Langflow 是什么？155K 星的可视化 Agent 工作流平台，拖拽之间把 LLM 拼成产品
导语
很多人第一次搭 AI 应用，都是死在”一行报错跑一天”上。代码没报错，但流程没走通——模型、数据库、工具、回调，全堆在脑海里打架。Langflow 就是想解决这个：把 AI 工作流做成一张能拖、能连、能直接看结果的图。155K 星的开源平台，内置 API 和 MCP 服务器，拖出来的流程图还能直接当接口部署。这篇把它讲透。
项目介绍：Langflow 到底干嘛的
Langflow 是 2023 年 2 月在 GitHub 开源的具象化 Agent 平台，Python 写的，MIT 协议，仓库名 langflow-ai/langflow，当前 155K 星、10K forks。一句话：上流是 LangChain 的代码，下流是 Langflow 的图纸——它最开始就是给人手写 LangChain 笔译用的，靠拖拽把每个节点的输入输出连成一条数据流。现在它早就走出 LangChain 的影子，主流 LLM、向量库、一批现成工具组件原生都支持。
核心卖点三条：
- 可视化面板：模型、提示词、向量检索、工具全部做成卡片，拖进画布连线就行，改动立即在右侧的 Playground 里跑通，能逐步单步调试。
- 多 Agent 编排：不只调单个模型，能把多个 Agent 排成队干活，带对话管理和检索记忆。
- 画完即部署：流程图不用离开平台，直接导出成 API，或者作为一个 MCP Server 丢给任何 MCP 客户端当工具用，还能连 LangSmith / LangFuse 做可观测。
换句话说，别人用代码搭的 Agent，在 Langflow 里是拖出来的。非工程师能上手，会 Python 的人又能钻进源码里改单个组件——”低代码但留后门”是它和纯 no-code 平台最大的分野。
上手：三分钟第一个 Flow
最省事的装法是 Docker，一条命令起服务：
docker run -d -p 7860:7860 --name langflow langflowai/langflow:latest
浏览器打开 7860 端口，注册后用自带的模板库开搞：选一个”RAG + 聊天”模板，左边拖进一个 LLM 节点、一个向量库节点、一个检索工具节点，连上线，填上你的 API Key，点 Play 直接对话。要自定义，进任何一个组件改 Python 源码，重跑一遍就能看到行为变化。想跑本地模型省钱也行——组件里接 Ollama 或任意 OpenAI 兼容端点即可，和我在 ai.godsun.pro 里聊过的本地模型思路完全一致。
实话：要不要上车
省心的地方：可视化让你不写代码就能看到数据怎么流，调错看连线就行；从原型到接口部署一步到位；背靠 LangChain 生态，组件补齐快。
得掂量的地方：简单流程确实拖拽更快，但复杂到几十个节点的编排，可视化图反而比代码难维护——这时候还是那句”你得学真的编程”；前端是 React，自托管二次开发对前端基础有要求；和 Flowise、n8n 这类工具定位重叠，选型要看你是”拖给老板看”还是”拖给自己改”。
我的建议：产品原型、给非技术人员演示、RAG 应用第一版——用它，剪得好；生产级多 Agent 编排、要做深度定制——学框架、写代码才是正道，Langflow 当脚手架理解概念，绝配。 平台是死的，看你怎么用。
署名
by 数码罗记 · godsun.pro
模型：freemodel(GPT-5.4/5.5) | 上下文用量：约 2.1K
