本文介绍了开源AI开发工具LangFlow的快速入门方法。LangFlow作为可视化框架，支持通过拖拽组件构建多智能体及RAG应用，兼容主流大语言模型与向量数据库。文章从环境搭建、核心功能到实战案例逐步讲解，演示如何利用其可视化界面创建智能聊天机器人，为开发者提供低门槛实现AI应用的完整路径。
Langflow 简介
Langflow 是一个用于构建多智能体和 RAG 应用程序的新颖可视化框架。它是开源的，基于 Python，完全可定制，并且与大型语言模型和向量存储无关。
其直观的界面使得对 AI 构建模块的轻松操作成为可能，使开发人员能够快速制作原型，并将他们的想法转化为强大的、现实世界的解决方案。
Langflow 凭借其用户友好的界面和强大的功能，使开发人员能够快速制作原型并构建 AI 应用程序。无论您是经验丰富的 AI 开发人员还是刚刚起步，Langflow 都提供了将您的 AI 想法变为现实所需的工具。
可视化构建器
Langflow 是一个直观的可视化流程构建器。这种拖放式界面让开发人员无需编写大量代码即可创建复杂的 AI 工作流。您可以轻松连接不同的组件，例如提示、语言模型和数据源，以构建复杂的 AI 应用程序。
典型应用场景
Langflow可用于广泛的人工智能应用，包括：
- 制作智能聊天机器人
- 建立文档分析系统
- 生成引人注目的内容
- 编排多代理应用程序
环境准备与安装
安装uv
uv是一个非常快的Python包和项目管理器，用Rust编写。uv提供了一个独立的安装程序来下载和安装Uv：
macOs 或 linux
curl -LsSf https://astral.sh/uv/install.sh | sh
使用wget：
wget -qO- https://astral.sh/uv/install.sh | sh
创建虚拟环境
新建目录，进入目录，如langflow。不指定虚拟环境名称，则创建.venv虚拟环境：
uv venv
也可以指定名称或python版本：
uv venv my-name
uv venv --python 3.11
安装LangFlow
官方推荐使用uv在本地安装Langflow。
uv pip install langflow
启动LangFlow
uv run langflow run
在浏览器中访问http://127.0.0.1:7860，确认启动了本地Langflow实例。现在，Langflow正在运行，按照快速入门创建第一个示例应用。
入门AI应用示例
通过构建基于openai的聊天机器人应用程序来了解Langflow。在构造了聊天机器人之后，添加检索增强生成（Retrieval Augmented Generation， RAG）来与您自己的数据进行聊天。当然要先准备Deepseek API key。
打开Langflow并启动一个新项目
- 在Langflow仪表板中单击New Flow，然后选择Blank Flow。将打开一个空白工作区，您可以在其中构建流。
- 选择“基本提示”。
- 基本提示流创建完成。
构建基本提示词流程
要构建基本提示流程，请按照以下步骤操作：
- 点击“输入”，选择“聊天输入”组件，然后将其拖到画布上。聊天输入组件用于接收用户在聊天中的输入。
- 点击“提示”，选择“提示”组件，然后将其拖到画布上。“提示”组件将用户输入与用户定义的提示相结合。
- 点击“输出”，选择“聊天输出”组件，然后将其拖到画布上。聊天输出组件会将流程的输出打印到聊天中。
- 点击“模型”，选择“Deepseek”组件，然后将其拖到画布上。Deepseek 模型组件会将用户输入和提示发送到 DeepseekAPI，并接收响应。
您现在应该有一个如下所示的流程：
由于这些组件之间没有连接，它们之间不会相互作用。您希望数据从聊天输入端口流向聊天输出端口，通过组件之间的连接实现这种流动。每个组件在其左侧接受输入，在右侧发送输出。鼠标悬停在连接端口上可查看该组件所接受的数据类型。有关组件输入和输出的更多信息，请参阅“组件概述”。
- 要将 Chat Input 组件与 OpenAI 模型组件相连接，请点击并拖动一条线，从蓝色的 Message 端口拖到 OpenAI 模型组件的 Input 端口。
- 要将 Prompt 组件与 Deepseek 模型组件相连接，请点击并拖动一条线，从蓝色的 Prompt Message 端口拖到 Deepseek模型组件的 System Message 端口。
- 要将 Deepseek 模型组件与聊天输出组件相连接，请点击并拖动一条线，从蓝色的“文本”端口拖到聊天输出组件的“文本”端口。
您的基本提示流程完成后的样子应该是这样的：
运行基本提示流程
将您的 Deepseek API 密钥添加到 Deepseek 模型组件中，并在提示组件中添加提示，以指示模型如何做出回应。
- 将您的凭证添加至 Deepseek 组件中。完成这些字段内容的最快方法是使用 Langflow 的全局变量。
- 在 Deepseek 组件的 Deepseek API 密钥字段中，点击地球按钮，然后点击添加新变量。或者，点击右上角的您的用户名，然后点击设置、全局变量，最后点击添加新变量。
- 为您的变量命名。将您的 Deepseek API 密钥（sk-…）粘贴到“值”字段中。
- 在“应用到字段”字段中，选择“OpenAI API 密钥”字段，以便将此变量应用于所有 OpenAI 嵌入组件。
-
若要在 Prompt 组件中添加提示信息，请点击模板字段，然后输入您的提示内容。该提示会引导机器人对输入做出回应。如果您不确定该如何操作，可以这样回答：回答用户时就好像您是精通生成式人工智能的专家一样，满怀热情地帮助他们开始构建全新的事物。
-
点击“Playground”以开启聊天会话。
-
输入查询内容，然后确保机器人根据您在“提示”组件中设置的提示做出回应。
您已成功在 Langflow 工作区中使用 OpenAI 创建了一个聊天机器人应用程序。
最后总结
- LangFlow核心特性
- 可视化编程：通过拖放组件（如提示、模型、数据源）构建AI工作流，无需大量编码。
- 灵活性与扩展性：支持多种大语言模型（如Deepseek）、自定义数据源，适配不同业务需求。
- 多场景适用：适用于聊天机器人、文档分析、内容生成及多智能体协作等任务。
- 环境配置与安装
- 依赖工具
uv（Rust编写的Python管理器），通过脚本一键安装。 - 使用命令行创建虚拟环境并安装LangFlow，启动后可通过浏览器访问本地实例（
http://127.0.0.1:7860）。
- 依赖工具
- 实战示例：构建AI聊天机器人
- 流程设计：依次添加“聊天输入”“提示”“Deepseek模型”“聊天输出”组件，通过连线定义数据流向。
- 配置关键参数：
- 设置Deepseek API密钥（通过全局变量管理，便于复用）。
- 自定义提示模板，规范模型回复风格（如以专家身份提供帮助）。
- 运行与测试：在Playground中输入查询，验证模型基于提示词流程的响应。
- 价值体现
- 降低AI开发门槛，加速从概念到原型的转化。
- 提供统一平台整合复杂AI模块，提升开发效率与可维护性。
结论：LangFlow凭借其可视化能力和灵活性，成为开发者探索AI应用的理想工具，尤其适合快速验证创意或部署轻量级解决方案。
