📌 项目地址：langflow-ai/langflow | ⭐ 150,588 颗星 | 🔧 Python | 📜 未标注
为什么需要 Langflow？
构建一个能调用 LLM、检索知识库、执行工具的 AI Agent，通常意味着要写大量胶水代码，调试 prompt 和组件间的数据流也相当繁琐。更麻烦的是，非开发人员（产品、运营）很难参与迭代，每次修改都得等开发排期。
Langflow 就是冲着这个痛点来的：它提供可视化画布，通过拖拽组件就能搭建工作流，生成的 Flow 可以直接部署成 REST API 或 MCP Server，融入任何现有系统。同时，每个组件底层都是 Python 代码，开发者可以随意修改，既满足快速原型，又不牺牲灵活度。
三分钟上手：安装与运行
根据 README，推荐使用 uv（Python 包管理器）安装，已支持 Python 3.10–3.14。
# 安装
uv pip install langflow -U
# 启动
uv run langflow run
完成后浏览器访问 http://127.0.0.1:7860，就能看到可视化编辑器界面。如果你不想折腾 Python 环境，官方还提供了 Langflow Desktop（Windows/macOS），下载即用，无需配置。
若从源码运行（贡献者），在仓库根目录执行
make run_cli，详情见 DEVELOPMENT.md。
核心能力：不止于拖拽
🎨 可视化 Builder + 可编程组件
左侧组件库涵盖 LLM（OpenAI、Anthropic、Gemini 等）、向量数据库（Chroma、Pinecone、Weaviate）、数据处理、文本分割、工具调用等。你可以把组件拖到画布上连线，每个组件右侧都有配置面板，支持填写 API Key、温度等参数。
更重要的是，每个组件都可以直接点开查看和修改 Python 源码。这意味着你可以在可视化界面里编写自定义逻辑，而不需要跳出工具写单独脚本。
🧪 交互式 Playground
搭建完 Flow 后，不用另开终端。Langflow 内置 Playground，可以逐步执行每个节点，观察输入输出，调整 prompt 和参数，直到结果满意。这对调试多轮对话或复杂分支流程尤其有用。
🔌 部署成 API 或 MCP Server
你想让这个工作流被其他应用调用？点击 Deploy 就能生成一个 HTTP API 端点，返回 JSON 响应。流程如下：
- 部署为 API：自动创建 RESTful 接口，可以用任何语言的 HTTP 客户端调用。
- 部署为 MCP Server：将 Flow 变成 Model Context Protocol 工具，被 Claude Desktop、Cursor 等 MCP 客户端直接调用。这意味着你可以在 AI IDE 或终端里直接触发 Langflow 工作流。
👁️ 可观测性
内置接入了 LangSmith、LangFuse 等追踪工具，可以监控每次调用的 token 用量、延迟、错误，方便从原型到上线的运维。
和同类工具的区别
市面已有 Flowise、Dify、Botpress 等可视化 AI 工作流工具。Langflow 的差异化在于：
- MCP Server 原生支持：把 Flow 变成 MCP 工具的能力，让 Langflow 能直接被 AI 客户端（如 Claude Desktop）调用，而不只是通过 REST API 集成。
- 组件源码可定制：其他工具多是黑盒组件，Langflow 允许直接修改 Python 逻辑，开发者可以深度控制。
- 纯开源 + 自托管优先：README 明确“completely open source”，部署到自有服务器或云上，数据不出网。
需要注意的点
- Python 版本限制：必须 3.10–3.14，如果系统 Python 版本不对，建议用
uv或 pyenv 管理。 - 推荐使用
uv：传统pip install虽然也能用，但 README 明确推荐uv，因为它更快且能避免依赖冲突。 - 安全策略：项目有独立的
SECURITY.md，部署到公网时务必做好鉴权（Langflow 默认无认证，需要配合反向代理或配置环境变量）。 - 大规模生产：官方文档提到了 Docker 部署和云平台流程，但 README 未详细说明水平扩展能力，高并发场景建议参考 Docker 部署指南 并结合自身架构。
总结
Langflow 的价值在于：它让非开发者能参与 AI 工作流的搭建，同时没有剥夺开发者的控制权。无论是快速验证想法，还是交付可调用的 API/MCP 工具，它都提供了一个低门槛、高天花板的平台。如果你工作需要频繁组装 LLM、向量库、工具链，值得一试。