langflow-ai/langflow · 上手攻略

  • 仓库：langflow-ai/langflow
  • 链接：https://github.com/langflow-ai/langflow
  • 分类：agent
  • 作者：Tom
  • 更新：2026-07-10

这是什么

Langflow 是一款可视化 AI Workflow 构建平台，通过拖拽节点编排 LLM 应用流程，无需（或只需少量）代码即可完成 RAG、Agent、多步推理等复杂 AI 系统的搭建与测试。它既是低代码/无代码工具，也是 Python 开发框架——你可以用可视化界面快速原型，也可以直接修改任意组件的 Python 源码做深度定制。

核心特性：可视化 Flow 编辑器、交互式 Playground、多 Agent 编排、内置 API 服务、MCP 服务器导出、LangSmith/LangFuse 可观测性集成。MIT 许可证，生产可用，GitHub Stars 约 151k。

解决什么问题

LangChain、LlamaIndex 等框架功能强大，但纯代码 API 对非程序员或快速原型阶段过于繁琐——你需要写 Python 代码来理解"这个组件该怎么连"。Langflow 解决了这个问题：

  • 所见即所得：拖拽节点、连线、运行，立即看到结果，不需要先写代码。
  • 快速迭代：可视化改 prompt/换模型/增删节点，比改代码快 10 倍。
  • 可导出为代码：Flow 可以导出 JSON，在 Python 项目里用 langflow 包直接加载复用。
  • 一键部署：REST API、MCP Server、Docker，任选一种方式直接上线。

快速安装

方式一：Langflow Desktop（最简单）

适合 Windows/macOS 用户，官方打包了包含所有依赖的桌面安装包：

  1. 访问 langflow.org/desktop
  2. 下载对应平台安装包（macOS 需要 macOS 13+）
  3. 挂载/安装，打开即可

⚠️ Desktop 版不支持 Shareable Playground 和 Voice Mode，生产级部署建议用 pip 或 Docker。

方式二：pip 安装（Python 3.10~3.14）

需要 Python 3.10 到 3.14，官方推荐用 uv 包管理器：

# 创建虚拟环境（推荐）
uv venv langflow-env
source langflow-env/bin/activate  # Linux/macOS
# langflow-env\Scripts\activate   # Windows

# 安装
uv pip install langflow

# 启动（首次运行会显示自动生成的登录密码）
uv run langflow run

启动后访问 http://127.0.0.1:7860 即可看到可视化界面。

⚠️ 首次运行会打印 Username: admin，密码在启动日志中（LANGFLOW_AUTO_LOGIN=true 环境变量可跳过登录）。

升级：

uv pip install langflow -U        # 升级到最新版
uv pip install langflow==1.4.22   # 安装指定版本（例）
uv pip install langflow --force-reinstall  # 重装

方式三：Docker（一行启动）

docker run -p 7860:7860 \
  -e LANGFLOW_AUTO_LOGIN=true \
  langflowai/langflow:latest

访问 http://localhost:7860/ 即可。

生产级 Docker 部署需参考官方部署文档。

硬件需求

规格 最低 推荐
CPU 双核 多核
内存 2 GB 4 GB+
浏览器 任意现代浏览器 Chrome（官方推荐）

核心用法

1. 构建第一个 Flow

  1. 打开 http://127.0.0.1:7860
  2. 点击 + 新建 Flow
  3. 从左侧组件面板拖入节点： - Chat Input（用户输入） - OpenAI（或 Azure OpenAI / Anthropic / Ollama / 其他 LLM） - Chat Output（输出展示）
  4. 用线连接节点（输入口 → 输出口）
  5. 点击右上角 ▶️ 运行，在 Playground 面板查看结果

2. 常用组件类别

组件类别 代表节点 用途
LLMs OpenAI、Azure OpenAI、Anthropic、Ollama、本地模型 LLM 调用入口
Prompts Prompt、Chat Prompt、Few-Shot 结构化 prompt 管理
Memory Buffer Memory、Conversation Buffer 多轮对话上下文
Tools Calculator、Search、Python Function Agent 工具集
Vector Stores AstraDB、Pinecone、Chroma、FAISS 向量数据库连接
Retrievers Vector Store Retriever、Parent Retriever RAG 检索
Embeddings OpenAI Embeddings、Azure OpenAI Embeddings 向量化
Agents ReAct Agent、Conversational Agent AI Agent 编排
Outputs Chat Output、File Output、JSON Output 结果展示

3. RAG Flow 搭建（5 分钟）

[Document] → [Recursive Character Splitter] → [AstraDB / Chroma]
                                                          ↓
[Chat Input] → [Embedding] → [Vector Store Retriever] → [Prompt] → [LLM] → [Chat Output]
  1. Ingestion 路径（建库，一次性）：Document → Splitter → Embedding → Vector Store
  2. Query 路径（每次查询）：Chat Input → Embedding → Vector Store Retriever → Prompt → LLM → Chat Output

4. 导出与程序化调用

导出 Flow 为 JSON： - 界面右上角 Export 按钮，保存 .json 文件

在 Python 代码里加载 Flow：

from langflow import load_flow

flow = load_flow("./my-flow.json")

# 直接调用（输入为 dict）
result = flow.invoke({"input": "你好，介绍一下你自己"})
print(result)

部署为 REST API：

uv run langflow run --api-only
# 启动后 API 端点在 http://127.0.0.1:7860/api/v1/run/<flow_id>

5. 部署为 MCP Server

将 Flow 一键导出为 MCP 协议工具，被 Claude Desktop、Cline 等 MCP 客户端直接调用：

  1. 在 Langflow 界面：你的 Flow → MCP Server 标签
  2. 复制 MCP Server URL
  3. 在客户端配置 mcpServers 添加该 URL

6. 多 Agent 编排

Langflow 支持在单个 Flow 里组合多个 Agent： - 每个 Agent 有独立的 Tools、Memory、Prompt - 用 Control Net 或 Router 节点分配用户请求到不同 Agent - 支持子 Agent 之间的共享 Memory

典型适用场景

场景 推荐 Flow 模板
快速验证 RAG 想法 Document → Splitter → VectorDB → Retriever → LLM
多轮对话客服机器人 Chat Input → Memory → Prompt → LLM → Memory → Output
带工具调用的 AI Agent ReAct Agent + Calculator/Search/Python Function
企业知识库问答 PDF/Doc → Text Splitter → Embedding → AstraDB → LLM
代码审查助手 Code Input → LLM → Critique → Output
定时报告生成 Schedule Trigger → Data Fetcher → LLM → Email Sender

坑与注意

⚠️ Python 版本约束严格

Langflow 只支持 Python 3.10 ~ 3.14，不支持 3.9 和 3.15+。如果系统默认 Python 版本不符合，用 uv venv --python 3.11 创建指定版本的虚拟环境。

⚠️ uv 以外的包管理器可能有问题

官方明确推荐 uv，pip/conda 安装可能遇到依赖冲突或启动报错。如果遇到奇怪的导入错误，先试试 uv pip install langflow --force-reinstall。

⚠️ 生产部署需要额外配置

默认配置（SQLite、无认证）仅适合开发测试。生产环境需要： - 使用 PostgreSQL（DATABASE_URL 环境变量） - 配置认证（LANGFLOW_ADMIN_EMAIL / LANGFLOW_ADMIN_PASSWORD） - 使用反向代理（Nginx/Caddy）+ HTTPS - 参考 官方生产部署文档

⚠️ 矢量数据库需自备

Langflow 本身免费，但 Chroma（嵌入式）/ Pinecone / AstraDB 等向量存储有各自的使用限制和费用。自托管 Chroma 方案适合小规模免费使用：uv pip install chromadb。

⚠️ Desktop 版升级不便

Desktop 版升级需要重新下载安装包，不支持自动更新。建议有升级需求的用户使用 pip 版本。

⚠️ 内置 LLM 模型有限

Langflow 自带了一些云 LLM 集成（OpenAI、Azure、Anthropic），但 DeepSeek、MiniMax、Groq 等国产/新兴 provider 需要手动配置 API Key 和自定义 Base URL，界面里没有预设入口，需要进 Settings → Tools → Custom 手动添加。

与同类对比

竞品 定位 优势 劣势
LangFlow（LangChain 官方可视化） LangChain 生态配套 与 LangChain 深度绑定 功能相对简单，非独立产品
Flowise 同样拖拽式 LLM Flow 开源、部署简单、比 Langflow 轻 生态不如 Langflow 丰富
Dify 国产开源 LLM 应用平台 中文友好、发布到 Saas 方便 国际化一般，UI 定制性弱
Langchain + LlamaIndex 纯代码框架 灵活性最高，可做任何定制 需要写代码，不适合非程序员
Langflow 可视化 + Python 定制 所见即所得 + 源码可改 + 全功能 比 Flowise 稍重，但能力更全

一句话推荐结论

想不用写代码就能快速搭 LLM 应用（RAG、Agent、多轮对话），同时保留随时进 Python 源码深度定制的能力——Langflow 是目前开源可视化 LLM Flow 工具里功能最全、生态最成熟的选择。