LangFlow 可视化 AI 工作流完整指南5 分钟跑通你的第一个 AI 应用【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 是一个可视化的 AI 工作流构建平台用拖拽代替代码把语言模型、工具、知识库拼成可运行的流程。刚接触 LangChain 生态的开发者、想验证 AI 想法的普通用户都适合从这里入手。让 AI 看懂你的文档从一个问答机器人开始设想一个场景你手上有产品手册、客服记录、内部 wiki想让同事直接向 AI 提问拿到答案而不是自己读文档。用代码实现你要处理文件解析、文本切分、向量检索、模型调用一整条链路用 LangFlow这些环节都是现成组件拖到画布上连起来就行。这篇文章带你完成三件事装好并启动 LangFlow搭出一个能调用工具的聊天机器人再把它扩展成能读文档、走条件分支、支持批量处理的完整应用最后讲怎么部署上线。安装并启动5 分钟看到第一个流程跑起来准备工作只有两样Python 3.10 到 3.14以及一个浏览器。在你常用的目录里安装 LangFlowpip install langflow -U执行后终端会滚动打印依赖安装进度装完没有任何报错就算成功。然后启动服务langflow run跑完你会在浏览器看到 http://localhost:7860 的工作区左侧是按类别分好的组件库中间是空白画布右侧留给属性配置。别急着从零画先用模板跑一遍。点击New Flow在模板里选Simple Agent。这套模板预置了 Agent、Chat Input、Chat Output 三个组件外加计算器和 URL 抓取两个工具全部连好线。点击页面里的Playground输入帮我算 4 加 4。Playground 会逐步展示 Agent 的思考过程它看到这是一道算术题选中计算器工具执行计算再把结果发回给你。到这里第一个 LangFlow 可视化 AI 工作流已经跑通了。关掉 Playground下面开始拆掉模板把每个组件搞明白。从零搭一个能调工具的聊天机器人先认识 Agent 组件。它是流程的大脑接收 Chat Input 发来的消息根据内容自己决定要不要调工具、调哪个工具最后把答案交给 Chat Output。组件的源码就是普通的 Python 文件核心组件放在src/backend/base/langflow/下各家模型和工具的组件则按类别拆在src/bundles/的各个包中想改行为直接改代码即可。搭建步骤点New Flow选 Blank拖入 Chat Input、Chat Output、Language Model 和 Agent 四个组件。把 Agent 的 Input 口连到 Chat InputOutput 口连到 Chat Output再给 Agent 的 Tools 口挂上 Calculator。连线时从端口拖出松手到目标端口出现高亮说明类型匹配。点开 Language Model 组件先点Setup Provider配置模型厂商和 API Key再从下拉框里选一个具体模型。这一步的配置在src/bundles/对应的模型包里完成LangFlow 支持的主流厂商组件都能在组件库里搜到。回到 Agent把语言模型填进它的 Language Model 参数再写一句系统提示比如你是一名乐于助人的助手遇到计算题使用计算工具。打开 Playground 测试。跑完你会看到和模板几乎相同的效果但这次每个节点都是你自己连的。想验证工具切换把 Calculator 摘掉换成 URL 组件再问一句今天有什么新闻Agent 会改走网页抓取。如果你还想读文档、走分支、批量处理上面这个机器人只能靠模型自身的能力答题。下面的玩法都是顺着它继续加组件。让机器人读你的文档向量数据库——把文本转成可检索的数字指纹的存储。让 AI 读文档本质上就是建库加检索两步建库侧用 Parser 解析文件Split Text 把长文切成小块Embedding Model 把每块转成向量写进向量库比如 Chroma DB组件就在组件库里文档见docs/docs/Components/bundles-chroma.mdx。检索侧把用户提问也过一遍 Embedding Model到向量库里做相似度匹配把命中的文档片段塞给 Agent 当上下文。不想手动连线的话Projects 页有个Knowledge入口可以直接建知识库选嵌入模型和数据库上传文件LangFlow 自动完成切分、向量化和入库之后在流程里挂载检索即可。让不同消息走不同分支If-Else 组件是个条件路由器拿一条消息和匹配文本做比较支持等于、包含、正则等运算符成立走 True 口不成立走 False 口。把两条出口分别接到不同的 Language Model 加 Chat Output 组合就能实现包含 urgent 的消息走高优先级话术其余走普通话术这类逻辑完整示例见docs/docs/Components/if-else.mdx。批量处理一整份数据一次一问太慢的场景用 Loop 和 Batch Run 组件前者循环遍历列表或 CSV 的每一行后者批量执行同一段流程。比如把一千条用户反馈逐条喂给 Agent 打标签就是典型的循环加批处理组合。把流程接进其他系统LangFlow 不只是编辑器也是运行时。在流程编辑页点Share再点API access它会直接生成带请求地址、请求头和请求体的调用代码你补上 API Key 就能在 Python、JavaScript 或 HTTP 里调用这个流程。流程还可以整体部署成 MCP server让支持 MCP 的客户端把它当成一个现成工具来调。本地、Docker、云端三种上线方式本地langflow run已经够用。想换个端口或对外暴露加参数langflow run --host 0.0.0.0 --port 7860。Docker生产环境推荐容器化。运行下面这条命令镜像会自动拉取并在 7860 端口提供服务docker run -p 7860:7860 \ -e LANGFLOW_AUTO_LOGINfalse \ -e LANGFLOW_SUPERUSER_PASSWORD你的强密码 \ langflowai/langflow:latest想要持久化数据库仓库里docker_example/docker-compose.yml提供了带 PostgreSQL 和挂载卷的 Compose 文件docker compose up即可。云端GCP、Railway、Render 等平台都有专门指南配置差异主要在环境变量和存储持久化入口在docs/docs/Deployment/目录。更多细节——数据模型、API 参考、可观测性集成——都在docs/docs/下按功能分好了目录从 Quickstart 一路读下去就能覆盖日常使用。【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