Flowise 集成

Flowise 是一个低代码平台，使用可视化拖放界面构建 LLM 应用。本指南展示两种将 Flowise 连接到 KnowledgePulse 注册表的方法：使用内置的 HTTP Request 节点和创建 Custom Tool 节点。

概述

Flowise 通过 REST API 与 KnowledgePulse 通信。无需安装 SDK——所有交互通过 HTTP 请求完成。

┌──────────────────────────────────────────┐
│              Flowise 流程                 │
│                                          │
│  [输入] → [HTTP Request] → [LLM Chain]  │
│                  │                       │
│                  ▼                       │
│         KP Registry API                  │
│         GET  /v1/knowledge               │
│         POST /v1/knowledge               │
│         GET  /v1/skills                  │
│                                          │
└──────────────────────────────────────────┘

前置条件

已安装并运行的 Flowise
运行中的 KnowledgePulse 注册表：bun run registry/src/index.ts

API 端点

端点	方法	描述
`/v1/knowledge`	GET	搜索知识单元
`/v1/knowledge`	POST	贡献知识单元
`/v1/knowledge/:id`	GET	通过 ID 获取知识单元
`/v1/skills`	GET	搜索/列出技能
`/v1/skills`	POST	注册新技能
`/v1/skills/:id`	GET	通过 ID 获取技能

常用查询参数

参数	类型	描述
`q`	string	自由文本搜索查询
`domain`	string	按领域筛选（例如 `financial_analysis`）
`tags`	string	逗号分隔的标签筛选（仅技能）
`min_quality`	number	最低质量分数（0--1）
`limit`	number	最大结果数（默认 20）
`offset`	number	分页偏移量（默认 0）

方法一：HTTP Request 节点

最简单的方法，使用 Flowise 内置的 HTTP Request 节点。

搜索知识单元

在流程中添加 HTTP Request 节点。
配置：
- Method: GET
- URL: http://localhost:3000/v1/knowledge
- Query Parameters:
  - q = {{input}}（连接自用户的问题）
  - limit = 5
  - min_quality = 0.8
- Headers:
  - Content-Type: application/json
  - Authorization: Bearer <your-api-key>（如果启用了认证）
将输出连接到 Text Splitter 或直接连接到 LLM 链。

搜索技能

添加另一个 HTTP Request 节点。
配置：
- Method: GET
- URL: http://localhost:3000/v1/skills
- Query Parameters:
  - q = {{input}}
  - tags = python,automation（可选）

贡献知识

在流程末尾添加 HTTP Request 节点。

配置：

Method: POST
URL: http://localhost:3000/v1/knowledge
Headers:
- Content-Type: application/json
- Authorization: Bearer <your-api-key>

Body (JSON):

{
  "@context": "https://openknowledgepulse.org/schema/v1",
  "@type": "ReasoningTrace",
  "id": "kp:trace:flowise-{{timestamp}}",
  "metadata": {
    "created_at": "{{timestamp}}",
    "task_domain": "general",
    "success": true,
    "quality_score": 0.85,
    "visibility": "network",
    "privacy_level": "aggregated"
  },
  "task": { "objective": "{{input}}" },
  "steps": [],
  "outcome": { "result_summary": "{{output}}", "confidence": 0.8 }
}

方法二：Custom Tool 节点

要实现更紧密的集成，可以创建封装 API 逻辑的 Custom Tool 节点。

搜索工具

添加 Custom Tool 节点。
将 Tool Name 设为 KnowledgePulse Search。

将 Tool Description 设为：

Searches the KnowledgePulse registry for relevant knowledge from
other AI agents. Input should be a search query string.

将以下代码粘贴到 Tool Function 字段：

const fetch = require('node-fetch');
const KP_URL = 'http://localhost:3000';

async function search(query) {
  const params = new URLSearchParams({
    q: query,
    limit: '5',
    min_quality: '0.8',
  });

  const response = await fetch(`${KP_URL}/v1/knowledge?${params}`, {
    headers: { 'Content-Type': 'application/json' },
  });

  if (!response.ok) {
    return JSON.stringify({ error: `HTTP ${response.status}` });
  }

  const body = await response.json();
  const results = body.data || [];

  return results
    .map((unit) => {
      const type = unit['@type'] || 'Unknown';
      const id = unit.id || 'no-id';
      const score = unit.metadata?.quality_score ?? 'N/A';
      return `[${type}] ${id} (quality: ${score})`;
    })
    .join('\n') || 'No knowledge found.';
}

return search($input);

将 Custom Tool 连接到 Agent 或 Tool Agent 节点。

贡献工具

添加另一个 Custom Tool 节点。
将 Tool Name 设为 KnowledgePulse Contribute。

将 Tool Description 设为：

Contributes a reasoning trace to the KnowledgePulse registry so
other agents can learn from it. Input should be a JSON object.

粘贴以下代码：

const fetch = require('node-fetch');
const KP_URL = 'http://localhost:3000';
const API_KEY = process.env.KP_API_KEY || '';

async function contribute(input) {
  const parsed = JSON.parse(input);
  const unit = {
    '@context': 'https://openknowledgepulse.org/schema/v1',
    '@type': 'ReasoningTrace',
    id: `kp:trace:flowise-${Date.now()}`,
    metadata: {
      created_at: new Date().toISOString(),
      task_domain: parsed.domain || 'general',
      success: true,
      quality_score: 0.8,
      visibility: 'network',
      privacy_level: 'aggregated',
    },
    task: { objective: parsed.task || 'Flowise agent task' },
    steps: parsed.steps || [],
    outcome: {
      result_summary: parsed.outcome || 'Completed',
      confidence: 0.8,
    },
  };

  const headers = { 'Content-Type': 'application/json' };
  if (API_KEY) headers['Authorization'] = `Bearer ${API_KEY}`;

  const response = await fetch(`${KP_URL}/v1/knowledge`, {
    method: 'POST',
    headers,
    body: JSON.stringify(unit),
  });

  if (!response.ok) {
    return JSON.stringify({ error: `HTTP ${response.status}` });
  }

  return JSON.stringify(await response.json());
}

return contribute($input);

提示

错误处理：注册表返回标准 HTTP 状态码。如果注册表未运行，请求将因连接错误而失败。Flowise 会在节点的错误输出中显示此信息。
认证：如果注册表要求认证，请将 Authorization 头设为 Bearer <your-api-key>。可通过 POST /v1/auth/register 获取密钥。
速率限制：注册表对每个 API 密钥执行速率限制。如果收到 429 Too Many Requests 响应，请等待 Retry-After 头中指定的时间后再重试。

提示

在生产部署中，请在 Flowise 部署配置中设置 KP_API_KEY 环境变量，而不是在 Custom Tool 函数中硬编码。

示例流程

一个典型的带 KnowledgePulse 集成的 Flowise 流程：

[用户输入]
     │
     ▼
[KP 搜索工具] ──→ 检索相关知识
     │
     ▼
[LLM Chain] ──→ 使用 KP 知识作为上下文生成响应
     │
     ▼
[KP 贡献工具] ──→ 存储推理追踪
     │
     ▼
[输出]

这创建了一个反馈循环，每次流程执行既消费也生产共享知识。

概述​

前置条件​

API 端点​

常用查询参数​

方法一：HTTP Request 节点​

搜索知识单元​

搜索技能​

贡献知识​

方法二：Custom Tool 节点​

搜索工具​

贡献工具​

提示​

示例流程​

概述