Langflow

Langflow 快速入门

像搭乐高一样搭 AI 应用——可视化拖拽，零代码构建 LangChain Agent。

这是什么？适合谁？

Langflow 是 LangChain 的可视化工作流构建器，让你通过拖拽节点来搭建 AI 应用，无需写代码。它把 LangChain 的 Chain、Agent、Tool、Memory 等概念变成了可视化组件，支持实时预览、一键导出 Python 代码或 API 服务。GitHub 152K+ stars（超过 Dify 和 Flowise），MIT 完全开源，最新版 v1.10.2（2026-07-07），约 338 位贡献者。

适合谁？一是 AI 产品经理/创业者，想快速验证 AI 应用想法而不写代码；二是后端开发者，想快速搭建原型再转为代码；三是企业团队，需要可视化协作构建 AI 工作流。不适合：追求极致性能和灵活性的开发者（直接写 LangChain 代码），以及已经在用 Dify 等低代码平台的人。

准备工作

• 安装：pip install langflow 或 Docker：docker run -p 7860:7860 langflowai/langflow:latest
• API 密钥：至少一个 LLM 提供商的 API Key
• 浏览器：Langflow 在浏览器中运行（localhost:7860）
• 推荐：Python 3.10–3.14，双核 CPU + 4GB 内存

3 步快速上手

第 1 步：安装并启动

pip install langflow
langflow run

第 2 步：打开界面

浏览器打开 http://localhost:7860，创建新项目。可选择预置模板快速开始。

第 3 步：搭建第一个工作流

拖拽 ChatOpenAI 节点 → 拖拽 PromptTemplate 节点 → 连接 → 输入提示词 → 点击运行。30 秒搭好一个 AI 对话应用。还可以使用交互式 Playground 实时调试。

常见踩坑

踩坑 1：节点连接错误

• 症状：工作流运行报错
• 原因：节点输入输出类型不匹配
• 解决：检查节点间的数据类型（str/list/dict），Langflow 会自动提示兼容类型

踩坑 2：API 密钥未配置

• 症状：ChatOpenAI 节点报 “No API key”
• 解决：在节点设置中填入 API Key，或在全局设置中配置

踩坑 3：CPU 占用 100%

• 症状：打开 Langflow 后系统明显变慢，CPU 持续满载
• 原因：复杂工作流中组件计算密集，或浏览器标签页未释放
• 解决：关闭不用的浏览器标签页，减少工作流节点数，或升级到推荐配置（4GB+ 内存）
• 参考：GitHub Issue #9452

踩坑 4：Docker 本地构建失败

• 症状：尝试 docker build 本地镜像时报 “No module named ‘langflow.langflow_launcher’”
• 原因：构建路径或参数未正确配置
• 解决：直接使用官方镜像 langflowai/langflow:latest，不要本地构建
• 参考：GitHub Issue #10705

踩坑 5：自定义组件内存泄漏

• 症状：多次调用自定义 Python 组件后，内存持续增长不释放
• 原因：自定义组件的资源未正确释放
• 解决：定期重启 Langflow 服务，或在编写自定义组件时注意手动释放资源
• 参考：GitHub Issue #6684

踩坑 6：Celery + RabbitMQ + Redis 异步部署异常

• 症状：高级部署模式下工作流无法正常执行
• 原因：Celery、RabbitMQ、Redis 的版本兼容性问题
• 解决：建议优先使用简单部署模式（单进程），仅在有明确需求时使用 Celery 架构
• 参考：GitHub Issue #8476（23 条评论）

踩坑 7：API 返回笼统的 500 错误

• 症状：API 请求返回 500 Internal Server Error，无具体错误信息
• 原因：Langflow 未正确传播底层组件错误
• 解决：在 UI 中逐个检查组件日志定位具体错误
• 参考：GitHub Issue #11534

初级用法

1. 从模板快速开始 — 打开 Langflow 后点击「Templates」，选择”Simple Chat”或”Q&A RAG”等预置模板，直接修改后运行
2. 实时 Playground 调试 — 搭建工作流时，随时点击 Playground 进行对话测试，观察每一步的输入输出
3. 导出为 API — 完成工作流后点击”API”按钮，一键生成 REST API 端点，嵌入到你的应用中
4. 切换不同 LLM — 在工作流中替换 ChatOpenAI 节点为 ChatAnthropic 或本地 Ollama 节点，几秒钟切换模型提供商
5. 使用 MCP 服务器 — 添加 MCP Client 节点，连接外部 MCP 服务器，为 Agent 提供实时数据查询能力

高级玩法

1. 多 Agent 编排 — 在一个工作流中创建多个 Agent 节点，为每个 Agent 分配不同的 Tool 和 Memory，实现任务分解与协同
2. 构建 MCP Server — 将 Langflow 工作流暴露为标准 MCP Server，让 Claude Code、Goose 等 MCP 客户端直接连接调用
3. 自定义 Python 组件 — 创建自定义组件节点，写入 Python 代码实现特定业务逻辑，打包分享到社区
4. 可观测性集成 — 配置 LangSmith 或 LangFuse 连接，追踪工作流的 Token 消耗、延迟和调用链，优化生产环境性能
5. watsonx Orchestrate 部署 — 将工作流部署到 IBM watsonx Orchestrate 企业平台，获得 SSO、RBAC、审计日志等企业级能力

小技巧

1. 桌面版推荐新手使用 — 直接下载 Langflow Desktop 独立应用（Windows/macOS），免去安装 Python 和依赖的麻烦
2. 使用 uv 加速安装 — uv pip install langflow && uv run langflow run，比 pip 快 10-100 倍
3. 组件右键查看源码 — 在任何节点上右键选择”View Code”，可直接查看该组件的 Python 实现代码，方便学习和修改
4. 分支与条件逻辑 — 使用”Branch”节点实现工作流分支，根据 AI 输出不同结果走不同处理路径
5. 工作流导出为 JSON — 完成的工作流可导出为 JSON 文件，跨机器导入分享

进阶学习建议

• 阅读 Langflow 组件源码：Langflow 的每个组件都是标准 Python 类，位于 GitHub 仓库的 src/backend/base/langflow/components/ 目录，模仿现有组件编写你自己的自定义组件
• 探索 MCP 集成：Langflow 原生支持 MCP Server 和 MCP Client，结合 Claude Code 或 Goose 使用，构建”Agent + 可视化工作流”的混合架构
• 关注 IBM watsonx 合作：Langflow 已与 IBM watsonx Orchestrate 深度集成，企业用户可研究如何利用这套生态实现合规的 AI 部署
• 参与社区贡献：Langflow 有 ~338 位贡献者和活跃的 Discord 社区（10K+ 成员），提交自定义组件或修复 Bug 是深入理解项目架构的最佳方式

FAQ 常见问题

Q: Langflow 收费吗？

A: 完全免费。MIT 协议开源，可自部署。Langflow Cloud 提供免费额度，桌面版已有大多数功能（仅缺少 Cloud 版的可分享 Playground 和语音模式）。IBM watsonx Orchestrate 部署按企业合同定价。

Q: Langflow 和 Dify 比怎么样？

A: Langflow（152K stars）在 GitHub 上略高于 Dify（149K stars）。Langflow 优势是 MCP 原生支持、桌面应用和 MIT 许可证；Dify 优势是企业功能更成熟。选型建议：重视 MCP 和 LangChain 生态选 Langflow，需要丰富企业功能选 Dify。

Q: 需要会 Python 才能用吗？

A: 不需要。拖拽即可搭建完整工作流。但会 Python 可以编写自定义组件，进一步扩展能力。

Q: Langflow 能部署到生产环境吗？

A: 可以。Langflow 支持 Docker / K8s 部署，支持作为 REST API 嵌入应用，也支持部署到 IBM watsonx Orchestrate 获得企业级生产保障。

Q: Langflow 和 Flowise 的区别？

A: Langflow（Python, MIT, 152K stars）更偏重 LangChain 生态和 Python 开发者；Flowise（TypeScript, Apache 2.0, 54K stars）更偏重低代码和非技术人员。Langflow 原生支持 MCP，Flowise 则相反。

参考链接

• Langflow 官网
• Langflow GitHub
• Langflow 文档
• Langflow Discord
• GitHub Issues

免责声明

本文基于官方文档和公开资料整理，AI辅助生成，MagicNetWorld 尚未完成独立实测