Langflow 部署使用完全指南与竞品对比

Langflow 是一个 148k star 的开源项目，提供可视化拖拽界面来构建 LLM 应用和 AI Agent。背后是 DataStax（已被 IBM 收购），最近刚发布 1.9 版本。这篇文章从部署、使用到竞品对比，帮你判断它是否适合你的场景。

一、Langflow 是什么

简单说：一个基于 Python 的可视化 AI 应用构建器。它不是框架，也不仅仅是工具，而是介于两者之间——你可以拖拽节点快速搭原型，也能直接改底层 Python 代码做深度定制。

三个核心定位：

1. 可视化开发：拖拽组件连线，所见即所得
2. 源码可改：每个组件都是 Python 类，支持自定义组件
3. API/MCP 即部署：画完流程，API 和 MCP Server 自动生成

技术栈：后端 FastAPI + LangChain 生态，前端 React + React Flow。

和 LangChain 的关系

Langflow 早期是 LangChain 的 GUI 封装，现在已经独立演进，但仍深度使用 LangChain 的组件体系。你可以把它理解成「带 UI 的 LangChain」——不过随着版本迭代，它也加入了自己的组件抽象。

二、部署方式：四种路径

方式 1：Langflow Desktop（最省心）

适合本地探索和学习。Windows 和 macOS 均有客户端，所有依赖已打包，不用折腾 Python 环境。

下载地址：https://www.langflow.org/desktop

适合：新手、本地 demo、不想碰终端的用户。

方式 2：pip / uv 本地安装（推荐给开发者）

需要 Python 3.10–3.13。官方推荐用 uv（更快的 Python 包管理器）。

# 用 uv（推荐）
uv pip install langflow -U
uv run langflow run

# 或者用 pip
pip install langflow -U
python -m langflow run

启动后访问 http://127.0.0.1:7860 即可。

默认使用 SQLite，数据存在 ~/.langflow/ 目录下。

坑位：

• Python 3.13 还在兼容测试，生产建议 3.11 或 3.12
• Windows 用户遇到编译错误先装 Visual C++ Build Tools
• 首次启动会下载大量模型依赖，视网络情况几分钟到几十分钟不等

方式 3：Docker 单容器（最快验证）

docker run -p 7860:7860 langflowai/langflow:latest

30 秒起一个实例，适合快速体验。但数据没持久化，容器重启就丢。

方式 4：Docker Compose + PostgreSQL（生产推荐）

这是真正做生产部署的姿势。带持久化 PostgreSQL，数据不会丢。

git clone https://github.com/langflow-ai/langflow.git
cd langflow/docker_example
docker compose up -d

自定义配置建 .env 文件：

# 数据库凭据
POSTGRES_USER=langflow_user
POSTGRES_PASSWORD=your_strong_password
POSTGRES_DB=langflow

# Langflow 配置
LANGFLOW_DATABASE_URL=postgresql://langflow_user:your_strong_password@postgres:5432/langflow
LANGFLOW_CONFIG_DIR=/app/langflow
LANGFLOW_AUTO_LOGIN=False
LANGFLOW_SUPERUSER=admin
LANGFLOW_SUPERUSER_PASSWORD=admin_password
LANGFLOW_SECRET_KEY=your-random-secret-key

关键环境变量：

方式 5：Kubernetes（企业级）

官方提供 Helm Charts：

helm repo add langflow https://langflow-ai.github.io/langflow-helm-charts
helm install langflow langflow/langflow-runtime \
  --set image.tag=1.9.2 \
  --set postgresql.enabled=true

生产部署的关键点：

• 前端后端分离部署（前端可扔 CDN）
• PostgreSQL 用云托管（RDS/Cloud SQL/Supabase）
• 加 Nginx/Caddy 做 SSL 终结
• 用 Redis 做缓存和 Celery 后端

方式 6：把 Flow 打包成 Docker 镜像（分发用）

你做好的 flow 可以单独打包成一个自包含镜像，给别人直接 docker run：

FROM langflowai/langflow:latest
RUN mkdir /app/flows
COPY ./*.json /app/flows/
ENV LANGFLOW_LOAD_FLOWS_PATH=/app/flows

docker build -t myflow:1.0.0 .
docker run -p 7860:7860 myflow:1.0.0

这个模式适合发布 demo、给客户交付、或者把 flow 当微服务部署到 K8s。

三、核心概念速览

Flow（流程）

Langflow 的顶层抽象。一个 flow = 若干 component（组件）连起来的 DAG。画完一个 flow，就能作为 API 调用或 MCP 工具被外部使用。

Component（组件）

最小单位。每个组件是一个 Python 类，有 input/output 端口。官方内置数百个组件，覆盖：

• Inputs：Chat Input、Text Input、File
• Models：OpenAI、Anthropic、Ollama、Groq、xAI、各类 embedding
• Vector Stores：Astra DB、Pinecone、Chroma、Weaviate、Qdrant、PGVector
• Agents：ReAct、Tool Calling Agent、Autogen、CrewAI
• Tools：Search、Calculator、Python REPL、API Request、MCP Tools
• Memory：Message History、Redis Cache、Astra DB Memory
• Logic：Conditional Router、Loop、Iterator

Playground（调试台）

点右上角「Playground」打开对话界面，可以实时测试 flow。支持单步运行单个组件，排查问题很方便。

API & MCP Server

每个 flow 画完就是一个 HTTP API：

curl -X POST "http://localhost:7860/api/v1/run/<flow_id>?stream=false" \
  -H "Content-Type: application/json" \
  -H "x-api-key: <your_api_key>" \
  -d '{
    "input_value": "Hello",
    "output_type": "chat",
    "input_type": "chat"
  }'

同时可以把 flow 作为 MCP Server 暴露，给 Claude Desktop、Cursor 等 MCP 客户端调用——这是 1.9 版本强化的重点。

四、15 分钟上手实战

场景：搭一个带 RAG 的客服机器人

打开 Langflow，点「New Flow」→「Blank Flow」。

第 1 步：加载文档

拖一个 File 组件，上传 PDF 或 txt。再拖 Split Text 组件，按 chunk 切分。

第 2 步：做向量化

拖 OpenAI Embeddings（或 Ollama Embeddings 走本地），连接到 Chroma / Astra DB 向量库。

第 3 步：检索链路

Chat Input → Chroma Retriever → 拼到 Prompt 模板里。

第 4 步：LLM 生成

Prompt 组件连到 OpenAI（或 Anthropic、Groq、Ollama）模型组件，输出到 Chat Output。

第 5 步：测试

点 Playground，提问就能看到带文档上下文的回答。

第 6 步：导出

右上角「API」按钮，复制 cURL / Python / JS 示例代码，直接嵌进你的应用。

全程 15 分钟，不用写一行 LangChain 代码。

五、高级用法：自定义组件

内置组件不够用时，写一个 Python 组件扔进去：

from langflow.custom import Component
from langflow.io import StrInput, Output
from langflow.schema import Data

class WordCountComponent(Component):
    display_name = "Word Count"
    description = "统计文本词数"
    icon = "text"

    inputs = [
        StrInput(name="text", display_name="Text", required=True),
    ]

    outputs = [
        Output(display_name="Count", name="count", method="count_words"),
    ]

    def count_words(self) -> Data:
        count = len(self.text.split())
        return Data(data={"count": count})

放到 LANGFLOW_COMPONENTS_PATH 指向的目录，重启就能在侧边栏看到。

这点是 Langflow 相比 Dify 的核心优势——你可以任意用 Python 扩展，不用等官方支持。

六、竞品分析

AI 应用可视化构建这个赛道现在非常挤，主要竞品分三类：

类别 1：同类直接竞品（可视化 LLM 工作流）

Dify

和 Langflow 比：

• Dify 更偏向应用平台：一站式，上传文档→建知识库→发布对话式应用，非技术人员友好
• Langflow 更偏向开发框架：灵活度高，可以写 Python 深度改造
• Dify 的 License 有商用限制（多租户 SaaS 需要授权），Langflow 是纯 MIT
• Dify 的数据分析、成本统计、用户管理更完善；Langflow 在这些运营层面薄一些

选 Dify：要快速搭对话产品上线、团队非技术主导、对商用限制不敏感。
选 Langflow：要嵌入自家应用做 AI 能力层、需要深度定制、重视 Python 生态兼容。

Flowise

和 Langflow 比：

• Flowise 基于 LangchainJS，组件库比 Langflow 小
• TypeScript 技术栈的团队用它更顺手
• Langflow 的组件丰富度、企业级特性（RBAC、审计日志）更强

选 Flowise：纯 Node 技术栈团队、对性能没极端要求。

n8n

和 Langflow 比：

• n8n 本质是 Zapier/Make 的开源版，AI 只是它的一个场景
• 集成深度（Slack、Salesforce、Jira 等）远超 Langflow
• AI 相关的原生组件（特别是 agent、RAG）弱于 Langflow

选 n8n：要做「邮件→提取数据→写入 CRM→通知 Slack」这类 AI + 业务系统编排。
选 Langflow：做纯 AI 应用（chatbot、RAG、Agent）。

类别 2：代码框架（非可视化）

LangChain / LangGraph

• LangChain 是组件库，LangGraph 是状态机编排框架
• 完全代码优先，学习曲线陡，但灵活度最高
• Langflow 底层大量使用 LangChain

选 LangChain/LangGraph：代码能力强的团队、复杂的多 Agent 编排（human-in-the-loop、长期记忆）。
选 Langflow：需要快速原型、需要给产品经理和业务方演示、对 UI 调试依赖度高。

CrewAI

• 基于「角色扮演」，定义 researcher、writer、reviewer 等角色协作
• API 简洁，20 分钟起一个多 Agent 系统
• 纯代码，没 GUI

和 Langflow 比：

• CrewAI 解决「多 Agent 协作」一个问题
• Langflow 覆盖「单 Agent + RAG + 工作流」更广的范围
• 可以组合：Langflow 里的 CrewAI 组件就是把 CrewAI 封装成了节点

类别 3：企业级平台

LangSmith / LangGraph Platform

• LangChain 官方的商业产品
• 偏重可观测性、评估、prompt 管理
• 付费，但有免费档

Langflow 没有 LangSmith 这类深度的评估体系，但可以集成 LangSmith 做观测。

Coze / 百炼 / 千帆 AppBuilder

国内大厂的托管平台：

• 优势：零部署，国内网络可达，集成本家 LLM
• 劣势：绑死生态、不开源、不能私有化

Langflow 的优势是完全开源 + MIT 协议 + 自主部署，数据不出域。

一张表对比

*Dify 有商用限制

七、Langflow 的优势与局限

优势

1. Python 生态兼容最好：底层就是 LangChain，pip 里的库基本都能接
2. MIT 协议纯净：商用零顾虑
3. 组件可直接改代码：界面上点「Code」就能编辑 Python 源码
4. API / MCP 双暴露：flow 既是 API 又是 MCP Server
5. Star 数 148k：社区活跃，组件更新快

局限

1. 性能不是强项：本质是画布驱动，大流量场景比手写 FastAPI 慢
2. 协作和版本管理弱：flow 存在数据库里，不像代码那样 Git diff 友好
3. 前端有时候卡：复杂 flow 在浏览器里拖拽会明显延迟
4. 企业特性成熟度不如 Dify：RBAC、审计、成本统计等仍在补齐
5. 文档更新滞后：1.x 版本迭代快，老教程经常失效

八、选型建议

直接用 Langflow 的场景：

• 团队用 Python，要深度改组件
• 做 AI 能力后端（给 App/Web 提供 API）
• 不想被 SaaS 绑架，要完全开源自托管
• 预算有限，希望快速验证 AI 想法

换 Dify 的场景：

• 要直接给终端用户用（chat UI）
• 团队不全是工程师，有产品/运营参与建 flow
• 需要完整的知识库管理和数据分析

换 LangGraph / CrewAI 的场景：

• 流程复杂到用画布表达反而费劲
• 需要精细的状态控制、循环、回溯
• 团队代码能力强，更习惯写代码

换 n8n 的场景：

• AI 只是自动化管道的一环
• 要对接大量 SaaS 系统
• 需要定时任务、webhook 触发

九、生产部署 checklist

如果决定用 Langflow 上生产，这些必做：

• 用 Docker Compose 或 K8s，禁止 docker run 单容器
• PostgreSQL 放托管服务（RDS/Cloud SQL），不要自建
• LANGFLOW_SECRET_KEY 必须设置且定期轮换
• 关闭 LANGFLOW_AUTO_LOGIN，强制登录
• 前面加 Nginx/Caddy 做 HTTPS 和限流
• API Key 按 flow 隔离，最小权限
• 开启 LangSmith 或 Langfuse 做 trace 和成本监控
• 定期备份数据库（flow JSON、用户、配置全在里面）
• 监控 OpenAI/Anthropic 等 API 调用成本，设预算告警
• 组件代码修改走 CI，别在 UI 里直接改（不可 diff、不可回溯）

总结

Langflow 在「可视化 + Python 可改」这个结合点上做得比较好，适合有工程能力但想加速原型的团队。如果你正在选型：

• 入门和学习：直接下 Desktop 版玩一周
• 个人项目或 PoC：uv pip install 最快
• 团队共享：Docker Compose + Postgres
• 生产：K8s + Helm + 托管数据库

和 Dify 不是替代关系，是风格差异——Dify 更像 SaaS 平台，Langflow 更像 SDK + UI。选哪个取决于你团队的能力画像和对「自主可控」的敏感度。

参考资源：

• 官方仓库：https://github.com/langflow-ai/langflow
• 官方文档：https://docs.langflow.org/
• Desktop 下载：https://www.langflow.org/desktop
• Helm Charts：https://github.com/langflow-ai/langflow-helm-charts