Construyendo aplicaciones de IA con Flowise y Phoenix

¿Por qué Flowise?

Flowise no es solo otra herramienta no-code: es una plataforma lista para producción. Se integra fácilmente con:

AWS Secrets Manager
S3 para almacenamiento de archivos
Servidores MCP personalizados o existentes (Model Context Protocol)
APIs REST expuestas para ejecutar flujos desde otros sistemas
Un marketplace integrado con plantillas listas para usar

También soporta orquestación multi-modelo, con más de 100 LLMs, bases vectoriales y embeddings, incluyendo OpenAI, Hugging Face, Azure OpenAI, e incluso inference servers locales como Ollama (mencionado en un artículo anterior). Ya sea que construyas chatbots simples o sistemas multiagente complejos, Flowise se adapta a tus necesidades.

Otras capacidades destacadas

Constructor visual de flujos – Interfaz drag-and-drop
Human-in-the-loop (HITL) – Puntos de revisión manual
Soporte para RAG – Añade tus propios datos y crea aplicaciones de generación aumentada por recuperación
SDKs y APIs – Expón tus flujos como API o intégralos en otras apps
Despliegue flexible – Local, on-premise o en la nube
Análisis y métricas – Mide uso, rendimiento y comportamiento

Observabilidad con Phoenix AI

La observabilidad es clave al construir aplicaciones basadas en LLMs. Flowise se integra con plataformas como Langfuse y Phoenix. En este artículo usamos Phoenix, ya que es liviano y fácil de poner en marcha sin muchos requisitos.

Phoenix te permite inspeccionar los inputs, outputs y pasos intermedios de tus flujos de IA. Ideal para responder preguntas como:
¿Qué recibió el modelo? ¿Qué devolvió? ¿Dónde falló la lógica?

Integración segura con Azure OpenAI

Por defecto, Flowise usa claves API estáticas para conectarse con Azure OpenAI. Sin embargo, este método no es seguro ni escalable en entornos empresariales. Por eso, he hecho un pequeño ajuste para soportar autenticación segura mediante Microsoft Entra ID (Azure AD).

Usando OAuth con Entra ID, autenticamos contra Azure OpenAI sin exponer claves—una solución más segura y fácil de administrar.

🛠 Instalación de Flowise y personalización para Azure

Aquí tienes los pasos para instalar Flowise localmente y adaptar la autenticación para Azure OpenAI.

Paso 1: Instalar PNPM

npm i -g pnpm

Paso 2: Clonar y configurar Flowise

git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise
pnpm install
pnpm build

Paso 3: Instalar SDK de Azure Identity

pnpm add @azure/identity

Paso 4: Modificar los nodos de Azure OpenAI

Edita estos archivos:

packages/components/nodes/LLMs/Azure OpenAI/AzureOpenAI.ts
packages/components/nodes/ChatModels/AzureChatOpenAI/AzureChatOpenAI.ts

Reemplaza el uso de claves estáticas con el siguiente código:

import { ClientSecretCredential, getBearerTokenProvider } from '@azure/identity';

const azureTenantId = getCredentialParam('azureTenantId', credentialData, nodeData);
const azureClientId = getCredentialParam('azureClientId', credentialData, nodeData);
const clientSecret = azureOpenAIApiKey;

const credentials = new ClientSecretCredential(azureTenantId, azureClientId, clientSecret);
const azureADTokenProvider = getBearerTokenProvider(credentials, 'https://cognitiveservices.azure.com/.default');

const obj: ChatOpenAIFields & Partial<AzureOpenAIInput> = {
    temperature: parseFloat(temperature),
    modelName,
    azureADTokenProvider,
    azureOpenAIApiInstanceName,
    azureOpenAIApiDeploymentName,
    azureOpenAIApiVersion,
    streaming: streaming ?? true
};

Paso 5: Actualizar la configuración de credenciales (secrets)

Edita packages/components/secrets/AzureOpenAIApi.credential.ts para incluir los campos necesarios:

{
    label: 'Azure Tenant ID',
    name: 'azureTenantId',
    type: 'string',
    placeholder: 'YOUR-TENANT-ID'
},
{
    label: 'Client ID',
    name: 'azureClientId',
    type: 'string',
    placeholder: 'YOUR-CLIENT-ID'
}

🔐 Nota: Puedes seguir usando el campo azureOpenAIApiKey para almacenar el Client Secret.

Paso 6: Reconstruir y ejecutar Flowise

pnpm build
pnpm start

🔍 Configurar Phoenix para trazabilidad de LLMs

Phoenix es una plataforma open source para observabilidad de flujos de LLMs, creada por Arize AI. Vamos a ejecutarla localmente usando Docker.

Paso 1: Descargar la imagen de Docker

docker pull arizephoenix/phoenix

Paso 2: Ejecutar el contenedor

docker run -p 6006:6006 arizephoenix/phoenix

Esto expondrá la interfaz en:
👉 http://localhost:6006

Paso 3: Conectar Flowise con Phoenix

Agrega el nodo de Phoenix

Asegúrate de que apunte a http://localhost:6006

Phoenix te permitirá:

Inspeccionar prompts, respuestas y llamadas a herramientas
Visualizar cadenas de agentes y pasos intermedios
Detectar errores, latencias y mejorar el rendimiento

✅ Conclusión

Con Flowise y Phoenix, ahora tienes:

Una potente plataforma open source para construir flujos de trabajo de IA
Integración segura con Azure OpenAI usando Microsoft Entra ID
Observabilidad ligera y efectiva con Phoenix