一天一个开源项目（第215篇）：Langflow - 可视化拖拽构建 AI 应用的低代码平台

"Make AI building accessible to everyone."

这是"一天一个开源项目"系列的第 215 篇文章。今天带你了解的项目是 Langflow。

如果你曾经看着 LangChain 的文档感到头皮发麻——各种 Chain、Memory、Retriever 类互相嵌套，代码跑起来不知道数据在哪个环节出了问题——Langflow 就是为了解决这个问题而生的。

它把 LLM 应用开发中的每一个组件（模型、向量库、Prompt 模板、工具、Agent）都变成一个可拖拽的节点，用连线表达数据流向，最终生成一个可直接部署为 API 的 AI 应用。可视化调试、实时测试、一键导出代码，这是目前开源社区里对"让 AI 开发变简单"这件事做得最系统的项目之一。

截至 2026 年，Langflow 在 GitHub 上已积累超过 50,000 Stars，是 AI 应用构建工具里当之无愧的头部开源项目。

你将学到什么

• Langflow 的核心设计理念：用流程图替代代码描述 AI 数据流
• 如何用拖拽方式搭建一个完整的 RAG（检索增强生成）管道
• Langflow 的组件体系：LLM、向量库、Embedding、Agent、工具如何协作
• Python SDK 与 REST API 的使用方式，将 Flow 嵌入现有系统
• 与 n8n、Dify 等同类工具的对比分析

前置知识

• 了解 LLM（大语言模型）的基本工作原理
• 知道 RAG 的概念（检索增强生成）
• Python 基础环境（本地部署需要）

项目背景

项目简介

Langflow 是一个低代码的 AI 应用构建平台，核心功能是提供一个可视化的流程编辑器，让用户通过拖放组件、连接节点的方式，构建 RAG 流水线、多 Agent 系统、对话机器人、数据处理管道等各类 AI 应用。

构建完成后，Langflow 会将整个流程自动暴露为一个 REST API 端点，也可以导出为 Python 代码，直接集成到生产环境。这意味着你在界面上拖出来的流程图，不是一个演示玩具，而是可以直接部署的后端服务。

Langflow 最初基于 LangChain 构建，后来逐步发展为一个独立的生态——它支持 LangChain 组件，也支持大量原生组件，覆盖几乎所有主流 LLM 提供商和向量数据库。

作者/团队介绍

• 开发者：langflow-ai 团队
• 重要背景：2024 年 DataStax（Cassandra 数据库背后的公司）收购了 Langflow，为其提供了商业化支撑和企业级部署能力
• 定位转变：从 LangChain 的可视化 Playground 演进为独立的 AI 应用构建平台
• 项目创建时间：2023 年初

项目数据

• ⭐ GitHub Stars: 50,000+
• 🍴 Forks: 6,000+
• 📦 最新版本: 1.x（持续迭代中）
• 📄 License: MIT
• 🌐 官网: langflow.org
• 🐍 语言：Python（后端）+ TypeScript/React（前端）

主要功能

核心作用

Langflow 解决的核心问题是：AI 应用的开发和调试成本太高。

用纯代码构建一个 RAG 系统，你需要理解 LangChain 的 API 层级结构，手写 Prompt 模板，处理向量检索的参数，调试时只能靠打印语句猜测中间结果。Langflow 把这个过程可视化：

用户上传文档
    ↓ <span>[文件解析器]</span>
分块文本 (Chunk)
    ↓ <span>[Embedding 模型]</span>
向量表示
    ↓ <span>[向量数据库存储]</span>
              ↑
用户输入问题 → <span>[Retriever]</span> → 相关文本块
                                  ↓
                        <span>[Prompt 模板]</span> + <span>[LLM]</span>
                                  ↓
                             最终回答

每一个方块都是一个可以独立配置和测试的节点，每条连线都代表一份数据流。中间出了问题，点一下节点就能看到它的输入和输出。

使用场景

1. RAG 问答系统

   • 上传 PDF、网页、Notion 文档，构建基于私有知识库的问答机器人，接入企业内部知识管理。

2. 多 Agent 协作系统

   • 将多个 Agent（搜索 Agent、代码 Agent、总结 Agent）用流程图串联，实现分工协作的复杂推理任务。

3. LLM 应用原型快速验证

   • 在 Langflow 里拖几分钟先跑通逻辑，验证可行性后再落地为代码，节省早期探索成本。

4. API 服务快速上线

   • 构建好 Flow 后，Langflow 自动生成带鉴权的 REST API，不需要自己写 FastAPI 服务。

5. AI 流水线可视化调试

   • 在生产问题排查时，用可视化界面复现问题，逐节点追踪数据，比 debug 代码直观得多。

快速开始

方法 1：pip 安装（推荐本地体验）

<span># 安装</span>
pip install langflow

<span># 启动（默认 http://localhost:7860）</span>
langflow run

浏览器打开后，从左侧组件库拖出你需要的模块，连线，点右上角 Playground 按钮，直接测试对话。

方法 2：Docker 部署

docker run -p 7860:7860 langflowai/langflow:latest

方法 3：uv（推荐生产部署）

uv pip install langflow
uv run langflow run

用 Python SDK 调用已构建的 Flow

<span>from</span> langflow.load <span>import</span> run_flow_from_json

<span># 导出的 Flow JSON 文件</span>
result = run_flow_from_json(
    flow=<span>"my_rag_flow.json"</span>,
    input_value=<span>"公司的退款政策是什么？"</span>,
    tweaks={
        <span>"OpenAI-xxxx"</span>: {<span>"model_name"</span>: <span>"gpt-4o"</span>},
        <span>"ChromaDB-yyyy"</span>: {<span>"collection_name"</span>: <span>"company_docs"</span>}
    }
)
<span>print</span>(result)

用 REST API 调用

curl -X POST \
  <span>"http://localhost:7860/api/v1/run/{flow_id}"</span> \
  -H <span>"Content-Type: application/json"</span> \
  -H <span>"x-api-key: your-api-key"</span> \
  -d <span>'{"input_value": "公司的退款政策是什么？", "stream": false}'</span>

核心特性

1. 拖拽式流程编辑器

   • 所见即所得的节点画布，组件之间的数据流向通过连线表达，支持撤销/重做和流程版本管理。

2. 覆盖主流提供商的组件库

   • LLM：OpenAI、Anthropic、Google Gemini、Groq、Ollama、Mistral、Cohere 等
   • 向量库：Chroma、Pinecone、Weaviate、Qdrant、PGVector、Milvus 等
   • Embedding：OpenAI、Hugging Face、Cohere、Ollama 等
   • 工具：Google Search、DuckDuckGo、Wikipedia、计算器、自定义 Python 函数等

3. 内置 Playground 测试

   • 流程构建完成后，直接在界面内进行多轮对话测试，无需切换到其他工具。

4. 一键暴露 REST API

   • 每个 Flow 自动获得一个带版本管理的 API 端点，支持流式输出（SSE），可直接对接前端或其他服务。

5. 自定义 Python 组件

   • 当内置组件不满足需求时，可以在界面内直接写 Python 代码，封装为自定义节点，和其他组件无缝协作。

6. 多 Agent 与 Agent 工具链

   • 支持 ReAct、Plan-and-Execute 等 Agent 模式，Agent 节点可以挂载工具列表，构建复杂推理链。

7. Flow 版本与团队协作

   • 支持 Flow 的导入/导出（JSON 格式），可以版本化存储，在团队间共享和复用。

8. 企业级部署支持

   • DataStax 提供商业版（Langflow Cloud），支持 SSO、权限管理、托管部署，开源版本也支持 Docker / Kubernetes 自托管。

项目优势

为什么选择 Langflow？

• 需要深度控制 RAG 流水线每个环节的参数（Chunk size、Retrieval Top-K、Reranker 等）
• 团队里有 Python 工程师，需要在可视化和代码之间灵活切换
• 想把构建好的 AI 能力快速暴露为标准 API，集成到现有系统

项目详细剖析

1. 架构设计：前后端分离的流程执行引擎

Langflow 的整体架构分为三层：

┌─────────────────────────────────────────────┐
│           前端：React + TypeScript           │
│   节点编辑器 / Playground / API 管理界面     │
└─────────────────────────────────────────────┘
                      ↕ <span>REST</span> API / WebSocket
┌─────────────────────────────────────────────┐
│           后端：Python FastAPI               │
│  流程解析引擎 / 组件注册表 / 执行调度器     │
│  <span>Flow</span> JSON → 执行图 → 逐节点运行            │
└─────────────────────────────────────────────┘
                      ↕
┌─────────────────────────────────────────────┐
│         组件层：LangChain + 原生组件         │
│  LLM / Embeddings / VectorStore / Tools      │
│  每个组件是一个独立的 Python 类              │
└─────────────────────────────────────────────┘

前端用 React Flow 实现节点画布，每个节点的配置通过 JSON 序列化，发送给后端执行引擎。后端解析 Flow JSON，构建有向无环图（DAG），按拓扑顺序执行每个节点，将输出传给下游节点。

2. 组件体系：一切皆 Component

Langflow 最聪明的设计是它的组件抽象层。每一个功能单元——不管是 OpenAI 的 GPT-4o 还是你自己写的 Python 函数——都继承自同一个 Component 基类：

<span>from</span> langflow.custom <span>import</span> Component
<span>from</span> langflow.io <span>import</span> MessageTextInput, Output
<span>from</span> langflow.schema <span>import</span> Data

<span>class</span> <span>MyCustomComponent</span>(<span>Component</span>):
    <span># 显示名称（在界面左侧组件库展示）</span>
    display_name = <span>"我的自定义组件"</span>
    description = <span>"一个示例自定义组件"</span>

    <span># 定义输入端口</span>
    inputs = [
        MessageTextInput(
            name=<span>"input_text"</span>,
            display_name=<span>"输入文本"</span>,
            info=<span>"待处理的文本内容"</span>
        ),
    ]

    <span># 定义输出端口</span>
    outputs = [
        Output(
            display_name=<span>"处理结果"</span>,
            name=<span>"output"</span>,
            method=<span>"process_text"</span>
        ),
    ]

    <span>def</span> <span>process_text</span>(<span>self</span>) -> Data:
        <span># 组件的核心逻辑写在这里</span>
        result = self.input_text.upper()  <span># 示例：转大写</span>
        <span>return</span> Data(data={<span>"text"</span>: result})

这个设计的好处：

• 任何 Python 逻辑都能封装为组件，无需适配复杂接口
• 类型系统自动推断连线兼容性：输出类型和输入类型不匹配时，界面会给出提示
• 组件配置自动生成 UI：在类里声明 inputs，界面上的配置面板自动生成，不需要单独写前端代码

3. RAG 流水线的典型构建方式

以"基于 PDF 文档的问答系统"为例，在 Langflow 中一个完整的 RAG 流程由以下节点组成：

<span>[PDF 文件输入]</span>
      ↓
<span>[文档解析器 (PyPDF / Unstructured)]</span>
      ↓
<span>[文本分割器 (RecursiveCharacterTextSplitter)]</span>
  <span>chunk_size</span>=<span>1000</span>, overlap=<span>200</span>
      ↓
<span>[Embedding 模型 (OpenAI text-embedding-3-small)]</span>
      ↓
<span>[向量数据库 (Chroma / Pinecone)]</span>
      ↑
<span>[用户输入 (Chat Input)]</span> → <span>[Retriever]</span>
                               ↓
                     <span>[相关文档块（Top-K=4）]</span>
                               ↓
                     <span>[Prompt 模板]</span>
                     "根据以下上下文回答问题：
                      {context}
                      问题：{question}"
                               ↓
                     <span>[LLM (GPT-4o / Claude Sonnet)]</span>
                               ↓
                     <span>[Chat Output（流式输出）]</span>

每个节点的参数（chunk_size、Top-K、模型名称、Prompt 模板内容）都可以直接在节点的配置面板里修改，改完直接在 Playground 里重新测试，调参效率比改代码高很多。

4. Flow 的导出与代码化

Langflow 不是一个黑盒——构建好的 Flow 可以导出为两种格式：

1. JSON 格式（用于部署或版本管理）

<span>{</span>
  <span>"name"</span><span>:</span> <span>"RAG 问答系统"</span><span>,</span>
  <span>"description"</span><span>:</span> <span>"基于公司文档的问答机器人"</span><span>,</span>
  <span>"nodes"</span><span>:</span> <span>[</span>
    <span>{</span><span>"id"</span><span>:</span> <span>"openai-1"</span><span>,</span> <span>"type"</span><span>:</span> <span>"OpenAIModel"</span><span>,</span> <span>"data"</span><span>:</span> <span>{</span><span>"model_name"</span><span>:</span> <span>"gpt-4o"</span><span>}</span><span>}</span><span>,</span>
    <span>{</span><span>"id"</span><span>:</span> <span>"chroma-1"</span><span>,</span> <span>"type"</span><span>:</span> <span>"Chroma"</span><span>,</span> <span>"data"</span><span>:</span> <span>{</span><span>"collection_name"</span><span>:</span> <span>"docs"</span><span>}</span><span>}</span><span>,</span>
    ...
  <span>]</span><span>,</span>
  <span>"edges"</span><span>:</span> <span>[</span>
    <span>{</span><span>"source"</span><span>:</span> <span>"chroma-1"</span><span>,</span> <span>"target"</span><span>:</span> <span>"openai-1"</span><span>,</span> <span>"sourceHandle"</span><span>:</span> <span>"documents"</span><span>,</span> <span>"targetHandle"</span><span>:</span> <span>"context"</span><span>}</span>
  <span>]</span>
<span>}</span>

2. Python 代码（用于完全脱离 Langflow 运行）

导出的 Python 代码直接调用 LangChain 或底层 SDK，可以在任何 Python 环境中运行，不再依赖 Langflow 服务。这意味着 Langflow 可以只作为开发和调试工具，生产环境跑的是纯粹的 Python 代码。

5. 与 MCP 的集成

Langflow 1.x 开始支持将 Flow 暴露为 MCP 工具，让 Claude Code、Cursor 等 AI 开发工具直接调用你在 Langflow 里构建的 AI 流程：

<span>// Claude Code 的 MCP 配置</span>
<span>{</span>
  <span>"mcpServers"</span><span>:</span> <span>{</span>
    <span>"my-rag-flow"</span><span>:</span> <span>{</span>
      <span>"url"</span><span>:</span> <span>"http://localhost:7860/api/v1/mcp/flows"</span><span>,</span>
      <span>"apiKey"</span><span>:</span> <span>"your-langflow-api-key"</span>
    <span>}</span>
  <span>}</span>
<span>}</span>

配置完成后，在 Claude Code 对话里就可以说："查一下我们公司的退款政策"——Claude 会通过 MCP 调用你在 Langflow 里搭好的 RAG 系统，返回基于真实文档的答案。

项目地址与资源

官方资源

• 🌟 GitHub: github.com/langflow-ai…
• 📚 文档: docs.langflow.org
• ☁️ 云服务: astra.datastax.com（DataStax 提供的托管版本）
• 💬 Discord: 社区讨论频道
• 🐛 Issues: GitHub Issues

相关资源

• LangChain 官方文档（Langflow 底层依赖）
• React Flow（Langflow 前端节点画布所用库）
• FastAPI 文档（Langflow 后端框架）

总结与展望

核心要点回顾

1. 可视化流程编辑器：用节点和连线描述 AI 数据流，替代嵌套的 LangChain 代码，大幅降低 RAG/Agent 应用的开发和调试成本
2. 覆盖 20+ LLM 提供商：从 OpenAI、Anthropic 到 Ollama 本地模型，一个平台统一接入
3. 自定义 Python 组件：内置组件不够用时，直接在界面里写 Python 扩展，灵活性不打折
4. 一键 API 部署：Flow 构建完成即可得到标准 REST API，无需额外开发后端服务
5. 可导出为 Python 代码：不锁定平台，随时脱离 Langflow 在纯 Python 环境运行

适用人群

• AI 应用开发者：想快速原型验证 RAG 方案，或者需要可视化调试复杂 Agent 流程
• 产品经理/数据科学家：不擅长后端开发，但需要构建基于私有文档的问答系统
• 企业技术团队：需要一个标准化的 AI 应用构建平台，让团队成员共享和复用 Flow
• AI 教育/研究：用可视化界面理解 RAG 和 Agent 的工作原理，比看代码直观得多

一句话评价

Langflow 是目前开源社区里把"AI 应用构建"这件事做得最系统的工具——它让 RAG 和 Agent 的开发门槛从"会写 LangChain 代码"降低到了"会连线"，同时又没有牺牲深度控制能力。

欢迎访问 PrimeSkills —— 一个精心策划的 AI Agent 与技能市场，所有内容均经过真实企业级工作流验证。没有噱头，只有真正有效的东西。

更多实用知识和有趣产品，欢迎访问我的个人主页