Desplegar Flowise en un VPS: Docker, flujos de IA visuales, Ollama y HTTPS

He visto a mucha gente que empieza queriendo hacer flujos de trabajo de IA y acaba con cada vez más herramientas instaladas.

Para preguntas y respuestas simples se usa Open WebUI, para preguntas y respuestas sobre documentos se usa AnythingLLM, para aplicaciones complejas se usa Dify, para automatización se usa n8n. Cada herramienta resuelve una parte del problema, pero si lo que realmente quieres hacer es:

Encadenar LLM, prompts, bases de datos vectoriales, recuperación, llamadas a herramientas y nodos de API en una única cadena visual.

Entonces Flowise merece una mirada aparte.

Se parece más a un editor visual de LangChain. No empiezas escribiendo un montón de código Python/TypeScript, sino que arrastras nodos en el navegador: Chat Model, Prompt Template, Retriever, Vector Store, Tool, Chain, y luego los conectas y pruebas.

Este artículo lo aborda desde el autoalojamiento en VPS: qué especificaciones pueden ejecutarlo, cómo desplegar con Docker, cómo añadir HTTPS y autenticación de inicio de sesión, cómo hacer copias de seguridad de los datos, cuándo elegir Flowise y cuándo no forzarlo.

Primero la conclusión: para quién es Flowise

Flowise no es "otra envoltura web de ChatGPT". Sirve para orquestar cadenas de IA.

Necesidad	¿Encaja Flowise?	Herramienta más adecuada
Crear flujos de trabajo LLM con arrastrar y soltar	Sí	Flowise
Aprender flujos de LangChain / RAG	Sí	Flowise
Crear rápidamente un prototipo de API de IA	Sí	Flowise
Crear un backend completo de aplicación de IA	Regular	Dify
Automatización multiplataforma	Regular	n8n
Solo chatear	No mucho	Open WebUI
Solo preguntas y respuestas sobre una base de conocimiento documental	No necesariamente	AnythingLLM

Así lo entiendo yo:

Dify es más una plataforma de aplicaciones de IA
n8n es más una plataforma de flujos de trabajo de automatización
Flowise es más una herramienta para construir cadenas de LLM

Si quieres entender "cómo una pregunta y respuesta RAG encadena realmente documentos, base de datos vectorial, prompt y modelo", los nodos visuales de Flowise lo hacen muy intuitivo.

Cómo elegir las especificaciones del VPS

Flowise en sí no es pesado. Lo que realmente consume recursos son la base de datos, la base de datos vectorial, los modelos locales y las solicitudes concurrentes que conectes.

Si solo ejecutas Flowise + API de modelos en la nube:

Uso	Especificaciones del VPS
Pruebas personales	1 núcleo / 2GB / 20GB SSD
Uso personal a largo plazo	2 núcleos / 4GB / 40GB SSD
Uso compartido de un equipo pequeño	4 núcleos / 8GB / 80GB SSD

Si además quieres ejecutar Qdrant, PostgreSQL, Redis y Ollama en la misma máquina, no compres la configuración mínima.

Mi recomendación:

Solo conectar OpenAI / Claude / DeepSeek / OpenRouter: 2C4G es suficiente
Flowise + Qdrant + PostgreSQL: 4C8G es más estable
Flowise + modelos locales Ollama: 16GB de RAM es un punto de partida más realista

No ejecutes un montón de herramientas de IA en una máquina pequeña de 1C1G. Poder abrir el panel es una cosa; ejecutar flujos de trabajo de verdad es otra.

Preparación antes del despliegue

Este artículo usa un VPS con Ubuntu / Debian como ejemplo.

Primero inicia sesión por SSH:

ssh root@your_server_ip

Actualiza el sistema:

apt update && apt upgrade -y

Instala las herramientas básicas:

apt install -y ca-certificates curl gnupg ufw

Comprueba los recursos:

free -h
df -h

Flowise se ejecuta por defecto en el puerto 3000. Primero comprueba si está ocupado:

ss -tlnp | grep 3000

Si esta máquina ya tiene Perplexica, Grafana o algún proyecto frontend ocupando el 3000, tendrás que cambiar el puerto o usar un proxy inverso para distinguir por dominio.

Instalar Docker

Si la máquina aún no tiene Docker instalado, puedes seguir estos pasos.

install -m 0755 -d /etc/apt/keyrings
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | gpg --dearmor -o /etc/apt/keyrings/docker.gpg
chmod a+r /etc/apt/keyrings/docker.gpg
echo "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu $(. /etc/os-release && echo $VERSION_CODENAME) stable" > /etc/apt/sources.list.d/docker.list
apt update
apt install -y docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin

Confirma la instalación:

docker --version
docker compose version

El despliegue más sencillo con Docker Run

Si solo quieres ponerlo en marcha para probar primero, puedes usar Docker Run.

docker run -d \
  --name flowise \
  --restart unless-stopped \
  -p 127.0.0.1:3000:3000 \
  -v /opt/flowise:/root/.flowise \
  -e PORT=3000 \
  -e FLOWISE_USERNAME=admin \
  -e FLOWISE_PASSWORD='replace-with-a-strong-password' \
  flowiseai/flowise:latest

Dos cosas a tener en cuenta:

Vinculo el puerto a 127.0.0.1 para no exponerlo directamente a internet
/opt/flowise se monta en /root/.flowise para evitar la pérdida de datos al recrear el contenedor

Ver el contenedor:

docker ps --filter "name=flowise"

Ver los registros:

docker logs flowise --tail=100

Probar en local:

curl -I http://127.0.0.1:3000

Si es accesible en local, después usa Caddy para HTTPS.

Desplegar con Docker Compose

Para uso a largo plazo recomiendo más Compose. El directorio es claro y las actualizaciones y copias de seguridad son más sencillas.

Crear el directorio:

mkdir -p /opt/flowise
cd /opt/flowise

Crear .env:

cat > .env << 'EOF'
PORT=3000
FLOWISE_USERNAME=admin
FLOWISE_PASSWORD=replace-with-a-strong-password
DATABASE_PATH=/root/.flowise
SECRETKEY_PATH=/root/.flowise
LOG_PATH=/root/.flowise/logs
BLOB_STORAGE_PATH=/root/.flowise/storage
DISABLE_FLOWISE_TELEMETRY=true
EOF

Asegúrate de cambiar la contraseña aquí; no uses el valor de ejemplo.

Crear docker-compose.yml:

services:
  flowise:
    image: flowiseai/flowise:latest
    container_name: flowise
    restart: unless-stopped
    ports:
      - "127.0.0.1:3000:3000"
    environment:
      - PORT=${PORT}
      - FLOWISE_USERNAME=${FLOWISE_USERNAME}
      - FLOWISE_PASSWORD=${FLOWISE_PASSWORD}
      - DATABASE_PATH=${DATABASE_PATH}
      - SECRETKEY_PATH=${SECRETKEY_PATH}
      - LOG_PATH=${LOG_PATH}
      - BLOB_STORAGE_PATH=${BLOB_STORAGE_PATH}
      - DISABLE_FLOWISE_TELEMETRY=${DISABLE_FLOWISE_TELEMETRY}
    volumes:
      - /opt/flowise/data:/root/.flowise
    entrypoint: /bin/sh -c "sleep 3; flowise start"

Iniciar:

docker compose up -d

Comprobar:

docker compose ps
docker logs flowise --tail=100

Esta configuración ya es suficiente para pruebas personales y de equipos pequeños.

Configurar HTTPS con Caddy

Supongamos que tu dominio es:

flowise.example.com

Añade un registro A en el DNS:

flowise.example.com -> your_server_ip

Instala Caddy:

apt install -y debian-keyring debian-archive-keyring apt-transport-https curl
curl -1sLf 'https://dl.cloudsmith.io/public/caddy/stable/gpg.key' | gpg --dearmor -o /usr/share/keyrings/caddy-stable-archive-keyring.gpg
curl -1sLf 'https://dl.cloudsmith.io/public/caddy/stable/debian.deb.txt' > /etc/apt/sources.list.d/caddy-stable.list
apt update
apt install -y caddy

Edita la configuración:

nano /etc/caddy/Caddyfile

Escribe:

flowise.example.com {
    reverse_proxy 127.0.0.1:3000
}

Comprueba y recarga:

caddy validate --config /etc/caddy/Caddyfile
systemctl reload caddy

Ahora visita:

https://flowise.example.com

Verás la página de inicio de sesión de Flowise.

Cómo configurar el firewall

Si usas Caddy como proxy inverso, abre solo SSH, 80 y 443.

ufw allow 22/tcp
ufw allow 80/tcp
ufw allow 443/tcp
ufw enable
ufw status

No abras el 3000:

ufw deny 3000/tcp

La configuración de Compose anterior ya vincula el 3000 a 127.0.0.1; este paso añade otra capa de protección.

La autenticación de inicio de sesión debe estar activada

Si el panel de Flowise queda expuesto sin protección a internet, el riesgo es alto.

Porque puede contener:

Claves API de OpenAI / DeepSeek
Información de conexión de la base de datos vectorial
Información de conexión de la base de datos
Interfaces de llamadas a herramientas internas
Los endpoints de API de los flujos de trabajo que hayas creado

Como mínimo, configura:

FLOWISE_USERNAME=admin
FLOWISE_PASSWORD=replace-with-a-strong-password

Si lo usas dentro de una empresa, también puedes añadir Cloudflare Access, Tailscale o una VPN para permitir el acceso al panel solo a usuarios concretos.

Cómo crear tu primer Flow

Una vez desplegado, no empieces con un Agent complejo.

Empieza con la cadena mínima:

Añade un nodo Chat Model
Elige OpenAI / OpenRouter / DeepSeek / Ollama
Añade un Prompt Template
Conéctalo a un LLM Chain
Abre Chat para probar

Una pregunta de prueba mínima podría ser:

用三句话解释 VPS、Docker 和反向代理的关系。

Si esto no funciona, no toques todavía RAG, Tool ni Agent.

Los problemas habituales suelen ser:

Clave API incorrecta
Nombre del modelo incorrecto
El VPS no puede acceder a la API del modelo
Nodos mal conectados
No volver a probar después de guardar

Conectar OpenAI / DeepSeek / OpenRouter

La ventaja de Flowise es que tiene bastantes nodos de modelos, así que puedes elegir según tu situación.

Si usas OpenAI, normalmente necesitas preparar:

OPENAI_API_KEY=sk-xxxx

Si usas OpenRouter, puedes elegir la forma compatible con OpenAI; lo importante es la Base URL y el nombre del modelo.

Si usas DeepSeek, también puedes conectarlo de forma compatible con OpenAI.

Aquí no pongas las claves API en documentos públicos, ni hagas commit de .env en un repositorio Git.

Recomiendo rellenarlas en la gestión de Credential de Flowise, en lugar de codificarlas en cada nodo. Así es más cómodo cuando cambies la clave más adelante.

Conectar modelos locales Ollama

Si quieres que los modelos se ejecuten en tu propio VPS, puedes conectar Ollama.

Instalar Ollama:

curl -fsSL https://ollama.com/install.sh | sh

Descargar un modelo:

ollama pull qwen2.5:7b

Probar:

curl http://127.0.0.1:11434/api/tags

Si Flowise está en Docker y necesita acceder al Ollama del host, no puedes escribir directamente localhost.

Añade en Compose:

extra_hosts:
  - "host.docker.internal:host-gateway"

Luego, en el nodo Ollama de Flowise, rellena:

http://host.docker.internal:11434

Si rellenas http://localhost:11434, el contenedor de Flowise buscará el 11434 dentro de su propio contenedor, y normalmente fallará la conexión.

¿Conviene añadir PostgreSQL?

Por defecto Flowise puede guardar los datos como archivos locales, lo cual es suficiente para pruebas personales.

Pero si planeas un uso multiusuario a largo plazo, o quieres copias de seguridad más ordenadas, puedes considerar PostgreSQL.

Una regla sencilla:

Escenario	Elección de base de datos
Pruebas personales, pocos Flows	Archivos locales por defecto
Uso a largo plazo de un equipo pequeño	PostgreSQL es más estable
Varias instancias, alta concurrencia	PostgreSQL + Redis + una arquitectura más completa

No lleves la arquitectura al máximo desde el principio. Flowise ya tiene muchos nodos y configuraciones; estabilizar el flujo principal es más importante que acumular servicios de base de datos.

Cómo hacer copias de seguridad de archivos y datos

Como mínimo, haz copia de seguridad de este directorio:

/opt/flowise/data

Incluye tus Flows, Credentials, registros, archivos de almacenamiento y otros datos críticos.

Empaqueta en local:

mkdir -p /opt/backups
tar -czf /opt/backups/flowise-data-$(date +%F).tar.gz /opt/flowise

Sincroniza con el almacenamiento de objetos:

rclone copy /opt/backups/flowise-data-$(date +%F).tar.gz r2:backup-bucket/flowise/

Si usas PostgreSQL, haz también una copia de seguridad adicional de la base de datos:

pg_dump "$DATABASE_URL" | gzip > /opt/backups/flowise-db-$(date +%F).sql.gz

No hagas copia de seguridad solo del archivo Compose. Lo que realmente vale son los Flows y Credentials que has creado.

Cómo actualizar

Actualizar un despliegue con Compose es sencillo:

cd /opt/flowise
docker compose pull
docker compose up -d

Haz copia de seguridad antes de actualizar:

tar -czf /opt/backups/flowise-before-upgrade-$(date +%F).tar.gz /opt/flowise

Comprueba después de actualizar:

docker compose ps
docker logs flowise --tail=100
curl -I http://127.0.0.1:3000

Luego ejecuta realmente un Flow en la web para confirmar que los nodos, las Credentials y los endpoints de API funcionan correctamente.

Solución de problemas habituales

1. El dominio devuelve 502

Primero mira el contenedor:

docker ps --filter "name=flowise"
docker logs flowise --tail=100

Luego mira el puerto local:

curl -I http://127.0.0.1:3000

Si no funciona en local, arregla el contenedor de Flowise. Si funciona en local pero no por el dominio, revisa Caddy:

caddy validate --config /etc/caddy/Caddyfile
journalctl -u caddy -n 100 --no-pager

2. No puedo iniciar sesión

Confirma el usuario y la contraseña en .env:

cd /opt/flowise
grep FLOWISE_ .env

Reinicia después de cambiarlos:

docker compose up -d

Si el navegador tiene el estado antiguo en caché, prueba una vez en una ventana de incógnito.

3. El nodo falla al llamar al modelo

Primero confirma la clave API y el nombre del modelo.

Si es OpenAI / OpenRouter:

curl -I https://api.openai.com

Si es Ollama:

curl http://127.0.0.1:11434/api/tags

Para acceder al Ollama del host desde dentro del contenedor, usa:

http://host.docker.internal:11434

4. El Flow se pierde después de guardar

Lo más probable es que no se haya montado el directorio persistente.

Comprueba si el Compose tiene:

volumes:
  - /opt/flowise/data:/root/.flowise

Comprueba el directorio del host:

ls -lah /opt/flowise/data

Si antes ejecutaste el contenedor sin montarlo, los datos pueden haberse perdido ya al eliminar el contenedor.

5. Los flujos de trabajo van muy lentos

Primero mira los recursos del VPS:

htop
free -h
docker stats

Luego mira qué paso es el lento:

La API del modelo es lenta
La recuperación de la base de datos vectorial es lenta
Los fragmentos de documentos son demasiado grandes
El modelo local de Ollama es demasiado grande
Las llamadas a herramientas HTTP externas son lentas

Que Flowise vaya lento no significa necesariamente que Flowise en sí sea lento; muchas veces es un nodo concreto el que va lento.

Cómo elegir entre Flowise, Dify y n8n

Estas tres herramientas se comparan a menudo.

Herramienta	Más adecuada para
Flowise	Cadenas LLM visuales, LangChain, prototipos RAG
Dify	Plataforma de aplicaciones de IA, publicación externa, base de conocimiento y flujos de trabajo
n8n	Tareas de automatización, Webhooks, integración con sistemas de terceros

Mi recomendación:

Quieres aprender y depurar cadenas LLM: Flowise
Quieres crear una aplicación de IA completa para que la usen otros: Dify
Quieres integrar la IA en procesos de negocio: n8n

Por ejemplo, si quieres hacer "el usuario envía un formulario -> consultar el CRM -> llamar al modelo para resumir -> enviar a Slack", n8n es más adecuado.

Si quieres hacer "recuperación de documentos -> Prompt -> respuesta del modelo -> observar la salida de cada nodo", Flowise es más intuitivo.

Si quieres hacer "un producto de IA con inicio de sesión, base de conocimiento, API y publicación de aplicaciones", Dify es más completo.

Cómo lo pondría en práctica

Si yo mismo ejecutara Flowise en un VPS, lo configuraría así:

VPS: 2 núcleos y 4GB como punto de partida
Despliegue: Docker Compose
Puerto: vincular solo a 127.0.0.1:3000
HTTPS: proxy inverso Caddy
Inicio de sesión: configurar obligatoriamente FLOWISE_USERNAME / FLOWISE_PASSWORD
Modelos: conectar primero OpenRouter / DeepSeek / OpenAI
Modelos locales: conectar Ollama cuando el flujo sea estable
Copias de seguridad: hacer copia de /opt/flowise a diario
Uso de equipo a largo plazo: entonces considerar PostgreSQL

El valor de Flowise no está en "haber instalado una herramienta de IA", sino en que divide la cadena LLM en nodos que puedes ver y ajustar. Para quienes aprenden RAG, crean prototipos de IA y solucionan problemas de prompts y llamadas a herramientas, es más rápido que escribir código directamente y más claro que una interfaz de solo chat.

Pero no es un backend universal. Permisos, productización, gestión de usuarios y publicación de aplicaciones complejas pueden encajar mejor en Dify. Antes de elegir una herramienta, piensa con claridad: ¿quieres "construir cadenas" o "crear un producto"?

Necesidad

¿Encaja Flowise?

Herramienta más adecuada

Crear flujos de trabajo LLM con arrastrar y soltar

Sí

Flowise

Aprender flujos de LangChain / RAG

Sí

Flowise

Crear rápidamente un prototipo de API de IA

Sí

Flowise

Crear un backend completo de aplicación de IA

Regular

Dify

Automatización multiplataforma

Regular

n8n

Solo chatear

No mucho

Open WebUI

Solo preguntas y respuestas sobre una base de conocimiento documental

No necesariamente

AnythingLLM

Uso

Especificaciones del VPS

Pruebas personales

1 núcleo / 2GB / 20GB SSD

Uso personal a largo plazo

2 núcleos / 4GB / 40GB SSD

Uso compartido de un equipo pequeño

4 núcleos / 8GB / 80GB SSD

install -m 0755 -d /etc/apt/keyrings curl -fsSL https://download.docker.com/linux/ubuntu/gpg | gpg --dearmor -o /etc/apt/keyrings/docker.gpg chmod a+r /etc/apt/keyrings/docker.gpg echo "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu $(. /etc/os-release && echo $VERSION_CODENAME) stable" > /etc/apt/sources.list.d/docker.list apt update apt install -y docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin

docker run -d \ --name flowise \ --restart unless-stopped \ -p 127.0.0.1:3000:3000 \ -v /opt/flowise:/root/.flowise \ -e PORT=3000 \ -e FLOWISE_USERNAME=admin \ -e FLOWISE_PASSWORD='replace-with-a-strong-password' \ flowiseai/flowise:latest

cat > .env << 'EOF' PORT=3000 FLOWISE_USERNAME=admin FLOWISE_PASSWORD=replace-with-a-strong-password DATABASE_PATH=/root/.flowise SECRETKEY_PATH=/root/.flowise LOG_PATH=/root/.flowise/logs BLOB_STORAGE_PATH=/root/.flowise/storage DISABLE_FLOWISE_TELEMETRY=true EOF

services: flowise: image: flowiseai/flowise:latest container_name: flowise restart: unless-stopped ports: - "127.0.0.1:3000:3000" environment: - PORT=${PORT} - FLOWISE_USERNAME=${FLOWISE_USERNAME} - FLOWISE_PASSWORD=${FLOWISE_PASSWORD} - DATABASE_PATH=${DATABASE_PATH} - SECRETKEY_PATH=${SECRETKEY_PATH} - LOG_PATH=${LOG_PATH} - BLOB_STORAGE_PATH=${BLOB_STORAGE_PATH} - DISABLE_FLOWISE_TELEMETRY=${DISABLE_FLOWISE_TELEMETRY} volumes: - /opt/flowise/data:/root/.flowise entrypoint: /bin/sh -c "sleep 3; flowise start"

apt install -y debian-keyring debian-archive-keyring apt-transport-https curl curl -1sLf 'https://dl.cloudsmith.io/public/caddy/stable/gpg.key' | gpg --dearmor -o /usr/share/keyrings/caddy-stable-archive-keyring.gpg curl -1sLf 'https://dl.cloudsmith.io/public/caddy/stable/debian.deb.txt' > /etc/apt/sources.list.d/caddy-stable.list apt update apt install -y caddy

Escenario

Elección de base de datos

Pruebas personales, pocos Flows

Archivos locales por defecto

Uso a largo plazo de un equipo pequeño

PostgreSQL es más estable

Varias instancias, alta concurrencia

PostgreSQL + Redis + una arquitectura más completa

Herramienta

Más adecuada para

Flowise

Cadenas LLM visuales, LangChain, prototipos RAG

Dify

Plataforma de aplicaciones de IA, publicación externa, base de conocimiento y flujos de trabajo

n8n

Tareas de automatización, Webhooks, integración con sistemas de terceros

Primero la conclusión: para quién es Flowise

Cómo elegir las especificaciones del VPS

Preparación antes del despliegue

Instalar Docker

El despliegue más sencillo con Docker Run

Desplegar con Docker Compose

Configurar HTTPS con Caddy

Cómo configurar el firewall

La autenticación de inicio de sesión debe estar activada

Cómo crear tu primer Flow

Conectar OpenAI / DeepSeek / OpenRouter

Conectar modelos locales Ollama

¿Conviene añadir PostgreSQL?

Cómo hacer copias de seguridad de archivos y datos

Cómo actualizar

Solución de problemas habituales

1. El dominio devuelve 502

2. No puedo iniciar sesión

3. El nodo falla al llamar al modelo

4. El Flow se pierde después de guardar

5. Los flujos de trabajo van muy lentos

Cómo elegir entre Flowise, Dify y n8n

Cómo lo pondría en práctica

Cargando…

Primero la conclusión: para quién es Flowise

Cómo elegir las especificaciones del VPS

Preparación antes del despliegue

Instalar Docker

El despliegue más sencillo con Docker Run

Desplegar con Docker Compose

Configurar HTTPS con Caddy

Cómo configurar el firewall

La autenticación de inicio de sesión debe estar activada

Cómo crear tu primer Flow

Conectar OpenAI / DeepSeek / OpenRouter

Conectar modelos locales Ollama

¿Conviene añadir PostgreSQL?

Cómo hacer copias de seguridad de archivos y datos

Cómo actualizar

Solución de problemas habituales

1. El dominio devuelve 502

2. No puedo iniciar sesión

3. El nodo falla al llamar al modelo

4. El Flow se pierde después de guardar

5. Los flujos de trabajo van muy lentos

Cómo elegir entre Flowise, Dify y n8n

Cómo lo pondría en práctica