说起来有点不好意思——我折腾 Langflow 的起因，是被一段报错信息逼疯了。
当时在给自己的小项目搭 RAG（检索增强生成）流程，LangChain 的链式调用写了几百行，调试的时候一个参数写错，整条链就原地爆炸。那天晚上我对着屏幕发了很久的呆，心想：有没有一种工具，能让我像搭积木一样把 RAG 流程拼出来，不用记那些绕来绕去的 API？
然后我就刷到了 Langflow。
今天这篇文章，我把自己的调研结果和实操踩坑全部摊开来讲，目标是让你看完就知道 Langflow 适不适合你、值不值得投入时间。
Langflow 是一个可视化 AI 流程编排工具，核心用途是通过拖拽组件的方式构建 AI 工作流，最后可以导出为 API 调用或者 MCP 服务器。
简单理解：它给你的 LangChain 链提供了一个 GUI 前端。
项目地址是 github.com/langflow-ai/langflow，当前版本 v1.9.2（两周前刚发），MIT 协议，完全开源。
先看几个硬数据：
| 指标 | 数值 |
|---|---|
| GitHub Star | 148k |
| Fork | 9k |
| Issues / PRs | 927 / 668 |
| 编程语言 | Python |
| 项目创建时间 | 2023 年 2 月 |
| Commits 总数 | 17,674 |
| Python 版本要求 | 3.10 ~ 3.13 |
这个 Star 数在 AI 编排工具赛道里是妥妥的头部玩家，比很多知名开源项目都高。
Langflow 并不是一诞生就叫这个名字的。
最早的版本叫 VizQM（Visual Query Manager），是一个数据查询可视化工具。团队在做的过程中发现，开发者对"用图形界面拼 AI 流程"这件事有很强的需求，于是逐渐把方向转向了 LLM 应用编排。
几次改名后确定为 Langflow，定位也正式锁定在"AI-powered agents and workflows"这个赛道。
目前项目由 7 位核心维护者 共同管理（可见 pyproject.toml）：
- Carlos Coelho、Gabriel Almeida、Rodrigo Nader（langflow.org 团队）
- Cristhian Zanforlin、Lucas Eduoli、Otávio Nader
- Italo dos Anjos
项目使用 uv 作为包管理器（Astral 出品的 Python 工具），前端基于 React Flow（这也解释了为什么它的节点图用起来手感很顺滑）。
Langflow 本身不造 AI 能力，它扮演的是编排层的角色——底层调用 LangChain，LangChain 再对接具体的 LLM Provider（OpenAI、Anthropic、Google 等）。
1. 桌面版（Langflow Desktop）
适合 Windows/macOS 用户，直接下载安装包，所有依赖打包好了，不用配 Python 环境。
下载地址：langflow.org/desktop
2. 命令行版
推荐用 uv 安装（项目明确推荐 uv，pip 次选）：
# 安装
uv pip install langflow -U
# 启动
uv run langflow run
启动后访问 http://127.0.0.1:7860，熟悉的拖拽界面就出来了。
# 克隆仓库
git clone https://github.com/langflow-ai/langflow.git
cd langflow
# 初始化环境（安装前后端依赖 + pre-commit）
make init
# 直接运行
make run_cli
项目要求 Node.js v22.12 LTS + npm 10.9，Python >= 3.10 且 < 3.14。Windows 用户推荐用 WSL2 或者 Dev Container。
RAG（检索增强生成）三件套：文档加载 → 分块 → 向量存储 → 检索 → 生成。
在 Langflow 里，每一步都有对应组件：
| RAG 环节 | Langflow 组件 |
|---|---|
| 文档加载 | PDF Loader、Text Loader、Web Loader |
| 分块 | Recursive Character Text Splitter |
| 向量存储 | Chroma、Pinecone、FAISS、Milvus |
| 检索 | Vector Store Retriever |
| 生成 | OpenAI / Anthropic / Google 等 LLM |
| 链拼接 | Retrieval QA Chain |
我在 Langflow 里依次拖入：
整条链连起来之后，界面大概是这样的：
[截图占位：Langflow 画布上的完整 RAG 流程]
在 Langflow 里点击 "API" 标签，它会为你的流程生成一个 REST endpoint。我试了一下 curl 调用：
curl -X POST http://127.0.0.1:7860/api/v1/run/rag_flow -H "Content-Type: application/json" -d '{"input_value": "Langflow 支持哪些向量数据库？", "session_id": "test-session"}'
返回了基于我上传文档的答案，延迟大概 2-3 秒（本地部署 + GPT-4o）。
这个是我觉得最实用的功能——你的 RAG 流程可以直接暴露为 MCP server，然后被任何 MCP 客户端调用：
langflow run --mcp-server
在 Cursor 或者任何支持 MCP 的 IDE 里配置好之后，你就能用自然语言查询你上传的文档了，等于把文档变成了一个可以聊天的知识库。
问题：直接 pip install langflow 提示 Python 版本冲突，或者缺少某些 C 依赖。
原因：Langflow 依赖链比较深，有些组件（如 onnxruntime）对平台有要求。
解决方法：用 uv pip install langflow -U，uv 的依赖解析比 pip 强很多。Windows 用户直接用 Desktop 版最省心。
问题：本地用 Chroma 建了向量库，关掉后重新打开，数据没了。
原因：Chroma 默认用内存模式，需要手动指定 persist_directory。
解决方法：在 Chroma 组件设置里，填上 persist_directory 为本地路径，比如 ./chroma_db。这样每次启动会自动加载已有数据。
问题：早期我设的 chunk_size=1000，结果问一些短问题经常答非所问。
原因：过大的分块会引入过多无关上下文，检索时噪音大；过小又会切断语义。
解决方法：针对问答场景，chunk_size=500，overlap=50 是一个相对稳健的起点。重要文档建议多做几次实验调整。
问题：有时候 RAG 回答会带上"根据提供的文档"这类前缀，有时候不会，不同学家的模型表现不一致。
原因：LangChain 的输出解析器默认行为不一致。
解决方法：在 QA Chain 后加一个 Output Parser 组件做格式约束，保证输出结构化。
问题：通过 API 调用时，中文 query 偶尔出现乱码或者编码错误。
原因：Langflow API 的 JSON 处理在某些版本对 unicode 支持不一致。
解决方法：请求头里明确加 Content-Type: application/json; charset=utf-8，确保发送前对中文做 URL encode。
| 对比项 | Langflow | Dify | Flowise |
|---|---|---|---|
| Star 数 | 148k | ~65k | ~35k |
| 编程语言 | Python | Node.js | Node.js |
| 前端技术 | React Flow | React | React Flow |
| LLM 框架 | LangChain | 自研 | LangChain/LangGraph |
| API 导出 | ✅ REST | ✅ REST | ✅ REST |
| MCP 支持 | ✅ | ✅ | ✅ |
| 桌面版 | ✅ Windows/macOS | ❌ | ❌ |
| 中文社区 | 一般 | 活跃 | 一般 |
| 学习曲线 | 中等 | 较低 | 较低 |
我的判断：
- 如果你主要用 Python，团队有 LangChain 背景，选 Langflow
- 如果你更在意开箱即用和中文社区，选 Dify
- 如果你想要轻量级、部署简单，Flowise 也不错
适合的场景：
- 对 LangChain 有一定了解，想用 GUI 加速原型验证
- 需要给非技术同事提供 AI 流程配置界面
- 需要快速把 RAG 对话能力集成到现有系统
- 想把 AI 流程发布为 MCP 服务，供多个客户端复用
不太适合的场景：
- 追求极致性能的生产级 RAG 系统（专用优化更高效）
- 完全不想接触代码的同学（配置项较多，GUI 也有学习成本）
- 需要复杂的多 Agent 协作和状态管理（这这块 LangGraph 更成熟）
Langflow 148k Star 不是吹出来的，它的可视化和导出能力确实能大幅提升 AI 流程的搭建效率。特别是把流程发布为 MCP 服务器这个功能，我用下来觉得是真正的亮点——一次配置，多个客户端复用。
但它也不是银弹。LangChain 的底层能力在那里，Langflow 只是给你提供了一个更友好的界面。如果你想做非常精细的流程控制，原生写 LangChain 代码仍然更灵活。
你在用 Langflow 吗？搭过什么有意思的流程？踩过什么坑？评论区聊聊。
💬 评论区