Langflow 完整教程三步可视化搭建、测试并部署你的 AI Agent【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/langflowLangflow 是一个开源的 AI Agent 与工作流可视化搭建框架你在浏览器里拖组件、连线就能拼出多智能体和 RAG 应用而且每个搭好的流程都能一键变成 REST API 或 MCP 工具直接嵌进任何技术栈的应用里。它内置了几乎所有主流大模型和向量库的集成新手不用写一行胶水代码也能跑通第一个智能体。3 分钟启动安装并跑起来不用手动折腾 Python 环境两条命令就能让 Langflow 在你电脑上转起来需要 Python 3.10–3.14推荐用 uv 这个包管理器uv pip install langflow -U uv run langflow run看到启动日志后打开浏览器访问 http://127.0.0.1:7860 就是你的 Langflow 首页了 如果你不想装 uv用python -m pip install langflow -U再执行python -m langflow run效果一样。启动参数都可以按需微调不用背命令--host控制监听地址默认 127.0.0.1想给局域网其他机器用就改成 0.0.0.0--port改端口默认 7860--workers设置工作进程数默认 1--timeout控制工作进程超时默认 60 秒--env-file则指向一个存放环境变量的文件比如把 API Key 放里面避免写进命令历史。除了本地安装还有两条备选路线Docker 部署一条docker run -p 7860:7860 langflowai/langflow:latest即可服务同样跑在 http://localhost:7860适合想隔离环境的同学。源码运行克隆仓库后在根目录执行make run_cli就能以开发模式启动要参与开发的话先构建前端再装后端依赖即可DEVELOPMENT.md 里有完整说明。另外Windows 和 macOS 用户可以直接下载 Langflow Desktop 桌面版所有依赖都打包好了完全不用管 Python 环境。可视化搭建你的第一个 AI Agent从模板到 PlaygroundLangflow 最爽的一点是你不是从空白画布开始而是从现成模板开始。加载 Simple Agent 模板点New Flow选择Simple Agent模板画布上会直接出现一套搭好的组件Agent智能体连接着 Chat Input 和 Chat Output旁边挂着 Calculator计算器和 URL网页抓取两个工具。逻辑很直观——你在对话框里提问智能体自己决定调哪个工具再把结果答回来。接下来只需在 Agent 组件里点Setup Provider选好你的大模型提供商、在Language Model下拉框里挑一个模型就可以开跑了。想接入更多模型全局 Models 配置里自带 Ollama 这类本地模型接入也可以直接把其他语言模型组件插到 Agent 的 Language Model 端口上。在 Playground 里逐步调试点右上角的Playground按钮右边会弹出一个对话面板而且能看到智能体每一步的推理过程——它怎么分析提示词、怎么选中工具、工具返回了什么。试试问它帮我算一下 4 加 4 等于几你会看到它选中 Calculator 工具并调用evaluate_expression执行再问它最近有什么新闻它会自动切到 URL 工具的fetch_content去抓网页再总结给你。这种逐步可视化调试比盲改提示词高效太多。搭好后记得导出流程可以随时存成 JSON 文件方便分享、版本管理或者给下一节说的 API 和 MCP 用。把流程变成 API一键暴露给外部应用Langflow 不只是一个画图 IDE它本身也是一个运行时。流程搭好测试通过之后点Share → API access面板会自动生成调用代码连服务器地址和流程 ID 都帮你填好了。本质上你调用的就是/run端点向http://localhost:7860/api/v1/run/你的流程ID发一个 POST 请求JSON 体里带上output_type、input_type和input_value三个字段就行。Langflow 默认开启了鉴权所以需要在请求头带x-api-key——钥匙在界面右上角用户头像 → Settings →Langflow API Keys里创建建议存到环境变量LANGFLOW_API_KEY里。Python、JavaScript、curl 都能调官方文档 docs/docs/API-Reference/ 里备了全套示例。还有个轻量的命令行玩法不想开服务的话可以直接用 LFX CLI 跑导出的流程文件比如uv run lfx run my-flow.json Hello world结果直接打印到终端不需要任何 API Key调试脚本流程特别方便。MCP 工具化让任意客户端都能调用你的流程这是 Langflow 目前最有生态感的特性整个 Langflow 实例自带一个 MCP 服务器你建的每个 Project 会自动挂上去其中带 Chat Output 组件的流程会被自动暴露成 MCP 工具支持 streamable HTTP默认路径/streamable和 SSE 两种传输方式。在 Projects 页面点MCP Server标签或编辑流程时 Share → MCP Server可以看到当前被暴露的所有工具点Edit Tools就能勾选哪些流程参与对外服务。有个实用建议把工具的默认名字默认是流程 ID 这种乱码改成有语义的名称比如document_qa_for_resume并写清楚描述——MCP 客户端就是靠名字和描述来决定什么时候调用你的工具的相当于给智能体看的函数签名加注释。配好之后把它接入任意 MCP 客户端如各类 IDE 智能体插件你的整个工作流就成了对方的一个可调用能力不用为每个工具单独写服务。部署与生态从单机到生产级本地玩熟了之后Langflow 的部署路线按想多省心排序基本覆盖所有常见场景临时公网演示用 ngrok 把本地服务转发出去不碰云厂商就能让同事访问你的流程。Docker 镜像打包把流程文件和依赖一起打进镜像得到一个可移植、可复现的应用换环境直接起容器。远程服务器自托管Docker Caddy 反向代理或 Nginx Lets Encrypt 自动签 HTTPS 证书适合长期跑自己的实例。Kubernetes 生产部署官方给了高可用、可扩展的生产架构和最佳实践。云托管GCP、Hugging Face Spaces 等平台都有对应的部署指南几分钟就能上线。这些方案都能在 docs/docs/Deployment/ 里找到一步步的操作手册。想深入源码的话前端在 src/frontend/后端在 src/backend/LFX 命令行工具在 src/lfx/各厂商组件以 bundle 形式放在 src/bundles/整个项目结构非常清晰官方文档入口在 docs/。总结下来拖拽式画布负责快速搭建Playground 负责看到每一步API 和 MCP 负责无缝接入现有系统——这三层能力叠加就是 Langflow 相比纯代码框架最大的差异化优势。装好它你的第一个智能体工作流半小时内就能上线。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考