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 GBWindows / 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 KeyOpenAI 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 FlowLangflow 自动生成 APIimport 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, jsonpayload, 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 LLMOllama如果你想完全离线运行、不依赖 OpenAI APILangflow 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 MCPModel 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。