用 Langflow 搭建 AI 智能体工作流从安装到部署 API 的实战教程【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 的可视化 AI 工作流构建平台通过拖拽组件即可搭建智能体Agent与工作流内置 Playground 调试界面并能把每个流程一键发布为 API 或 MCP Server。本文按四个递进的任务带你走完全程安装启动、构建会调工具的智能体、搭建基于自有文档的问答系统最后把流程接入自己的应用。为什么选可视化方式搭 AI 应用假设需求很具体让客服机器人回答产品文档问题同时能查内部数据库、做简单计算。用纯代码实现你需要处理 LangChain 的各种胶水代码、模型依赖、会话状态再把服务部署出去。Langflow 把这条路改成搭积木画布上拖入组件、连好端口每个组件的源码都可以用 Python 打开修改。平台内置 API 和 MCP 服务器搭好的流程本身就是可以被外部应用调用的工具不需要再单独写一层服务壳。三分钟安装并启动 Langflow本地安装需要 Python 3.10 到 3.14 和包管理器 uv。在任意空目录执行uv pip install langflow -U uv run langflow run启动后浏览器打开 http://127.0.0.1:7860首次使用会让你创建登录账号。如果不方便管理 Python 环境用 Docker 一条命令也能跑起来docker run -p 7860:7860 langflowai/langflow:latest进入后是熟悉的三栏布局左侧组件库按输入输出、模型、工具、数据处理分类中间是连接组件的画布右侧是当前组件的配置面板。顶部工具栏可以切换 Playground那是调试流程的地方。场景一从模板跑通第一个会调工具的智能体目标是一个能自主决定「要不要查资料、要不要算数」的对话智能体。点击 New Flow 选择 Simple Agent 模板它已经帮你连好了一条基础链路Chat Input 进、Chat Output 出中间是一个 Agent 组件另外挂了一个 Calculator 和一个 URL 组件作为工具。接下来做两件事在 Agent 组件里点击 Setup Provider 填入模型服务商的密钥OpenAI、Anthropic、Ollama 等都可以然后从 Language Model 下拉框选中具体模型。打开 Playground问一句「4 加 4 等于多少」Agent 会自动选择 Calculator 工具执行evaluate_expression再问「今天有什么科技新闻」它会调用 URL 工具抓取网页并总结。Playground 会逐步展示工具选择、输入参数和原始输出调试时非常直观。想让智能体能力更强直接加组件即可把 Web Search 等组件拖进画布在组件菜单里打开 Tool Mode再把它的 Toolset 端口连到 Agent 的 Tools 端口。Agent 会根据每轮对话的上下文自行决定调用哪个工具。这一环节最常见的两个坑一是加了工具组件却忘了开启 Tool ModeAgent 看不到这些工具二是端口类型不匹配导致连不上线连线前先看端口上的类型标注是否一致。场景二让流程基于你自己的文档回答RAG 问答如果答案不在模型的训练数据里而是在公司文档里就需要 RAG检索增强生成先把文档切块、转成向量存进向量数据库回答时先检索相关片段再交给模型。选 Vector Store RAG 模板它包含两条流程。Load Data Flow 负责入库Read File 读入本地文件Split Text 切块Embedding Model 计算向量最后写入 Chroma DB 这类向量库。Retriever Flow 负责回答Chat Input 进来后同样先做向量化到向量库里找最相关的片段拼进 Prompt 交给 Language Model 生成回复。操作顺序给两处 Embedding 组件填入模型 API 密钥两处必须用同一个嵌入模型否则向量对不上在 Read File 组件里选中本地文档点向量库组件旁的 Run component把数据推进数据库再切到 Retriever Flow在 Playground 里针对文档内容提问验证效果。模板里默认是 Astra DB换成 Chroma DB 或其他向量库组件即可。容易踩的点是换文档或换嵌入模型后要重跑 Load Data Flow否则检索的还是旧数据向量库组件和 Embedding 组件要一一配对两条流程里的库要指向同一个实例。场景三把流程发布为 API接入自己的应用Langflow 既是 IDE 也是运行时。流程搭好并调试通过后点画布顶部的 Share切到 API access 面板系统会按当前流程自动生成 curl、Python、JavaScript 三种请求示例服务器地址和 FLOW_ID 都已填好只需补上 API Key。API Key 在个人头像的 Settings 里进入 Langflow API Keys 点击 Add New 创建。请求发往/api/v1/run/FLOW_ID头里带x-api-key请求体里写input_value用户输入和input_type/output_type多为 chat多轮对话可带session_id保持会话。至此流程就可以被任意技术栈的前端或后端服务调用也可以作为 MCP Server 暴露给支持 MCP 的客户端。调用报错时先看两处一是提示 An API key must be passed as query or header说明请求头里漏了x-api-key或 Key 没创建成功二是 FLOW_ID 抄错——以 API access 面板自动生成的代码为准不要手抄。走向生产部署、数据库与排错本地跑通后生产部署推荐 Docker Compose。仓库自带一份可用的编排文件docker_example/docker-compose.yml它把 Langflow 和 PostgreSQL 一起拉起来数据落在持久化卷里重启不丢流程。关键环境变量有三个LANGFLOW_DATABASE_URL指向数据库连接串LANGFLOW_AUTO_LOGINfalse关闭自动登录LANGFLOW_SUPERUSER_PASSWORD设置超管密码。LANGFLOW_AUTO_LOGINfalse LANGFLOW_SUPERUSER_PASSWORDyour-strong-password LANGFLOW_DATABASE_URLpostgresql://user:passlocalhost:5432/langflow几个高频问题按这个思路排查端口被占用时改LANGFLOW_PORT或启动参数里的端口用 SQLite 时LANGFLOW_DATABASE_URL要写绝对路径且注意四个斜杠从 SQLite 切到 PostgreSQL 不会自动搬数据需要重新加载流程模型调用超时或大批量数据处理慢时调大超时、把批量任务拆小并观察容器内存占用。升级镜像时保持同一个LANGFLOW_DATABASE_URL启动时会自动做数据库迁移。下一步去哪流程稳定后这几个方向值得继续把流程部署为 MCP Server让其他 MCP 客户端直接把它当工具用写自定义组件扩展组件库每个组件就是一份可编辑的 Python 代码通过 lfx 安装更多厂商 bundle仓库src/bundles/下有 OpenAI、Google、IBM、Firecrawl 等现成实现接入 LangSmith、LangFuse 做可观测性。相关入口官方快速上手文档docs/docs/Get-Started/get-started-quickstart.mdx核心后端源码src/backend/Docker 部署示例docker_example/【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