Langflow工作流教程：从零构建可视化AI应用的全流程指南
本文提供一份完整的Langflow工作流教程，涵盖从安装部署到复杂工作流构建的各个环节。Langflow是一个开源、基于Python的可视化AI应用构建框架。通过本Langflow工作流教程，你将掌握流的创建、组件配置、智能体搭建、RAG检索增强生成以及API部署等核心技能，快速将AI想法转化为可运行的解决方案。
第一章 Langflow工作流基础概念
1.1 什么是Langflow工作流
Langflow是一个开源的、基于Python的可定制AI应用构建框架，它通过可视化编辑器简化了应用程序工作流的原型设计。在Langflow中，工作流（Flow）是应用程序工作流的功能性表示——它接收输入、处理数据并产生输出。
Langflow工作流教程的核心对象就是“流”（Flow）。一个流由多个组件（Component）构成，每个组件是工作流中的一个独立执行步骤，对应一项具体任务，例如调用大语言模型或连接数据源。组件之间通过连线（edges）传递数据，整体构成一个有向无环图（DAG）。
1.2 工作流的核心构成要素
理解Langflow工作流教程，首先需要掌握三个核心概念：
| 概念 | 英文 | 说明 |
|---|---|---|
| 项目 | Project | 容器，用于组织和管理多个工作流 |
| 工作流 | Flow | 完整的应用程序工作流，由多个组件拼接而成 |
| 组件 | Component | 工作流内的最小执行单元，每个组件完成一项特定任务 |
Langflow工作流的底层数据表示是一份结构化的JSON文件，包含节点列表（nodes，每个节点对应一个组件实例及其配置参数）、连线列表（edges，定义节点间的数据流向与端口映射）以及工作流元信息（flow_id、名称、描述等）。因为工作流本质上是JSON，所以它可以完整序列化——保存在本地文件系统、导出分享、进行版本管理，甚至通过API创建与触发。
1.3 工作流的运行机制
当Langflow工作流运行时，系统会根据节点和连线构建一个有向无环图对象，并对节点进行排序以确定执行顺序。图构建过程调用每个组件的构建函数来验证和准备节点，然后按依赖顺序依次执行——每个节点的执行结果会传递给依赖它的下游节点。
第二章 Langflow安装与环境准备
2.1 系统要求
在开始本Langflow工作流教程的实操之前，需要准备以下环境：
- Python 3.10 至 3.14
- uv（推荐的包管理器）
- （可选）Docker和Docker Compose
2.2 安装方式对比
Langflow提供多种安装方式，适用于不同的使用场景：
| 安装方式 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 桌面客户端 | 新手快速上手 | 无需管理Python环境，开箱即用 | 功能更新稍慢 |
| pip安装 | 开发者深度使用 | 灵活可控，易于集成 | 需要手动管理环境 |
| Docker部署 | 生产环境/团队协作 | 环境一致，易于扩展 | 需要Docker知识 |
2.3 pip安装步骤
对于大多数Langflow工作流教程的读者，推荐使用pip安装方式：
# 在全新目录中执行
uv pip install langflow -U
安装完成后，通过以下命令启动Langflow：
uv run langflow run
启动后访问 http://127.0.0.1:7860 即可进入Langflow的可视化界面。
2.4 Docker部署方式
对于生产环境或需要持久化存储的场景，可以使用Docker部署Langflow：
# 使用docker run快速启动
docker run -p 7860:7860 langflowai/langflow
# 或使用docker-compose进行更完整的部署
第三章 创建第一个Langflow工作流
3.1 从模板创建工作流
这是Langflow工作流教程中最快捷的入门方式。进入Langflow的项目页面后，点击“新建流”（New Flow），系统会展示多种预置模板供选择。
Langflow内置了41个Starter Project模板，覆盖常见AI场景：
| 模板分类 | 代表模板 |
|---|---|
| 基础入门 | Basic Prompting、Basic Prompt Chaining |
| 问答/RAG | Document Q&A、Knowledge Retrieval、Hybrid Search RAG |
| 智能体 | Research Agent、Pokédex Agent、Custom Component Generator |
| 内容生成 | Blog Writer、Instagram Copywriter、Meeting Summary |
| 数据处理 | Financial Report Parser、Invoice Summarizer |
| 多模态 | Image Sentiment Analysis、Nvidia Remix |
3.2 创建空白工作流
选择“空白流”（Blank Flow）后，系统会跳转到画布编辑器。在画布上，你可以从左侧的“核心组件”（Core Components）和“组件包”（Bundles）菜单中拖放组件到工作区。
3.3 一个简单示例：基础提示词工作流
我们通过一个最简单的Langflow工作流教程示例来理解基本操作：
- 从组件面板拖入“Chat Input”组件（聊天输入）
- 拖入“Prompt”组件（提示词模板）
- 拖入“Language Model”组件（大语言模型）
- 拖入“Chat Output”组件（聊天输出）
- 依次连接组件：Chat Input → Prompt → Language Model → Chat Output
- 配置每个组件的参数（如API密钥、提示词模板内容等）
- 点击“Playground”进行测试
这个工作流的数据流向为：用户输入 → 提示词拼接 → 大模型推理 → 输出回复。
3.4 AI辅助生成工作流
Langflow 1.10及以上版本提供了AI生成工作流的功能。用户无需手动拖拽组件，直接在对话框用自然语言描述需求，AI即可自动生成完整的工作流画布。这一功能进一步降低了Langflow工作流教程的学习门槛。
第四章 Langflow组件深度解析
4.1 组件的概念与分类
组件是Langflow工作流教程中最重要的构建单元。每个组件执行一项特定任务，如提供AI模型服务或连接数据源。组件按类型或提供商进行分组。
Langflow拥有超过294个组件，分为95+个分类。主要分类包括：
| 组件分类 | 功能说明 | 典型组件 |
|---|---|---|
| 输入/输出组件 | 工作流的数据入口和出口 | Chat Input、Chat Output、Text Input |
| 大语言模型组件 | 调用各类LLM | OpenAI、Anthropic、Hugging Face |
| 提示词组件 | 管理和格式化提示词 | Prompt、Prompt Template |
| 数据组件 | 数据加载与处理 | Directory、File、Parse Data |
| 向量数据库组件 | 向量存储与检索 | Milvus、Astra DB、Pinecone |
| 智能体组件 | 自主决策与工具调用 | Agent、Simple Agent |
| 逻辑组件 | 流程控制 | Loop、If-Else、Batch Run |
4.2 组件的配置与连接
将组件添加到工作流后，需要配置其参数。每个组件都有配置选项——有些是所有组件共有的，有些是特定组件独有的。
组件之间通过边（edges）或端口（ports）连接，每个端口都有特定的数据类型。例如，消息端口在组件之间发送文本字符串。Langflow的前端会实时校验类型兼容性，避免将字符串输出连接到期望数字输入的处理器。
4.3 自定义组件
除了核心组件，Langflow还支持自定义组件。你可以使用他人开发的自定义组件，也可以开发自己的组件供个人使用或分享给其他用户。这一特性使得Langflow工作流教程不仅适用于初学者，也能满足高级开发者的定制需求。
第五章 构建智能体工作流
5.1 智能体组件的核心概念
智能体（Agent）是Langflow工作流教程中一个关键的高级功能。智能体是一种能够自主决策、调用工具并完成复杂任务的AI组件。
在Langflow中，智能体工作流通常包含以下要素：
- 大语言模型：作为智能体的“大脑”，负责推理和决策
- 工具集：智能体可以调用的外部功能，如搜索引擎、计算器、数据库查询等
- 记忆机制：存储对话历史，实现上下文感知
- 提示词：定义智能体的角色、目标和行为准则
5.2 创建简单智能体工作流
从“Simple Agent”模板开始是学习Langflow工作流教程中智能体构建的最佳方式：
- 点击“New Flow”，选择“Simple Agent”模板
- 工作流自动包含一个Agent组件，以及可配置的工具
- 在Agent组件的设置中指定大语言模型
- 添加或移除工具（如Web Search、Calculator等）
- 配置提示词，定义智能体的行为
5.3 多智能体协作工作流
多智能体系统（MAS）是一种更高级的Langflow工作流形态——多个专业化的智能体协作完成一个共同目标。每个智能体承担单一职责（如规划、检索、总结、审查、综合），拥有清晰的输入/输出接口，并可以配备自己的工具和模型。
要创建多智能体工作流，可以将一个Agent组件设置为“Tool Mode”，然后将其作为工具附加到主Agent组件上。
5.4 MCP协议集成
Langflow支持Model Context Protocol（MCP），这是一种让AI工具之间相互调用的标准化协议。通过MCP集成，Langflow工作流可以调用外部MCP服务器提供的工具。
例如，你可以构建一个自动生成Git提交消息的Langflow工作流，它通过Git MCP服务器访问代码仓库的变更信息。
第六章 RAG工作流构建实战
6.1 RAG工作流概述
检索增强生成（RAG）是Langflow工作流教程中最常见也最强大的应用场景之一。RAG工作流让大语言模型能够基于外部知识库生成回答，从而解决模型知识过时和幻觉问题。
典型的RAG工作流包含两个子流：
- 知识入库子流：将文档分块、向量化并存入向量数据库
- 检索问答子流：将用户问题向量化，从向量数据库检索相关文档，将检索结果与问题一起交给LLM生成回答
6.2 基于模板构建RAG工作流
Langflow提供了“Vector Store RAG”模板，开箱即用地支持RAG场景。使用模板的步骤：
- 选择“Vector Store RAG”模板创建新工作流
- 配置向量数据库（支持Milvus、Astra DB、Pinecone等）
- 配置大语言模型（设置API密钥和模型参数）
- 上传文档数据，执行知识入库
- 在Playground中测试问答效果
6.3 集成Milvus向量数据库
Milvus是一个开源的向量数据库，与Langflow配合可以构建生产级的RAG工作流。集成步骤：
- 部署Milvus向量数据库（使用Docker Compose）
- 创建Python虚拟环境并安装Langflow
- 启动Langflow，选择Vector Store RAG模板
- 将默认的向量数据库替换为Milvus
- 填写Milvus连接信息（主机、端口等）
- 配置OpenAI或其他LLM的API密钥
- 上传数据并执行向量化嵌入
6.4 多向量检索
Langflow 1.11.0引入了多向量检索功能，支持ColBERT风格的后期交互和ColPali风格的视觉文档检索。这使得RAG工作流能够处理更复杂的检索场景，包括包含图像、表格等元素的文档。
第七章 高级工作流功能
7.1 循环与批处理
Loop组件是Langflow工作流教程中处理批量数据的重要工具。Loop组件就像一个工作流中的“微型工作流”——它接受一个JSON或Table对象的列表，逐个处理列表中的每一项，最后汇总所有循环的结果。
Loop组件的处理流程：
- 通过Inputs端口接收数据列表
- 通过Item端口逐个输出数据项给下游组件处理
- 处理完所有项后，通过Done端口输出汇总结果
Batch Run组件则适用于对表格数据的批量处理，它对表格中每一行的指定文本列运行大语言模型。
7.2 条件分支
If-Else组件为Langflow工作流提供了条件路由能力。它根据条件判断（如文本匹配、数值比较等）将数据流导向不同的处理路径，实现复杂的工作流逻辑控制。
7.3 记忆与状态管理
记忆（Memory）是让Langflow工作流具备上下文感知能力的关键。Langflow提供多种记忆组件：
| 记忆组件 | 说明 |
|---|---|
| Chat Memory | 存储对话历史，实现多轮对话 |
| Message History | 从数据库存储和检索聊天消息 |
| Memory Base | 基于向量存储的长期记忆，自动摄取每次运行后的对话消息 |
| Redis Chat Memory | 使用Redis存储聊天消息 |
Langflow 1.10引入了“记忆库”（Memory Bases）功能，为工作流提供了长期记忆能力。
7.4 子工作流调用
Run Flow组件允许一个Langflow工作流调用另一个工作流作为子流程。这实现了工作流的模块化和复用，让复杂系统可以拆分为多个可独立维护的子工作流。
第八章 工作流测试、部署与集成
8.1 使用Playground进行测试
Playground是Langflow工作流教程中测试和调试的核心工具：
- 运行工作流并与流进行对话
- 查看输入和输出数据
- 实时修改LLM的记忆以微调响应
- 对于包含Agent组件的工作流，Playground会显示工具调用和输出，便于监控智能体的决策过程
8.2 通过API触发工作流
Langflow为每个工作流自动生成API端点：
- 在工作流编辑器中点击“Share”（共享）
- 选择“API access”（API访问）
- 系统提供自动生成的Python、JavaScript和curl代码片段
- 这些代码片段调用
/v1/run/$FLOW_ID端点
Workflow API（v2）提供了更强大的工作流执行能力，支持同步和异步两种模式。
8.3 Webhook触发
Webhook组件允许外部系统通过HTTP请求触发Langflow工作流。配置好Webhook组件后，从Endpoint字段获取API端点，外部应用即可向该端点发送数据来触发工作流。
8.4 工作流导出与嵌入
Langflow支持多种方式将工作流集成到外部应用中：
- 导出：将工作流导出为JSON文件到本地
- 嵌入网站：将工作流嵌入HTML、React或Angular应用
- MCP服务器：将工作流作为工具暴露给MCP兼容的客户端
8.5 生产环境部署
将Langflow工作流部署到生产环境时，官方推荐：
- 使用Docker容器化应用
- 配置持久化存储（如PostgreSQL）
- 启用多worker支持以提高并发性能
- 配置适当的认证和授权机制
第九章 实战案例：构建一个完整的工作流
9.1 案例：文档智能问答助手
本Langflow工作流教程的实战案例是构建一个基于RAG的文档智能问答助手。
工作流设计：
| 阶段 | 组件 | 功能 |
|---|---|---|
| 输入 | Chat Input | 接收用户问题 |
| 检索 | Vector Store | 从向量数据库检索相关文档 |
| 增强 | Prompt | 将检索结果与用户问题组合成提示词 |
| 生成 | Language Model | 基于提示词生成回答 |
| 输出 | Chat Output | 返回回答给用户 |
知识入库子流：
| 组件 | 功能 |
|---|---|
| Directory | 加载本地文档目录 |
| Parse Data | 解析文档内容 |
| Split Text | 将文档分块 |
| Embeddings | 生成向量嵌入 |
| Vector Store | 存储向量到数据库 |
9.2 案例：多智能体研究助手
基于Langflow的多智能体支持，可以构建一个深度研究工作流：
- 规划智能体：理解用户的研究问题，制定研究计划
- 检索智能体：执行网络搜索或文档检索
- 分析智能体：分析检索结果，提取关键信息
- 综合智能体：整合所有分析结果，生成研究报告
每个智能体拥有独立的工具和模型配置，通过Langflow的可视化画布连接协作。
FAQ
Q1：Langflow和LangChain是什么关系？
Langflow是基于LangChain框架构建的可视化工作流工具。它将LangChain中的各种模块（提示词、大语言模型、链、智能体、记忆、文档加载器等）抽象为可视化的组件节点。用户在画布上拖拽组件构建工作流时，Langflow后端会自动将图形结构翻译成对应的LangChain对象树并按拓扑顺序执行。
Q2：Langflow工作流支持哪些大语言模型？
Langflow支持多种大语言模型，不强制使用特定模型。支持的模型包括OpenAI（GPT系列）、Anthropic（Claude系列）、Hugging Face模型、Google Gemini、Azure OpenAI等。你可以根据需求在组件配置中选择和切换不同的模型提供商。
Q3：Langflow工作流中的数据如何持久化？
Langflow工作流本身以JSON格式保存，可以存储在本地文件系统或数据库中。对于工作流运行时产生的数据（如对话历史、向量嵌入等），Langflow支持多种持久化方案：可以使用内置的SQLite数据库，也可以配置PostgreSQL、Astra DB等外部数据库。记忆组件可以将聊天记录存储到Redis或向量数据库中。
Q4：Langflow工作流能否在无网络环境下运行？
可以。Langflow支持本地部署和离线运行。通过桌面客户端或本地pip安装，你可以在完全离线环境中构建和运行Langflow工作流。但需要注意，调用外部大语言模型API（如OpenAI）时仍需网络连接；如需完全离线，可以配置本地部署的LLM（如通过Ollama或LocalAI）。
Q5：如何调试Langflow工作流中的错误？
Langflow提供多种调试手段：Playground中可查看每一步的输入输出；工作流日志记录了详细的执行信息；对于复杂工作流，可以逐步执行单个组件来定位问题。此外，Langflow支持与LangSmith和Langfuse集成，实现端到端的工作流监控、调试和执行链路回放。
Q6：Langflow工作流可以处理多大规模的数据？
Langflow工作流的数据处理能力取决于底层组件和基础设施。通过Loop和Batch Run组件可以处理批量数据；结合Milvus等向量数据库可以管理百万级向量；通过Redis-backed任务队列和多worker部署可以支持高并发场景。
Q7：Langflow Desktop和Web版本有什么区别？
Langflow Desktop是桌面客户端版本，所有依赖已包含在内，无需管理Python环境，适合新手快速上手。Web版本（通过pip安装或Docker部署）更灵活，支持服务器部署、团队协作和API集成。两个版本的核心功能一致，主要区别在于部署方式和运行环境。