Langflow 实战指南：10 分钟用可视化方式搭出你的第一个 AI 工作流

Langflow 实战指南10 分钟用可视化方式搭出你的第一个 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/langflow要接一个模型、配一段提示词、挂一个向量库你得先写一堆胶水代码Langflow 是一个开源的可视化 AI 工作流构建平台把组件拖进画布、连上端口就能组装出聊天机器人或 RAG 问答应用还能一键发布成 API 或 MCP 工具供现有应用直接调用。五分钟起步三步打开 Langflow 界面这一节只解决一个问题让浏览器里出现 Langflow 的工作区页面。环境要求不高——Python 3.10–3.14推荐用 uv 做包管理如果你更习惯容器直接跳到最后的 Docker 命令即可。第 1 步安装。在一个空目录里运行uv pip install langflow -U运行后终端会滚过依赖安装过程最后一行出现Successfully installed langflow就说明装好了。相比 pipuv 处理 Langflow 这种大依赖树要快得多不会卡在依赖解析上。第 2 步启动。运行uv run langflow run运行后你应该看到日志里打印出Langflow starts at http://127.0.0.1:7860此时服务已经在本地监听 7860 端口。第 3 步打开页面。浏览器访问http://127.0.0.1:7860你会落到 Projects 页面默认的Starter Project里已经放着几个示例 flow点开任意一个就能看到画布界面。想跳过环境折腾的话用 Docker 一条命令启动容器docker run -p 7860:7860 langflowai/langflow:latest运行后同样在http://localhost:7860访问。更细的安装分支Desktop 版、源码版、虚拟环境见安装文档。核心主线走通从模板到 Playground 跑通一条 FlowLangflow 的主线只有一条新建 Flow → 连组件 → 在 Playground 对话验证 → 发布出去。下面按顺序走完。第 1 步新建 Flow。在 Projects 页面点New Flow选Simple Agent模板。运行后你会看到画布上已经摆好四个组件Agent、Chat Input、Chat Output以及Calculator计算器和URL网页抓取两个工具。第 2 步看懂并修改组件连接。每个组件都有输入/输出端口从一个端口拖到另一个端口就落一条连接线。Chat Input的输出接到Agent的输入Agent的输出接到Chat Output两个工具则挂在 Agent 的工具端口上。如果你想从零搭就从左侧Core components菜单里拖组件照同样的方式连线。第 3 步配置模型。点击Agent组件右侧属性面板里点Setup Provider选择模型提供商填入 API Key再从Language Model下拉框里选一个具体模型。运行后端口旁边会显示你选的模型名表示配置生效。第 4 步打开 Playground。点右上角Playground屏幕右侧弹出一个对话面板。第 5 步对话验证。输入I want to add 4 and 4.Playground 会实时展示 Agent 的分析过程它选中Calculator工具、调用evaluate_expression动作然后返回 8。再让它总结最新新闻它会自动选URL工具的fetch_content动作抓回内容做摘要——你能清楚看到每一步为什么选这个工具。第 6 步发布。点Share→API access面板会生成 curl / Python / JavaScript 三种代码片段服务地址和FLOW_ID已经自动填好你只需补上自己的 API Key。拿 curl 版直接跑curl --request POST \ --url http://localhost:7860/api/v1/run/FLOW_ID?streamfalse \ --header Content-Type: application/json \ --header x-api-key: LANGFLOW_API_KEY \ --data {output_type:chat,input_type:chat,input_value:hello}收到 200 响应说明这条 flow 已经能被外部程序调用了。API 细节见运行 Flow 的 API 参考。真实场景小 Demo让 AI 只回答你文档里的问题场景产品说明书放在内网你不想让模型自由发挥编答案。输入是一份文档输出是一个只依据这份文档回答问题的 AI。这正是官方Vector Store RAG模板干的事。模板里有两条子流程Load Data FlowRead File → Split Text → Embedding Model → Vector Store → Chat Output。负责把文档切成块、生成向量、写进向量库只在需要灌数据时跑一次。Retriever FlowChat Input → Embedding Model → Vector Store → Parser → Prompt → Language Model → Chat Output。负责把用户问题转成向量检索最相近的文档块再交给模型生成回答。第 1 步New Flow → 选Vector Store RAG模板两条子流程会同时创建。第 2 步给两个Embedding Model组件都填上 API Key模板默认带 Astra DB 向量库想本地跑就换成Chroma DB组件。第 3 步点开Load Data Flow里的Read File组件选中本地文件上传点向量库组件的Run component。运行结束后文档的切片和向量就存好了。第 4 步切到Retriever Flow在 Playground 里问说明书里保修期是多久——你得到的是基于那份文档的回答而不是模型凭训练记忆瞎编。完整的上传、调用代码示例在RAG 教程里。避坑清单新手最容易卡住的 5 个问题以下问题都来自官方 FAQ按现象 → 原因 → 解法讲完。安装卡死不动现象pip install langflow长时间停在正在解析依赖。 原因Langflow 依赖树很大pip 解析缓慢甚至超时。 解法改用 uv 安装uv pip install langflow几秒内完成解析。Linux 上安装报构建错误现象日志出现Failed to build webrtcvad。 原因系统缺编译工具链。 解法sudo apt-get install build-essential python3-dev后重试仍失败就先uv pip install webrtcvad-wheels再装。启动报get_body_field错误现象ImportError: cannot import name get_body_field from fastapi.dependencies.utils。 原因新装的 FastAPI 0.140.5 移除了这个接口与当前版本不兼容。 解法钉住版本uv pip install fastapi0.140。Playground 里找不到输入框现象打开 Playground 却没有对话输入栏。 原因Playground 只服务查询-响应型流程你的 flow 必须有一个Chat Input直接或间接接到 Language Model 或 Agent 的输入端口。 解法补上 Chat Input 并连到模型组件上。菜单里找不到教程里的组件现象照着教程找某个组件Core components 里没有。 原因组件常被重新分类或藏在 Bundles 菜单里也可能是默认隐藏的 legacy 组件。 解法先用搜索框搜再查 Bundles 菜单和 legacy 组件列表。逐条排查手册见常见问题文档。进阶方向三条值得深入的路写自定义 Python 组件每个组件本质是一个 Python 类把文件放进src/lfx/src/lfx/components/的分类目录里重启后就能在画布里用见自定义组件文档。把 Flow 发布成 MCP 工具让 MCP 客户端如各类 AI 编程助手把你的 flow 当工具调用见MCP Server 文档。生产部署Docker 配置、多 worker、安全加固与云上部署见部署概览。下一步打开快速开始文档把你自己的第一条 flow 跑通。延伸阅读Playground 使用指南、组件概念解析。SEO关键词核心Langflow 可视化 AI 工作流长尾Langflow 安装教程、Langflow 快速上手、Langflow Playground 调试、Langflow RAG 模板、Langflow 自定义组件【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