Langflow 入门教程：可视化搭建 AI 应用

官网：https://github.com/langflow-ai/langflow

一、Langflow 是什么？

Langflow 是一个开源的可视化 AI 应用开发平台，主要用于搭建和运行 AI 工作流、智能体（AI Agent）以及基于知识库的问答应用。

简单来说，它可以把原本需要编写大量代码才能完成的 AI 应用开发过程，转变为通过拖拽组件、连接节点和配置参数来完成的可视化操作。

例如，想要搭建一个能够回答用户问题的 AI 聊天机器人，传统开发方式通常需要处理模型接口、提示词、数据输入、结果输出等多个环节。而使用 Langflow，可以将这些功能拆分成不同组件，再通过连接线组合成一套完整的工作流程。

Langflow 基于 Python 开发，支持接入不同的大语言模型、向量数据库和外部工具，不强制绑定某一家 AI 服务商。除了可视化操作，也允许开发者使用 Python 编写自定义组件，扩展应用能力。

它并不是一个新的 AI 大模型，而是帮助用户连接模型、数据和工具，快速构建 AI 应用的开发平台。

二、Langflow 可以用来做什么？

Langflow 的核心价值在于把不同的 AI 能力组合起来，让它们按照预设流程协同工作。比较常见的用途包括以下几种。

1. 搭建 AI 聊天机器人

可以将聊天输入、大语言模型和聊天输出等组件连接起来，创建一个能够理解用户问题并生成回答的聊天机器人。

还可以通过提示词设置机器人的角色、回答风格和行为规则，适合制作网站客服、智能助手、内部咨询机器人等应用。

2. 创建 AI Agent 智能体

AI Agent 不仅可以回答问题，还可以根据用户的需求调用外部工具完成任务。

例如，将语言模型与计算器、网址访问工具或其他外部服务连接，智能体就可以根据问题判断是否需要使用这些工具，再将执行结果整理成回答。

Langflow 支持配置智能体及其工具，也支持多智能体协作，适合探索更复杂的 AI 自动化应用。

3. 搭建 RAG 知识库问答系统

RAG 是检索增强生成技术，可以让 AI 在回答问题之前，先从指定知识库中检索相关资料，再结合检索结果生成回答。

例如，将企业产品说明书、内部文档、使用手册等资料接入知识库，用户就可以直接向 AI 提问，而不必每次手动查阅文件。

使用 Langflow 可以将文档加载、文本切分、向量嵌入、向量数据库检索和大模型回答等步骤连接起来，构建完整的知识库问答流程。

4. 开发 AI 内容生成工具

通过连接提示词模板和语言模型，可以搭建文章辅助写作、文本摘要、内容改写、邮件生成、信息提取等工具。

用户只需要输入内容，工作流就可以按照预先配置的规则处理并返回结果。

5. 连接 API 和外部服务

Langflow 支持通过不同组件连接外部服务，也可以将搭建好的工作流通过 API 提供给其他程序调用。

此外，还支持将工作流作为 MCP Server 暴露，让兼容 MCP 的客户端将其作为工具使用。

这意味着 Langflow 不只是一个用来体验 AI 的可视化编辑器，也可以作为其他软件和 AI 应用的工作流开发基础。

三、Langflow 怎么使用？

对于初次接触 Langflow 的用户，建议先从官方桌面版或本地部署开始，不需要一开始就研究复杂的服务器配置。

1. 获取并安装 Langflow

首先访问 Langflow 官方项目：

Langflow GitHub 项目地址

官方提供多种安装方式：

• Langflow Desktop： 提供 Windows 和 macOS 桌面版本，依赖管理相对简单，适合初次体验。
• Python 安装： 通过 Python 环境和 uv 包管理工具安装，适合开发者和需要自定义环境的用户。
• Docker 部署： 使用容器运行，适合服务器部署和需要隔离运行环境的场景。
• 源码安装： 适合希望参与项目开发或修改底层代码的开发者。

如果只是想体验可视化搭建流程，优先考虑 Desktop 版本。

如果使用 Python 安装，官方文档目前要求 Python 3.10 至 3.14，并推荐使用 uv 管理环境。

在准备好 Python 环境后，可以执行：

uv pip install langflow -U

首次运行前，建议先配置身份验证。在安装目录创建 .env 文件：

LANGFLOW_AUTO_LOGIN=false
LANGFLOW_SUPERUSER_PASSWORD=替换为自己的强密码

然后启动：

uv run langflow run --env-file .env

启动成功后，在浏览器访问：

http://localhost:7860

按照提示登录即可进入 Langflow 的可视化操作界面。

2. 创建第一个 AI 工作流

进入 Langflow 后，可以在项目页面选择 New Flow 创建工作流。

初学者不一定要从空白画布开始，直接使用官方提供的模板会更容易理解各个组件之间的关系。

例如，可以选择 Simple Agent 模板。

这个模板包含聊天输入、智能体、聊天输出以及计算器、网址访问等工具组件。

加载模板后，可以看到画布上排列着不同的功能节点，每个节点负责一个具体任务，节点之间通过连线传递数据。

3. 配置大语言模型

Langflow 本身不提供可以无限使用的免费大模型，需要用户配置支持的模型服务。

进入 Agent 组件的模型配置区域，选择需要使用的模型服务商，并填写对应的 API Key。

也可以在 Settings 中配置全局模型服务商信息，具体支持的模型取决于服务商和 API Key 的权限。

配置完成后，选择要使用的语言模型并保存。

需要注意，模型服务商可能按照调用次数、输入输出 Token 或其他计费规则收费，使用前应了解相应的价格和额度。

4. 测试工作流

模型配置完成后，就可以在 Playground 中测试工作流。

输入一个问题，观察 AI 是否能够正常理解并返回结果。

如果使用 Simple Agent 模板，还可以尝试提出需要计算或查询网址信息的问题，观察智能体是否会根据任务调用相应工具。

测试过程中，可以修改提示词、调整组件参数、更换模型或增加工具，再次运行查看效果。

这种边搭建边测试的方式，可以帮助用户逐步理解 AI 工作流的运行逻辑。

5. 保存并对外提供服务

当工作流达到预期效果后，可以保存流程，并根据实际需求进一步部署。

Langflow 支持通过 API 运行工作流，其他网站、后端程序或应用可以向对应接口发送请求，获取 AI 处理结果。

对于需要与其他智能体工具进行协作的场景，还可以研究 Langflow 的 MCP Server 功能。

需要注意的是，正式对外提供服务时，还需要考虑服务器部署、身份验证、API 权限和运行资源等问题，不能简单地把本地开发环境直接暴露到公网。

四、哪些人适合使用 Langflow？

Langflow 并不是只面向专业 AI 工程师的工具，不同技术水平的用户都可以根据需求使用。

1. AI 应用开发者

希望快速验证 AI 应用想法的开发者，可以通过可视化方式组合模型、提示词、数据源和工具，减少重复编写基础流程代码的工作。

2. Python 开发者

Langflow 基于 Python 构建，支持自定义组件和代码扩展。熟悉 Python 的开发者可以在可视化搭建的基础上进一步开发自己的功能。

3. AI Agent 学习者

想要了解智能体如何调用工具、处理任务以及组合不同模型能力的用户，可以利用 Langflow 直观地观察和测试工作流。

4. 企业和团队

企业可以尝试使用 Langflow 搭建内部知识库问答、智能客服、文档处理和业务辅助工具，验证 AI 在实际业务中的应用价值。

5. 产品经理和技术爱好者

对于有 AI 产品创意，但不希望一开始就投入大量开发工作的用户，Langflow 可以作为原型验证工具，帮助快速搭建可运行的演示流程。

不过，可视化操作并不意味着完全不需要技术知识。涉及 API 接入、数据处理、复杂工作流和服务器部署时，仍然需要一定的技术基础。

五、使用 Langflow 需要注意什么？

Langflow 可以降低 AI 应用的开发门槛，但在实际使用过程中，仍然有一些问题需要提前了解。

1. 注意 API Key 和账号安全

连接大模型或外部服务时，通常需要填写 API Key。

不要将密钥直接写进公开分享的提示词、代码或工作流配置中，也不要将包含敏感凭据的流程文件随意上传到公开平台。

建议使用环境变量或安全的密钥管理方式，并定期检查密钥权限和使用情况。

2. 不要随意将服务暴露到公网

这是部署 Langflow 时尤其需要注意的问题。

官方文档明确提醒，不要在缺少安全措施的情况下直接将 Langflow 服务端口暴露到互联网。

正式部署时，应关闭自动登录，设置强密码和非默认的安全密钥，并通过配置了身份验证的反向代理等方式保护服务。

如果需要多人使用，还应该合理配置用户权限和 API 访问权限。

3. 关注项目安全公告和版本更新

Langflow 是持续维护的开源项目，官方 GitHub 仓库设有 Security Advisories 页面，发布过涉及代码执行、权限控制等方面的安全公告。

因此，不建议长期使用过时版本，也不要认为开源软件就一定不存在安全风险。

升级之前应查看官方更新说明和安全公告，确认修复版本，并提前备份已有工作流和相关数据。

4. 注意模型调用费用

Langflow 本身是开源项目，但连接第三方大模型并不代表模型调用免费。

不同模型服务商的收费方式、免费额度和速率限制可能不同。如果工作流包含多个模型节点、智能体循环调用或大量文档处理，费用可能明显增加。

建议在正式使用前进行小规模测试，并设置合理的调用限制。

5. 注意数据隐私和知识库内容

如果将企业文件、客户资料或其他敏感数据接入知识库，需要提前了解数据存储位置、模型服务商的数据处理政策以及相关访问权限。

不要在未经授权的情况下上传个人隐私、商业机密或其他敏感信息。

同时，知识库检索结果并不保证完全准确，重要业务场景仍然需要人工核验。

6. 复杂工作流仍然需要调试

节点连接正确，并不代表最终结果一定正确。

模型可能产生错误回答，外部 API 可能超时，知识库可能检索不到相关内容，不同组件之间也可能存在数据格式不兼容的问题。

建议从简单流程开始，逐个测试组件，再逐步增加功能，避免一次性搭建过于复杂的工作流。

六、Langflow 常见问题

Langflow 是免费的吗？

Langflow 是开源项目，GitHub 仓库采用 MIT License。用户可以按照许可证条件使用和修改项目。

不过，实际使用时连接的第三方大模型、向量数据库、云服务器等服务，可能需要单独付费。

使用 Langflow 需要编程基础吗？

基本的可视化操作不需要很强的编程能力，通过拖拽组件和配置参数就可以搭建简单工作流。

但如果需要开发自定义组件、处理复杂数据或进行生产环境部署，掌握 Python 和相关开发知识会更有帮助。

Langflow 可以使用不同的大模型吗？

可以。Langflow 不强制绑定某一家模型服务商，用户可以根据支持的组件和服务商配置，选择合适的大语言模型、嵌入模型及其他 AI 服务。

Langflow 可以搭建 RAG 知识库吗？

可以。通过文档加载、文本切分、向量嵌入、向量存储和检索等组件，可以搭建基于 RAG 的知识库问答应用。

Langflow 可以用于正式项目吗？

可以作为 AI 应用开发和部署的基础，但需要根据实际业务完善身份验证、权限控制、数据保护、日志监控、服务稳定性和资源管理等配置。

建议先在本地或测试环境完成验证，再根据业务规模进行正式部署。

七、总结

Langflow 是一个值得关注的开源 AI 应用开发工具，它通过可视化工作流的方式，将大语言模型、AI Agent、知识库和外部工具组合起来，让用户能够更加直观地构建 AI 应用。

对于想要学习 AI Agent、搭建 RAG 知识库、开发智能客服或验证 AI 产品创意的用户来说，Langflow 可以降低前期开发和试验的成本。

如果只是想使用现成的 AI 聊天服务，它可能不是最直接的选择；但如果希望自己控制 AI 应用的工作流程，并将不同模型和工具组合起来，那么 Langflow 值得尝试。

项目地址： https://github.com/langflow-ai/langflow

官方网站： https://www.langflow.org/

官方文档： https://docs.langflow.org/