网站Logo
    首页 / 详情
Site icon

Langflow

基本信息

可视化 低代码 chatflow 自动化 RAG 工作流
访问
Langflow 网站截图预览

工具详情

Langflow 完整使用指南

一、平台介绍

Langflow 是由 LangChain 官方团队推出的开源免费（MIT 协议）低代码可视化 AI 工作流/Agent 开发平台。该平台基于 Python 开发，主打拖拽画布搭建 LLM 应用，定位为 LangChain 的可视化前端，可一站式完成 RAG 知识库、AI 智能体、API 集成、提示词工程的全链路开发与部署。

核心定位：

  • 告别重复的 LangChain 样板代码，通过可视化编排大模型链路。
  • 支持一键发布 API、导出 Python 代码。
  • 兼顾新手零代码快速搭建与开发者深度自定义开发。

两大使用形态：

  1. 本地开源部署版：完全开源自主部署，数据本地化。
  2. DataStax 托管云版（官网在线）：免安装开箱即用，地址为 astra.datastax.com/langflow。

生态兼容性：

  • 原生兼容全球主流 LLM、向量库及第三方工具（OpenAI/Ollama/Milvus/Pinecone/Github/Gmail 等上百种数据源）。
  • 支持 ISO、HIPAA、SOC2 企业安全合规部署。

二、核心功能

1. 可视化拖拽搭建工作流（核心）

  • 组件分类：左侧组件栏包含输入/输出、LLM 大模型、Prompt 提示词、文档加载器、文本分割、向量库、Agent 智能体、第三方 API 工具等。
  • 搭建方式：拖拽节点 + 连线即可搭建链路，无需大量编码。
  • 预制模板：平台内置 5 类官方预制模板，开箱即用：
  • Basic Prompting：基础提示词调试、简单对话机器人。
  • Doc Assistant：RAG 文档知识库问答（支持 PDF/Word/网页文档）。
  • Code Debugger：代码排错智能聊天机器人。
  • Basic Agent：基础工具调用 Agent（具备联网、查数据、计算能力）。
  • API Integration：第三方 API 快速接入流水线。

2. Agent 智能体全链路开发

  • 编排能力：支持单 Agent 或 多 Agent 集群编排。
  • 自定义配置：可自定义角色、工具集、历史对话记忆。
  • 可视化参数：可视化配置 Agent 的 System 提示词、可用工具、大模型。
  • 源码修改：内置 AgentComponent 底层 Python 源码可直接修改定制。

3. RAG 检索增强生成一站式

  • 全链路封装：涵盖文档上传→文本切分→Embedding 向量化→向量库存储→语义检索→LLM 问答。
  • 向量库支持：支持 FAISS/Milvus/Pinecone/AstraDB 等本地或云端向量库。

4. 一键部署与多格式导出

  • 发布 API：单个工作流一键生成 RESTful 接口，提供 cURL/Python/JS 调用代码，便于对接自有 APP、小程序或后端系统。
  • 导出资源：流程可导出为 Python 代码或 JSON 配置文件，无缝接入原生 LangChain 项目进行二次开发。

5. 实时调试与可观测

  • Playground 调试面板：分步执行工作流，查看每个节点的入参/出参。
  • 全链路追踪：对接 LangSmith、LangFuse，追踪 LLM 调用耗时、报错日志及 Token 消耗。

6. Python 深度自定义

  • 源码查看：任意组件支持点击查看底层源码。
  • 逻辑编写：直接编写 Python 改写逻辑，新增自定义组件，突破可视化组件边界（如适配循环、条件分支等复杂业务逻辑）。

7. 云端与本地双部署

  • 本地部署：支持 Windows/Mac 客户端、Docker 容器、Python pip 三种部署方式。
  • 云端托管：DataStax 托管云一键上线，支持企业集群扩容及权限管控。

三、适用人群

  1. AI 产品/非技术人员：无代码快速验证 AI 想法（如客服机器人、知识库、文案助手原型），无需懂 Python 也能搭建可用 AI 应用。
  2. 大模型初学者/在校学生：通过可视化学习 LangChain 原理，直观理解 RAG、Agent 链路逻辑，替代手写样板代码练手。
  3. 算法/后端开发：快速做 PoC 原型，缩短从想法到可用 API 的周期，可视化调试后导出代码落地生产。
  4. 中小企业 AI 团队：低成本搭建私有化知识库、智能客服，替代重复开发基础 LLM 链路。
  5. AI 服务商：标准化封装 AI 工作流，快速交付客户私有化部署方案。
不适用场景：超大规模复杂工业级多分支循环系统（此类复杂逻辑建议优先使用原生 LangChain+LangGraph 编码）。

四、免费与付费详情

（一）本地开源版

  • 费用：永久全免费（0 元），MIT 开源协议，源码全开放。
  • 功能限制：无功能阉割、无节点/调用/项目数量限制。
  • 成本说明：自行承担大模型 API 费用（如 OpenAI/Ollama 等）、服务器硬件成本（Ollama 本地跑开源模型无 API 费）。
  • 运维要求：需要自行运维部署、服务器、向量库，无官方技术支持。

（二）DataStax Langflow 云端版（官网在线）

1. 免费套餐（Free Tier）

  • 适用对象：个人、小团队首选。
  • 免费额度：无限创建工作流、全部组件/模板开放。
  • 附赠资源：免费 AstraDB 向量存储空间（约 5GB 向量数据）。
  • 限制条件：单用户、API 调用限流、无企业权限管控、无 SLA 保障、不支持专属技术服务。

2. 付费套餐（Pro/Enterprise）

  • Pro（专业版）：按月订阅，扩容向量存储、提升 API 并发、多成员协作、优先技术支持。
  • Enterprise（企业版）：定制私有化云部署、SOC2/等保合规、专属运维、超大向量库集群、自定义域名、私有模型对接（报价按资源定制）。
  • 额外隐性成本：无论免费或付费，对接第三方 LLM（GPT4、Claude）、搜索 API（Serper）、商用向量库时，需用户自备对应服务商密钥并自行付费。

五、三种使用方式 + 分步上手教程

方式 1：官网在线云端（最快，零安装，推荐新手）

  1. 注册登录：打开官网 https://www.langflow.org/ → 右上角 Sign Up，用邮箱注册 DataStax 账号，跳转云端 Langflow 控制台。
  2. 创建流程：点击 New Flow，可选 空白画布 或 预制模板（Doc Assistant/Basic Agent）。
  3. 配置核心参数：
  • LLM 节点：填入对应模型 API Key（OpenAI/Anthropic），本地 Ollama 填 http://localhost:11434。
  • RAG 场景：加载 PDF → 配置 Embedding → 绑定 AstraDB 免费向量库。
  1. 测试与发布：画布连线组件 → 右侧 Playground 输入问题测试 → 测试通过点击右上角 Publish as API 生成接口，复制调用代码即可接入业务系统。

方式 2：本地 Python 部署（开发者首选）

bash

# 1. 创建虚拟环境
pip install uv
uv venv lang_env
# Windows：lang_env\Scripts\activate | Mac/Linux：source lang_env/bin/activate
# 2. 安装 Langflow
uv pip install langflow
# 3. 启动服务（默认 localhost:7860）
langflow run
# 1. 创建虚拟环境
pip install uv
uv venv lang_env
# Windows：lang_env\Scripts\activate | Mac/Linux：source lang_env/bin/activate
# 2. 安装 Langflow
uv pip install langflow
# 3. 启动服务（默认 localhost:7860）
langflow run
  • 浏览器访问 http://127.0.0.1:7860，后续操作同云端画布流程。

方式 3：Docker 一键部署（Linux/服务器）

bash

docker run -p 7860:7860 langflowai/langflow:latest
docker run -p 7860:7860 langflowai/langflow:latest
  • 访问 localhost:7860，适合服务器私有化部署。

实战示例：5 分钟搭建 PDF 知识库机器人（Doc Assistant）

  1. 进入 New Flow，选择 Doc Assistant 预制模板。
  2. 找到 FileLoader 组件，上传本地 PDF 文档。
  3. OpenAI Embedding 填入 OpenAI Key，向量库选择 FAISS（本地免费）。
  4. LLM 节点配置 GPT-3.5。
  5. 在 Playground 提问文档内容，测试检索问答。
  6. 发布 API，对接前端网页。

六、避坑指南（高频踩坑点）

1. API 密钥相关

  • ❌ 坑点 1：密钥填错或过期导致 LLM 节点报错、无返回。
  • ✅ 解决方案：单独点开 LLM 组件测试连通，优先用 Ollama 本地开源模型（免 API 密钥）做测试。
  • ❌ 坑点 2：误将密钥明文保存在分享工作流中泄露。
  • ✅ 解决方案：云端使用 DataStax 密钥环境变量，本地使用 .env 文件存储 Key。

2. RAG 知识库

  • ❌ 坑点 1：文档过大未做文本切分，超出 LLM 上下文窗口，答案缺失。
  • ✅ 解决方案：必须挂载 TextSplitter 组件，中文文档单块控制在 500~1000 字符。
  • ❌ 坑点 2：免费 AstraDB 空间用尽导致向量入库失败。
  • ✅ 解决方案：小文件用 FAISS 本地向量库，大文档升级付费存储。

3. 部署与运行

  • ❌ 坑点 1：本地启动端口 7860 被占用打不开页面。
  • ✅ 解决方案：使用 langflow run --port 7861 修改端口。
  • ❌ 坑点 2：Docker 部署外网无法访问。
  • ✅ 解决方案：启动命令加 -p 0.0.0.0:7860:7860，服务器放行防火墙 7860 端口。
  • ❌ 坑点 3：高版本 Python（>3.13）安装报错。
  • ✅ 解决方案：限定 Python 3.10~3.12 环境安装。

4. 开发逻辑

  • ❌ 坑点 1：依赖可视化做复杂循环/多分支，组件连线混乱。
  • ✅ 解决方案：复杂逻辑用自定义 Python 组件写代码实现，或导出代码后用 LangGraph 改造。
  • ❌ 坑点 2：直接用免费云端做生产高并发业务，API 限流崩溃。
  • ✅ 解决方案：正式项目本地私有化部署 + 自建向量库。

5. 成本隐性

  • ❌ 坑点 1：测试时频繁调用 GPT，忽略 Token 扣费。
  • ✅ 解决方案：前期优先 Ollama 本地 Llama3 等开源模型免费调试，上线再切换商用大模型。

七、拓展使用建议

  1. 新手入门：优先使用云端免费版，先用官方 5 个预制模板练手，掌握基本组件后再从零搭建空白流程。
  2. 私有化落地：推荐本地 Docker + Ollama + FAISS，全链路零 API 费用，确保数据不出本地。
  3. 企业上线：云端 Enterprise 版 + 自有私有大模型，对接企业 OA/知识库系统，满足合规需求。


评论

暂无评论