如果你见过同事在屏幕上拖几个方块、连几条线，然后一个能读数据库、能调工具、还能对外提供 API 的 AI 问答就这么上线了——那多半用的是 Langflow。
Langflow 是什么
一句话说清：开源、Python 写的可视化 AI 应用与 Agent 构建框架。截至 2026 年 9 月 10 日的硬数据：
- GitHub 154.5k 星、10.0k fork，MIT 协议
- 最新版本 v1.12.1（2026-09-08 发布），仓库当天仍有提交，活跃度没掉
- 出身 LogSpace，2024 年 4 月被 DataStax 收购；2025 年 2 月 25 日 IBM 宣布收购 DataStax，Langflow 随之进入 watsonx 体系
- 官方文档当前版本 1.12.x，另有 1.13.x 的 next 分支
它和 LangChain 的关系最好记：LangChain 是一堆 Python 类，Langflow 是给这堆类套了一块画布。官方定义很直白——可视化编辑器 + 内置 API 服务器。画布上每个方块是一个组件（模型、提示词、工具、文档加载器、向量库、分支逻辑），连完整张图就是一个能跑起来的服务。
它到底能干什么
- 搭 RAG：文档加载 → 切分 → 向量化 → 入库 → 检索 → 拼进提示词 → 出答案，全程用现成组件
- 搭 Agent：Agent 组件 + 工具 + 记忆，工具既可以是内置的，也可以直接把另一个 flow 挂上去当工具
- MCP 双向打通：既能作为 client 去连外部 MCP server，也能把 flow 本身暴露成一个 MCP server
- 导出与部署：flow 可导出为 Python 代码；跑在服务端时，每个 flow 就是一个 HTTP 端点
- Playground：不用等整个应用搭完，在画布上就能逐步运行、看中间输出
对不想被框架绑死的人来说最后一条最关键：可视化只负责原型阶段，真要进工程，导出的 Python 代码和 API 端点能直接接进你原来的代码库。
上手
最省事的路径是 Docker，单容器，默认 7860 端口：
docker run -p 7860:7860 langflowai/langflow:latest
想在本机 Python 环境里折腾：
uv pip install langflow -U
uv run langflow run
官方还提供了 Langflow Desktop 桌面版，Windows / macOS 直接装。默认用 SQLite 存 flow，密钥存在本地，数据不出内网——这点对自建党很重要，我自己就是把它当成局域网里的一个容器在跑，模型请求走内网网关，不碰外部托管平台。
实话
1. 别把可视化当万能。 简单 RAG、对话流很爽；逻辑一复杂（多层循环、条件分支、并发），画布很快从”清爽”变成”面条”，这时候老老实实写代码反而更快。可视化降低的是入门门槛，不是复杂度本身。
2. 定位要和 Flowise 分清楚。 两个都是开源可视化画布，Flowise 大概 54.7k 星、技术栈是 Node/TypeScript，Langflow 是 Python。团队是 Python 就选 Langflow，是前端/Node 就选 Flowise，就这么简单。想要”成品应用外壳 + 插件市场”更像 Dify；想做跨系统自动化那是 n8n，三者不冲突。
3. 它是 IDE，不是 Agent 主机。 Langflow 帮你把流程搭出来、跑起来，但 24 小时常驻、定时任务、挂掉自动拉起这些，还得靠你自己的服务器和编排层，别指望它一个画布全包。
4. 版本迭代快。 1.12 和 1.13 之间组件行为已经有差异，升级前先备份 flow（导出 JSON），别在生产画布上直接滚版本。
一个还算真实的用法
我现在最常见的用法不是拿它当产品，而是当”实验台”：想验证某个模型接进来到底行不行、某个检索策略召回率高不高，先在 Langflow 上连十分钟画布，跑通再决定要不要写成正式代码。反过来，如果画布上怎么连都别扭，那基本可以判定这个需求本身没想清楚。这个”十分钟试错”的价值，比它生成的那点 Python 代码大得多。
谁适合
- 想快速验证一个 RAG 或 Agent 想法、又不想先写一堆样板代码的人
- 需要把 AI 能力以 API 形式交付给业务方的团队
- Python 技术栈、想用开源自托管替代托管平台的人
不太适合：只想开箱即用做客服机器人的纯小白（Dify 更顺手），以及追求极致可控性、习惯手写编排的底层开发者。
by 数码罗记·godsun.pro
