Langflow 快速上手可视化搭建 AI 智能体与 RAG 工作流实战【免费下载链接】langflowLangflow is a powerful tool for building and deploying AI-powered agents and workflows.项目地址: https://gitcode.com/GitHub_Trending/la/langflowLangflow 是一个基于 LangChain 技术栈的可视化 AI 工作流构建平台你用拖拽的方式把大模型、向量库、工具组件连成流程再把每条流程直接发布成 API 或 MCP 服务。本文适合刚接触 Langflow 的开发者先装好并跑起来然后用官方模板搭一个会调工具的智能体、再搭一个 RAG 问答流程最后把流程接入外部应用并避开安装和运行阶段的常见坑。一、它是什么适合谁做Langflow 解决的核心问题是AI 应用的组装和验证太依赖写代码。它把大模型、嵌入模型、向量数据库、工具计算器、URL 抓取等做成一个个组件你在工作区里连线即可定义数据流向流程跑通后点一下 Share 就能拿到 Python/JavaScript/cURL 的调用代码。它适合两类人想快速验证 AI 应用原型的开发者以及需要把现有业务流程接上大模型的传统团队。本文的阅读主线是安装验证 → 智能体模板实操 → RAG 流程实操 → 参数与 API 接入 → 排坑。二、安装与首次运行验证这一节你会装好 Langflow 并确认界面能打开。最低要求Python 3.10–3.14、uv 包管理器、双核 CPU 和 2 GB 内存。推荐直接用 pip 方式安装在任意空目录执行uv pip install langflow -U uv run langflow run第一条命令安装最新版 langflow 包第二条启动服务。如果 pip 安装卡在pip is looking at multiple versions说明依赖解析太慢换 uv 安装即可。启动后浏览器访问http://127.0.0.1:7860看到左侧组件栏、中间点阵画布、右上 Playground 按钮的界面即表示成功上图左侧是组件库按 Input Output、Data Sources、Models Agents、LLM Operations 等类别组织找组件时先看分类再点顶部搜索框快捷键 /。不想碰 Python 环境的话也可以用 Docker 一行启动docker run -p 7860:7860 \ -e LANGFLOW_SUPERUSER_PASSWORD你的密码 \ langflowai/langflow:latest官方镜像默认关闭自动登录LANGFLOW_SUPERUSER_PASSWORD是你登录的超级用户密码别用默认值。三、核心场景实操这一节用两个官方模板走完全流程一个会调工具的智能体一个基于向量库的 RAG 问答。用 Simple Agent 模板搭一个会调工具的智能体点 New Flow选Simple Agent模板得到一条预连好的流程Chat Input 接 Agent 的 Input 端口Agent 的 Tools 端口挂着 Calculator 和 URL 两个工具Response 端口接 Chat Output搭这条流程只需要两处操作。第一点 Agent 组件里的Setup Provider选择你的模型服务商并填入 API Key然后在Language Model下拉框里选具体模型如 gpt-5.1第二在Agent Instructions里写清指令比如You are a helpful assistant that can use tools。这两步决定了智能体用哪个大脑、按什么规则决策。点右上角Playground开始测试。问一句 Use the tools at your disposal to add 4 and 4.Playground 会展开整个推理过程它选中了 Calculator 工具调用EVALUATE_EXPRESSION动作输入{expression: 44}输出{result: 8}最后用自然语言回答The sum of 4 and 4 is 8这个价值在于你能看到模型为什么选了这个工具。换个问法比如问实时新闻它会自动改选 URL 工具去抓网页——工具选择是模型根据上下文自己做的你在模板里挂什么工具它就有能力做什么。用 Vector Store RAG 模板搭文档问答回到 New Flow选Vector Store RAG模板。它包含两条流程Load Data Flow 负责把本地文件切块、向量化并存进向量库Retriever Flow 负责接收问题、检索相似内容再生成回答。数据装载和日常问答分离是 RAG 系统的标准结构。Load Data Flow 里依次是 File → Split Text → Embedding Model → Chroma DB → Chat Output上图里 Split Text 的两个参数直接决定检索质量Chunk Size每块目标字符数默认 1000和Chunk Overlap相邻块重叠字符数默认 200。块太大会把无关内容一起塞进上下文太小会切断语义先从默认值跑再按文档结构调整。操作分两步点 File 组件的File按钮上传本地文件如 PDF再到 Chroma DB 组件上点三角播放图标Run component它会顺带执行前面的读取、分块、向量化组件把数据写进向量库。注意两个 OpenAI Embeddings 相关组件都要填好 API Key模板里用的是全局变量OPENAI_API_KEY。数据装好后看 Retriever FlowChat Input → Embedding Model → Chroma DB → Parser → Prompt → Language Model → Chat Output它的原理是你的问题先被 Embedding Model 转成向量Chroma DB 按相似度召回文本块Parser 把检索结果格式化成文本Prompt 把上下文 问题拼进提示词最后由 Language Model 基于上下文作答。想控制回答风格就改 Prompt 组件里的Template想换更便宜或更强的模型就改 Language Model 组件的Model Name。四、进阶能力速览这一节讲三个马上会用到、且不涉及内部原理的能力全局模型配置、输出控制、流程 API 化。全局模型配置。不必每个组件单独填 Key。点顶部导航栏的Models大脑齿轮图标进入全局配置添加一次提供商OpenAI、Ollama 等和 Key 后所有组件的模型下拉框都能直接选。本地模型场景选 Ollama 提供商即可无需任何云端 Key。结构化输出。需要流程产出固定格式JSON、表格而不是自由文本时把 Language Model 换成Structured Output类组件在其中定义输出模式下游组件拿到的就是可解析的数据便于直接写入数据库或传给下一个系统。把流程变成 API。流程编辑页点Share再点API access面板会按流程当前的 FLOW_ID 和服务地址生成三种语言的调用代码调用的是POST /api/v1/run/FLOW_ID端点请求体里input_value是输入、session_id用来维持多轮会话认证靠请求头x-api-keyKey 在用户头像 → Settings → Langflow API Keys 里创建。返回 200 即调用成功响应 JSON 的outputs字段里取回答文本。五、踩坑与常见问题这一节列五个高频问题按现象 → 原因 → 处理说明。1. 7860 端口被占用服务起不来。Langflow 默认绑定 7860。先lsof -i :7860Windows 用netstat -ano | findstr :7860找到占用进程停掉它或者换端口uv run langflow run --port 8080或用环境变量LANGFLOW_PORT8080。2. Playground 里没有输入框。流程必须包含 Chat Input且直接或间接连到 Language Model 或 Agent 的 Input 端口Playground 才显示聊天输入框。这是 Playground 的设计前提检查连线即可不是 bug。3. 运行报 missing key / invalid API key。多数情况是组件级 Key 没填或全局变量选错了。逐个点开流程里涉及模型的组件确认 API Key 字段如果你用的是全局变量去 Settings 里核对变量名和取值是否真的有效、账户是否有余额。4. Linux 上安装失败报 Failed to build webrtcvad。缺系统编译依赖。先执行sudo apt-get install build-essential python3-dev仍报错再装gcc然后重试安装。5. 启动报cannot import name get_body_field。新安装解析到了 FastAPI 0.140.5该版本移除了 Langflow 引用的接口。处理办法是把 FastAPI 钉在旧版uv pip install langflow fastapi0.140或直接升级到 1.11.1 及以上版本其依赖已修正。六、跑通之后生产部署的核心是把易失配置固化下来。官方 Docker 镜像默认关闭自动登录并强制设置超级用户密码用仓库自带的 docker_example/ 里的 Compose 文件可以一步起 Langflow PostgreSQL 持久化数据库。几个关键环境变量LANGFLOW_WORKERS3 LANGFLOW_WORKER_TIMEOUT300 LANGFLOW_DATABASE_URLpostgresql://user:passhost:5432/langflow LANGFLOW_LOG_LEVELerrorLANGFLOW_WORKERS控制并发处理能力LANGFLOW_WORKER_TIMEOUT是单个工作流执行的超时秒数长流程大文件入库、长推理超时后调大它即可。环境变量优先级是 CLI 参数 .env 文件 系统环境生产建议统一放 .env 并用--env-file加载。优化思路两条一是给高频检索的向量库加更合适的分块参数Chunk Size / Overlap 是最直接的两个旋钮二是把重复使用的模型配置放全局 Models 面板避免每个组件各填一份 Key。下一步建议去看 docs/docs/Deployment/ 的部署文档了解多 worker 和反向代理配置想深入组件机制可看 docs/docs/Components/核心后端代码在 src/backend/。安装与快速入门docs/docs/Get-Started/故障排查全清单docs/docs/Support/troubleshooting.mdx环境变量参考docs/docs/Develop/environment-variables.mdxDocker 部署示例docker_example/后端源码src/backend/【免费下载链接】langflowLangflow is a powerful tool for building and deploying AI-powered agents and workflows.项目地址: https://gitcode.com/GitHub_Trending/la/langflow创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
