Langflow 快速上手指南5 分钟搭出你的第一个 AI 工作流【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 智能体与工作流构建平台不用写大量代码拖拽组件就能拼出聊天机器人、RAG 知识库和 Agent 应用并且每条做好的工作流都能直接对外暴露为 API 或 MCP 服务器嵌入到你已有的任何系统里。本指南按先安装、再理解概念、最后动手的顺序展开带你完成三个难度递进的工作流从最小对话聊到数据库集成。先跑起来环境准备与快速启动前置条件只有两条Python 3.10–3.14以及 uv 这个包管理器官方推荐的安装方式。不想管 Python 环境的话也可以直接跳到 Docker 方式。一条命令装好环境在任意空目录里执行uv pip install langflow -U uv run langflow run安装卡住或报错基本都可以用 uv 替代 pip 解决。更省事的选择是用容器一条命令拉起docker run -p 7860:7860 langflowai/langflow:latest验证启动成功本地运行时Langflow 会监听http://127.0.0.1:7860浏览器打开后看到 Projects 页面就说明服务正常了。首次进入是空的 Starter Project点 New Flow 就能开始建工作流。默认端口被占用时用--port 8080这类 CLI 参数换端口即可CLI 选项的优先级高于环境变量。3 分钟看懂核心概念Langflow 的界面不复杂理解四个词就够用组件、连线、配置面板、Playground。组件Component是最小功能单元一个组件只干一件事——加载一个模型、读一个文件、算一次表达式。左侧面板分 Core components 和 Bundles 两个来源前者是核心功能自带的组件后者是按第三方服务打包的扩展组件。把它们拖到中间画布上就组成一条 Flow工作流。Flow 本质是一张有向无环图运行时会按依赖顺序逐个执行节点并且整体可序列化能保存成 JSON 文件随时导入导出。组件之间靠端口port连线。每个端口都有数据类型消息端口传文本、向量端口传嵌入只有类型兼容的端口才能连上连线本身就决定了数据流向。点击任意组件右侧配置面板会展开它的参数模型选型、API Key、提示词、超时时间都在这配。配好之后点 Playground 进入试运行模式。它面向查询-应答型流程会在对话界面里逐步展示 Agent 的思考与工具调用过程是调试工作流最常用的地方。三个递进场景搭建你的第一条工作流场景 1最简对话流——4 个组件跑通第一个聊天机器人这是所有后续场景的地基值得手动搭一遍点 New Flow选 Blank Flow 建空工作流。拖入 Chat Input再拖入一个 Language Model。从 Chat Input 的输出端口拉线到 Language Model 的 Input 端口。拖入 Chat Output连到 Language Model 的输出端口。点开 Language Model 的配置面板选好模型提供商并填入 API Key。点 Playground发一句话验证回答是否正常。一个高频坑如果 Playground 里没有输入框九成是 Chat Input 没有直接或间接连到 Language Model——Playground 只完整支持Chat Input 模型/Agent Chat Output这类问答型流程。场景 2RAG 流程快速配置——让机器人回答你自己的文档手写 RAG 要接七八个组件但 Langflow 内置了 Vector Store RAG 模板直接选它会拆成两条子流程。加载流程负责入库Read File 读文档、Split Text 分块、Embedding Model 算向量、写进 Chroma DB 等向量库检索流程负责问答Chat Input 生成查询向量到向量库里召回相似分块经 Parser、Prompt 组装上下文后交给 Language Model 输出。上手只需两步把模板默认的 Astra DB 换成 Chroma DB本地文件即可无外部依赖给两个 OpenAI Embeddings 组件填好 API Key。之后上传文件、点向量库组件的 Run component 入库就能在对话里提问了。文档更新时重跑加载流程即可检索流程不用动。场景 3SQL Database 集成——让工作流查数据库当你的需求从回答文档升级到回答业务数据时SQL Database 组件就是桥梁。它的定位是把关系型数据库变成工作流里可查询的一环。配置上指定连接串接上 MySQL、PostgreSQL 或 SQLite写入查询语句结果就能作为下游组件的输入。典型用法是把查询结果喂给 Language Model让它用自然语言解释数据实现用大白话问数。要注意两点连接信息涉及凭据建议放进 Langflow 的全局变量统一管理而不是硬编码在组件里查询结果集较大时先在 SQL 层做聚合和过滤别让整表数据流入后续节点。从原型到生产部署与配置建议开发阶段直接uv run langflow run本地跑就够了方便边改边试。上生产时建议用 Docker 镜像部署并在启动时通过环境变量关掉自动登录、强制设置超级用户密码、按需增加 worker 数LANGFLOW_AUTO_LOGINfalse LANGFLOW_SUPERUSER_PASSWORDyour-strong-password LANGFLOW_WORKERS3worker 数决定并发能力但每个 worker 各自持有内存队列跨进程共享状态比如构建任务需要外接共享存储。变量生效优先级是CLI 参数 .env 文件 系统环境变量改配置前先确认改在了哪一层。常见问题 FAQ启动时端口被占用用--port 8080换端口或设LANGFLOW_PORT环境变量。Playground 里没有输入框检查流程是否包含 Chat Input 并连到 Language Model 或 Agent 的输入端口。pip 安装卡在依赖解析上不动改用uv pip install langflow官方推荐路径就是 uv。Linux 上构建 webrtcvad 之类的包失败先装系统构建依赖build-essential python3-dev仍报错就补装gcc再重试。找不到某个组件先搜索组件名再翻 Bundles 分类和默认隐藏的 legacy 组件最后核对最近版本的变更说明。想让别人调用我搭好的流程在流程编辑页点 Share 生成带 API 地址和调用示例的链接或将其发布为 MCP server 供 MCP 客户端当工具使用。下一步去哪里想深入模板机制、API 参考或部署细节官方文档都在仓库内docs/要理解组件如何被执行引擎调度可以直接读 src/backend/langflow/ 里的后端源码。从一条最小对话流开始动手改是消化这些资料最快的方式。【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