LangFlow 是一个开源的、基于 Python 的、完全可定制的，用于构建多代理和 RAG 应用程序的可视化低代码框架。它让你可以通过拖拽组件的方式，快速搭建 AI 工作流。
如何安装与运行
LangFlow 提供了多种安装方式，你可以根据自己的环境选择最合适的一种。
方式一：Langflow Desktop（推荐新手）
对于 Windows 和 MacOS 用户，最省心的方式是直接下载桌面版。安装包已经包含了所有运行时环境，无需关心 Python 版本和复杂的依赖问题。
下载地址：https://www.langflow.org/desktop
方式二：使用 Docker 运行
如果你熟悉 Docker，这是最快捷的部署方式。只需一条命令即可启动服务：
docker run -p 7860:7860 langflowai/langflow:latest
容器启动后，在浏览器中访问 http://localhost:7860/ 即可。
方式三：本地 Python 环境安装
适合喜欢在本地深度定制的开发者。你需要准备 Python 3.10 到 3.13 的环境，并安装 uv 包管理器。
注意：安装时，国内的一些 pip 源可能会失败，可以多切换几个镜像源尝试。
-
安装依赖：
uv pip install langflow -U -i https://repo.huaweicloud.com/repository/pypi/simple/
-
运行服务：
uv run langflow run
-
（可选）配置外部数据库：
默认使用 SQLite，如果需要连接外部数据库（如 PostgreSQL），可以创建 .env 文件，并添加环境变量：
LANGFLOW_DATABASE_URL=postgresql://user:password@localhost:5432/langflow
然后指定环境文件启动：
uv run langflow run --env-file .env
无论用哪种方式，成功启动后，在浏览器中访问 http://localhost:7860/，你将会看到 LangFlow 的欢迎界面。
实战示例：快速构建一个聊天机器人
让我们通过一个简单的例子，体验如何用 LangFlow 零代码创建一个智能聊天助手。
第一步：创建空白流程
进入界面后，点击 + Create first flow 创建一个空白流程。
系统会提示你从模板开始或从零构建，这里我们选择 Start from scratch -> + Blank Flow。
第二步：认识工作区
一个新的空白流程工作区将被打开。左侧是丰富的组件库，中间是画布，右上角有运行和分享按钮。
从左侧组件库的 Input & Output 分类中，找到并拖拽 Chat Input 组件到画布上。这个组件将接收来自用户的聊天输入。
点击画布上的组件，右侧会弹出属性面板。你可以在这里配置输入提示、是否存储消息历史、发送者名称等。
第四步：添加 “Prompt Template” 组件
从 Models & Agents -> Language Model 分类下，拖拽一个 Prompt Template 组件到画布上。这个组件用于定义给 AI 模型的系统指令。
在属性面板的 Template 字段中，输入系统提示词，例如：“你是Amy，一个有用的智能助手！”
第五步：连接组件并添加自定义 LLM
用鼠标从 Chat Input 组件的输出点拖出一条线，连接到 Prompt Template 组件的输入点。这表示将用户输入传递给提示词模板。
然后，我们需要一个大模型来处理请求。LangFlow 支持接入多种模型，这里我们以自定义一个智谱AI的组件为例。点击左侧的 New Custom Component，选择 Code 标签页。
将以下 Python 代码粘贴到代码编辑器中。这段代码定义了一个名为 ZhipuModelComponent 的组件类，它封装了调用智谱AI GLM 系列模型的逻辑。
from langchain_openai import ChatOpenAI
from lfx.base.models import LCModelComponent
from lfx.field_typing import LanguageModel, RangeSpec
from lfx.inputs.inputs import BoolInput
from lfx.io import DropdownInput, MessageInput, MultilineInput, SecretStrInput, SliderInput
model_names = ["glm-4.7-flash", "glm-4.5-flash", "glm-4.6v-flash"]
class ZhipuModelComponent(LCModelComponent):
display_name = "Zhipu Model"
description = "运行智谱的模型。"
documentation = "https://docs.langflow.org/components-models"
icon = "brain-circuit"
category = "models"
priority = 0
inputs = [
DropdownInput(
name="model_name",
display_name="模型名称",
options=model_names,
value=model_names[0],
info="选择模型",
real_time_refresh=True,
refresh_button=True,
),
SecretStrInput(
name="api_key",
display_name="API Key",
info="API key",
required=False,
show=True,
real_time_refresh=True,
),
MessageInput(
name="input_value",
display_name="输入",
info="发送给大模型的文本内容",
),
MultilineInput(
name="system_message",
display_name="系统提示词",
info="系统提示词",
advanced=False,
),
BoolInput(
name="stream",
display_name="流式输出",
info="是否流式输出",
value=False,
advanced=True,
),
SliderInput(
name="temperature",
display_name="Temperature",
value=0.1,
info="控制输出的随机性，值越高越随机。",
range_spec=RangeSpec(min=0, max=1, step=0.01),
advanced=True,
),
]
def build_model(self) -> LanguageModel:
model_name = self.model_name
temperature = self.temperature
stream = self.stream
return ChatOpenAI(
model_name=model_name,
temperature=temperature,
streaming=stream,
openai_api_key=self.api_key,
openai_api_base="https://open.bigmodel.cn/api/paas/v4/",
)
保存后，你会在组件库的 Custom Components 或 Models & Agents 下看到新增的 Zhipu Model 组件。将其拖到画布上，并连接 Prompt Template 的输出到它的输入。
在右侧属性面板中，填入你的智谱AI API Key，并设置好其他参数（如 temperature）。
第六步：添加 “Chat Output” 并测试
最后，从 Input & Output 中拖拽一个 Chat Output 组件到画布，并将 Zhipu Model 的输出连接到它。至此，一个完整的聊天流程就构建好了。
点击右上角的 Playground 按钮，在打开的测试窗格中输入“你好”，你的智能助手 Amy 就会回应你了。
第七步：发布与分享
工作流测试无误后，就可以发布了。点击 Share 按钮，你可以选择多种发布方式，例如生成 API 接口、导出为 Docker 镜像、或者创建一个可分享的在线 Playground。
利用模板加速开发
除了从零开始，LangFlow 还内置了大量开箱即用的模板，覆盖了智能体、RAG、内容生成等常见场景。在创建流程时选择模板，能让你更快地上手和实现想法。
通过这个简单的例子，你可以看到 LangFlow 如何将复杂的 AI 应用开发过程，简化为直观的拖拽和连线。无论是快速原型验证，还是构建生产级应用，它都是一个非常高效的低代码工具。在 云栈社区，你还可以找到更多关于 AI 应用开发和前沿技术的实战分享与讨论。
发表于 6 小时前
|
查看: 2|
回复: 0
