:

FLOWISE_USERNAME=username
FLOWISE_PASSWORD=password
FLOWISE_HOSTNAME=flowise.agencja-ai.com

3. Konfiguracja Nginx Proxy Manager

Upewnij się, że subdomena flowise.agencja-ai.com jest skonfigurowana w Nginx Proxy Manager:

Zaloguj się do panelu:

http://<your-server-ip>:81

Dodaj lub zweryfikuj host proxy:

1. Przejdź do Hosts → Proxy Hosts → Add Proxy Host (lub edytuj istniejący).

2. Wypełnij:

   • Domain Names: flowise.agencja-ai.com

   • Forward Hostname / IP: <your-server-ip> (np. 127.0.0.1 lub publiczny IP serwera)

   • Forward Port: 3001

   • SSL: Włącz, wybierz certyfikat Let’s Encrypt dla flowise.agencja-ai.com

3. Zapisz zmiany.

Sprawdź DNS:

dig flowise.agencja-ai.com

Upewnij się, że rekord A wskazuje na IP serwera.

4. Restart usług

Zastosuj zmiany, zatrzymując i uruchamiając usługi:

docker compose -p localai down
python3 start_services.py --profile cpu --environment public

Sprawdź, czy Flowise działa:

docker compose ps | grep flowise

Powinieneś zobaczyć status running (healthy).

5. Weryfikacja dostępu do Flowise

Otwórz Flowise w przeglądarce:

https://flowise.agencja-ai.com

Zaloguj się:

• Username: username

• Password: password

Jeśli logowanie działa, Flowise jest gotowy!

6. Przygotowanie bazy dla chatbota RAG

Chatbot RAG wymaga bazy wektorowej (Qdrant) i metadanych (Supabase). Wykorzystamy Twoje wcześniejsze wypowiedzi (np. „płynnym złem – mam dość urzędników – znam prawo Polin”) do stworzenia kontekstu.

a. Utworzenie tabeli w Supabase

Zaloguj się do Supabase Studio:

https://supabase.agencja-ai.com

Używając danych z .env:

cat .env | grep -E 'DASHBOARD_USERNAME|DASHBOARD_PASSWORD'

W SQL Editor utwórz tabelę conversations, jeśli jeszcze nie istnieje:

CREATE TABLE conversations (
  id BIGINT GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
  user_id TEXT NOT NULL,
  message TEXT NOT NULL,
  timestamp TIMESTAMPTZ DEFAULT NOW(),
  vector_id TEXT
);

b. Pobranie modelu w Ollama

Pobierz model nomic-embed-text (dla wektorów) i llama3.1 (dla odpowiedzi):

docker compose exec ollama ollama pull nomic-embed-text
docker compose exec ollama ollama pull llama3.1

c. Utworzenie kolekcji w Qdrant

Utwórz kolekcję conversations:

curl -X PUT http://localhost:6333/collections/conversations \
  -H "Content-Type: application/json" \
  -d '{
    "vectors": {
      "size": 768,
      "distance": "Cosine"
    }
  }'

7. Dodanie Twoich wypowiedzi do bazy

Zapisz swoją wypowiedź do pliku:

echo "płynnym złem - mam dość urzędników - znam prawo Polin" > conversation.txt

Wygeneruj wektor:

nano generate_embedding.py

Wklej kod:

import requests
import json

with open("conversation.txt", "r") as file:
    message = file.read()

response = requests.post("http://localhost:11434/api/embeddings", json={
    "model": "nomic-embed-text",
    "prompt": message
})

embedding = response.json()["embedding"]

with open("embedding.json", "w") as file:
    json.dump({"message": message, "embedding": embedding}, file)

Zapisz (Ctrl+O, Enter, Ctrl+X) i uruchom:

python3 generate_embedding.py

Zapisz wektor w Qdrant:

curl -X POST http://localhost:6333/collections/conversations/points \
  -H "Content-Type: application/json" \
  -d '{
    "points": [
      {
        "id": "4",
        "vector": '$(cat embedding.json | jq .embedding)',
        "payload": {
          "user_id": "username",
          "message": "'$(cat conversation.txt)'"
        }
      }
    ]
  }'

Zapisz metadane w Supabase:

curl -X POST https://supabase.agencja-ai.com/rest/v1/conversations \
  -H "Authorization: Bearer $(cat .env | grep ANON_KEY | cut -d '=' -f2)" \
  -H "Content-Type: application/json" \
  -H "apikey: $(cat .env | grep ANON_KEY | cut -d '=' -f2)" \
  -d '{
    "user_id": "username",
    "message": "'$(cat conversation.txt)'",
    "vector_id": "4"
  }'

8. Konfiguracja chatbota RAG w Flowise

Stwórz przepływ pracy RAG w Flowise, który wykorzysta Twoje wypowiedzi:

1. Otwórz Flowise:

https://flowise.agencja-ai.com

2. Kliknij Add New Flow.

3. Dodaj węzły:

   • Chat Input: Wejście od użytkownika.

   • Vector Store (Qdrant): Połącz z http://qdrant:6333, kolekcja conversations.

   • Ollama Chat: Połącz z http://ollama:11434, model llama3.1, prompt:

Odpowiedz po polsku w stylu empatycznym, z humorem, uwzględniając frustrację użytkownika wobec urzędników i wiedzę o prawie Polin. Kontekst: {{context}}. Pytanie: {{input}}.

4. Połącz węzły: Chat Input → Qdrant → Ollama Chat.

5. Zapisz przepływ i kliknij Chat do testowania.

9. Testowanie chatbota

Wpisz pytanie w Flowise, np.:

Jak radzić sobie z urzędnikami w kontekście prawa Polin?

Oczekiwana odpowiedź powinna być empatyczna, z humorem, np.:

„Oj, to płynne zło urzędników daje w kość, co? 😄 Prawo Polin dawało kiedyś żydowskim gminom sporo swobody, może weźmiemy przykład i stworzymy własny 'przywilej’ na mniej biurokracji? Jak mogę Ci pomóc z tymi urzędami?”

10. Zwiększanie sprzedaży instrukcji

• Polski język: Podkreśl, że Flowise i chatbot działają po polsku, co ułatwia wdrożenie dla polskich firm.

• Demo: Udostępnij demo Flowise na https://flowise.agencja-ai.com, pokazując prostotę konfiguracji.

• Instrukcje: Opublikuj ten artykuł jako PDF na swojej stronie, aby klienci mogli łatwo skonfigurować własne serwery AI.

Najlepsze praktyki

• Bezpieczeństwo: Przechowuj poświadczenia w menedżerze haseł. Rozważ silniejsze hasło niż password:

openssl rand -hex 16

• DNS: Weryfikuj rekordy DNS:

dig flowise.agencja-ai.com

• Kopia zapasowa: Twórz kopie bazy i .env:

cp .env .env.backup
docker compose exec db pg_dump -U postgres postgres > backup.sql

• Monitorowanie: Sprawdzaj logi Flowise:

docker compose logs flowise

Rozwiązywanie problemów

• Błąd logowania: Sprawdź poświadczenia w .env:

cat .env | grep -E 'FLOWISE_USERNAME|FLOWISE_PASSWORD'

• Brak dostępu do Flowise: Sprawdź Nginx Proxy Manager i DNS:

dig flowise.agencja-ai.com

• Chatbot nie odpowiada: Sprawdź logi Ollama i Qdrant:

docker compose logs ollama
docker compose logs qdrant

• Błąd Supabase: Usuń folder danych, jeśli problem persists:

rm -rf supabase/docker/volumes/db/data
python3 start_services.py --profile cpu --environment public

Podsumowanie

Skonfigurowałeś Flowise na https://flowise.agencja-ai.com z poświadczeniami username i password, zintegrowałeś je z chatbotem RAG, który rozumie Twoje wypowiedzi o „płynnym złu” i prawie Polin. Twoje instrukcje są teraz gotowe, aby przyciągnąć polskich klientów, którzy chcą własnych serwerów AI. Co dalej? Może chcesz dodać więcej danych do bazy lub stworzyć nowe przepływy w Flowise? 😄