为什么你需要 Langflow

你有没有遇到过这种困境：想快速搭一个 RAG 知识库问答系统，结果光是读 LangChain 文档就花了三天，调 RetrievalQA 链的参又搭进去两天，最后发现向量数据库的 Collection 名拼错了一个字母——所有努力白费。

Langflow 就是来解决这个问题的。 它是一个基于 LangChain 的低代码可视化 AI 工作流平台（GitHub 149k+ Star），让你像搭乐高一样用拖拽方式构建 RAG、Agent、Prompt Chain 等 AI 应用。本文带你 5 步完成本地部署，并搭建一个完整的 RAG 文档问答 Agent。

环境要求

• Python 3.10 ~ 3.14
• 至少 4 GB 内存（推荐 8 GB+）
• Windows / macOS / Linux 均可

---

步骤一：安装 Langflow

打开终端，用 uv（比 pip 快 10 倍的包管理器）安装：

# 1. 安装 uv（如已安装可跳过）
pip install uv

# 2. 创建虚拟环境
uv venv langflow-env

# 3. 激活虚拟环境
# Windows:
langflow-env\Scripts\activate
# macOS / Linux:
source langflow-env/bin/activate

# 4. 安装最新版 Langflow（截至 2026.07 最新为 v1.10.0）
uv pip install langflow -U

**提示**：如果你更习惯 Docker，一行命令即可：`docker run -p 7860:7860 langflowai/langflow:latest`

输出类似如下表示安装成功：

Successfully installed langflow-1.10.0 langchain-0.3.x ...

---

步骤二：启动 Langflow 并创建第一个项目

安装完成后，一行命令启动服务：

uv run langflow run

浏览器打开 http://127.0.0.1:7860，你将看到 Langflow 的主界面。首次启动时会要求你创建管理员账号（邮箱 + 密码），这是 v1.3.0 之后引入的安全机制。

登录后，点击右上角的 "New Project"，选择 "Blank Flow" 创建一个空白工作流画布。

你会在左侧看到组件面板（Components），包括 LLM、Chains、Agents、Vector Stores、Embeddings 等几十个预制组件。中间是画布，右侧是当前选中组件的参数面板。

核心操作：

• 从左侧**拖拽**组件到画布
• 组件之间**连线**建立数据流
• 右侧面板**配置**每个组件的参数（API Key、模型名、Prompt 等）

---

步骤三：搭建 RAG 文档问答工作流

现在我们来搭建一个完整的 RAG 工作流。该流程的核心逻辑是：上传 PDF → 文本分块 → 向量嵌入 → 存入向量库 → 用户提问 → 检索相关片段 → LLM 生成回答。

3.1 拖入组件

从左侧组件面板依次拖入以下 7 个组件到画布：

| 序号 | 组件名 | 类别 | 作用 |

|------|--------|------|------|

| ① | File | Inputs | 上传 PDF/TXT 等文档 |

| ② | Split Text | Processing | 将长文本切分为 chunk |

| ③ | OpenAI Embeddings | Embeddings | 将文本块转为向量 |

| ④ | Chroma DB | Vector Stores | 本地向量数据库存储 |

| ⑤ | Chat Input | Inputs | 接收用户提问 |

| ⑥ | Chroma Search | Retrieval | 根据提问检索相似 chunk |

| ⑦ | OpenAI Chat | Models | 调用 GPT 生成最终回答 |

3.2 连线

按以下数据流依次连线：

File → Split Text → OpenAI Embeddings → Chroma DB
Chat Input → Chroma Search → OpenAI Chat
Chroma DB → Chroma Search（作为检索源）

连线方式：鼠标悬停在组件右侧输出节点，拖拽连线到下一个组件的左侧输入节点。

3.3 配置 API Key

在 OpenAI Embeddings 和 OpenAI Chat 组件的右侧面板中，填入你的 OpenAI API Key：

OpenAI API Key: sk-your-api-key-here
Model Name: text-embedding-3-small  # Embeddings 用
Model Name: gpt-4o-mini             # Chat 用（性价比高）

**安全提示**：实际项目请用 `.env` 文件存储 Key，切勿硬编码到代码中。Langflow 支持在项目设置中配置全局环境变量。

---

步骤四：测试运行

4.1 上传文档

在画布底部找到 Playground（测试面板），点击 File 组件上传一个 PDF 文件（比如你项目的技术文档或任何知识型 PDF）。

4.2 在 Chat Input 中提问

在 Playground 的 Chat Input 框输入问题，例如：

这份文档的核心内容是什么？请用中文总结 3 个要点。

4.3 查看结果

点击 Run 按钮，几秒钟后你会在 OpenAI Chat 组件的输出区域看到 AI 基于文档内容生成的回答。整个数据流是可追踪的——每个节点的输入输出都会在 Playground 的 Log 面板中展示。

运行效果类似：

{
  "output": "根据您上传的文档，核心内容总结如下：\n
1. 系统架构采用微服务设计，每个服务独立部署...\n
2. 数据层使用 PostgreSQL 作为主存储，Redis 做缓存...\n
3. API 网关统一鉴权和限流，基于 JWT Token 实现..."
}

你也可以用 Python 代码直接调用你搭建好的 Flow（Langflow 自动生成 API）：

import requests

API_URL = "http://127.0.0.1:7860/api/v1/run/your-flow-id"
API_KEY = "sk-your-langflow-api-key"

payload = {
    "input_value": "这份文档讲了什么？",
    "output_type": "chat",
    "input_type": "chat",
    "tweaks": {}
}

response = requests.post(
    API_URL,
    json=payload,
    headers={"x-api-key": API_KEY}
)

print(response.json()["outputs"][0]["outputs"][0]["results"]["message"]["text"])

---

步骤五：导出与部署

5.1 导出为 Python 代码

Langflow 支持将可视化工作流一键导出为可运行的 Python 代码。在画布右上角点击 "Code" 按钮，选择 "Export as Python"，你会得到完整的代码：

from langflow import load_flow_from_json

# 加载导出的 flow 配置
flow = load_flow_from_json("MyRAGFlow.json")

# 直接运行
result = flow.run("这份文档的核心内容是什么？")
print(result)

5.2 导出为 JSON

点击 "Export" → "Export as JSON"，将 Flow 保存为 .json 文件。这个文件可以在任何装有 Langflow 的机器上导入复用，也可以提交到 Git 做版本管理。

# 在其他机器上导入你导出的 Flow
uv run langflow run --import MyRAGFlow.json

---

进阶玩法：集成本地 LLM（Ollama）

如果你想完全离线运行、不依赖 OpenAI API，Langflow 天然支持 Ollama：

# 先安装并启动 Ollama（需提前下载模型）
ollama pull qwen2.5:7b
ollama pull nomic-embed-text  # 本地 Embedding 模型

# 在 Langflow 中使用 Ollama 组件替换 OpenAI 组件
# 拖入 Ollama Chat → 配置 model_name = "qwen2.5:7b"
# 拖入 Ollama Embeddings → 配置 model_name = "nomic-embed-text"

这样整个 RAG 链路完全本地运行，零 API 费用。

---

总结

| 维度 | 传统 LangChain 编码 | Langflow 可视化 |

|------|---------------------|-----------------|

| 上手时间 | 2~5 天 | 15 分钟 |

| 调试效率 | print 大法逐行排查 | 可视化数据流追踪 |

| 团队协作 | 代码 Review | 共享 JSON Flow 文件 |

| 部署 | 自己写 FastAPI | 一键导出 API + Python 代码 |

通过本文的 5 步实战，你已经完成了 Langflow 从安装到上线完整 RAG 工作流的全过程。Langflow 的真正威力在于它的组件生态——除了本文用到的 RAG 组件外，还支持 MCP（Model Context Protocol）工具集成、多 Agent 协作、自定义 Python 组件等高级功能，值得持续探索。