企业官网建设流程全解析

LangFlow 可视化 AI 工作流完整指南：5 分钟跑通你的第一个 AI 应用

【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

LangFlow 是一个可视化的 AI 工作流构建平台：用拖拽代替代码，把语言模型、工具、知识库拼成可运行的流程。刚接触 LangChain 生态的开发者、想验证 AI 想法的普通用户，都适合从这里入手。

让 AI 看懂你的文档：从一个问答机器人开始

设想一个场景：你手上有产品手册、客服记录、内部 wiki，想让同事直接向 AI 提问拿到答案，而不是自己读文档。用代码实现，你要处理文件解析、文本切分、向量检索、模型调用一整条链路；用 LangFlow，这些环节都是现成组件，拖到画布上连起来就行。

这篇文章带你完成三件事：装好并启动 LangFlow；搭出一个能调用工具的聊天机器人；再把它扩展成能读文档、走条件分支、支持批量处理的完整应用，最后讲怎么部署上线。

安装并启动：5 分钟看到第一个流程跑起来

准备工作只有两样：Python 3.10 到 3.14，以及一个浏览器。

在你常用的目录里安装 LangFlow：

pip install langflow -U

执行后终端会滚动打印依赖安装进度，装完没有任何报错就算成功。

然后启动服务：

langflow run

跑完你会在浏览器看到 http://localhost:7860 的工作区：左侧是按类别分好的组件库，中间是空白画布，右侧留给属性配置。

别急着从零画，先用模板跑一遍。点击New Flow，在模板里选Simple Agent。这套模板预置了 Agent、Chat Input、Chat Output 三个组件，外加计算器和 URL 抓取两个工具，全部连好线。

点击页面里的Playground，输入"帮我算 4 加 4"。Playground 会逐步展示 Agent 的思考过程：它看到这是一道算术题，选中计算器工具，执行计算，再把结果发回给你。

到这里，第一个 LangFlow 可视化 AI 工作流已经跑通了。关掉 Playground，下面开始拆掉模板，把每个组件搞明白。

从零搭一个能调工具的聊天机器人

先认识 Agent 组件。它是流程的大脑：接收 Chat Input 发来的消息，根据内容自己决定要不要调工具、调哪个工具，最后把答案交给 Chat Output。组件的源码就是普通的 Python 文件，核心组件放在src/backend/base/langflow/下，各家模型和工具的组件则按类别拆在src/bundles/的各个包中，想改行为直接改代码即可。

搭建步骤：

1. 点New Flow选 Blank，拖入 Chat Input、Chat Output、Language Model 和 Agent 四个组件。
2. 把 Agent 的 Input 口连到 Chat Input，Output 口连到 Chat Output，再给 Agent 的 Tools 口挂上 Calculator。连线时从端口拖出，松手到目标端口，出现高亮说明类型匹配。
3. 点开 Language Model 组件，先点Setup Provider配置模型厂商和 API Key，再从下拉框里选一个具体模型。这一步的配置在src/bundles/对应的模型包里完成，LangFlow 支持的主流厂商组件都能在组件库里搜到。
4. 回到 Agent，把语言模型填进它的 Language Model 参数，再写一句系统提示，比如"你是一名乐于助人的助手，遇到计算题使用计算工具"。
5. 打开 Playground 测试。

跑完你会看到和模板几乎相同的效果，但这次每个节点都是你自己连的。想验证工具切换，把 Calculator 摘掉换成 URL 组件，再问一句"今天有什么新闻"，Agent 会改走网页抓取。

如果你还想：读文档、走分支、批量处理

上面这个机器人只能靠模型自身的能力答题。下面的玩法都是顺着它继续加组件。

让机器人读你的文档

向量数据库——把文本转成可检索的数字指纹的存储。让 AI 读文档，本质上就是建库加检索两步：

• 建库侧：用 Parser 解析文件，Split Text 把长文切成小块，Embedding Model 把每块转成向量，写进向量库（比如 Chroma DB，组件就在组件库里，文档见docs/docs/Components/bundles-chroma.mdx）。
• 检索侧：把用户提问也过一遍 Embedding Model，到向量库里做相似度匹配，把命中的文档片段塞给 Agent 当上下文。

不想手动连线的话，Projects 页有个Knowledge入口可以直接建知识库：选嵌入模型和数据库，上传文件，LangFlow 自动完成切分、向量化和入库，之后在流程里挂载检索即可。

让不同消息走不同分支

If-Else 组件是个条件路由器：拿一条消息和匹配文本做比较（支持等于、包含、正则等运算符），成立走 True 口，不成立走 False 口。把两条出口分别接到不同的 Language Model 加 Chat Output 组合，就能实现"包含 urgent 的消息走高优先级话术，其余走普通话术"这类逻辑，完整示例见docs/docs/Components/if-else.mdx。

批量处理一整份数据

一次一问太慢的场景，用 Loop 和 Batch Run 组件：前者循环遍历列表或 CSV 的每一行，后者批量执行同一段流程。比如把一千条用户反馈逐条喂给 Agent 打标签，就是典型的循环加批处理组合。

把流程接进其他系统

LangFlow 不只是编辑器，也是运行时。在流程编辑页点Share，再点API access，它会直接生成带请求地址、请求头和请求体的调用代码，你补上 API Key 就能在 Python、JavaScript 或 HTTP 里调用这个流程。流程还可以整体部署成 MCP server，让支持 MCP 的客户端把它当成一个现成工具来调。

本地、Docker、云端：三种上线方式

• 本地：langflow run已经够用。想换个端口或对外暴露，加参数：langflow run --host 0.0.0.0 --port 7860。

• Docker：生产环境推荐容器化。运行下面这条命令，镜像会自动拉取并在 7860 端口提供服务：

  docker run -p 7860:7860 \ -e LANGFLOW_AUTO_LOGIN=false \ -e LANGFLOW_SUPERUSER_PASSWORD=你的强密码 \ langflowai/langflow:latest

  想要持久化数据库，仓库里docker_example/docker-compose.yml提供了带 PostgreSQL 和挂载卷的 Compose 文件，docker compose up即可。

• 云端：GCP、Railway、Render 等平台都有专门指南，配置差异主要在环境变量和存储持久化，入口在docs/docs/Deployment/目录。

更多细节——数据模型、API 参考、可观测性集成——都在docs/docs/下按功能分好了目录，从 Quickstart 一路读下去就能覆盖日常使用。

【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