Langflow

为什么需要

出海做 AI 产品，从 prompt 到生产部署要处理多步编排、知识库检索、多 Agent 协作，自己用 LangChain 写代码量大。Langflow 提供可视化编排界面，拖拽节点搭建 AI 工作流，每个节点都能展开看源码（Python），既能快速原型又能深度定制。Dify 偏企业级、Langflow 偏开发者灵活。

最实用的能力是「MCP 服务器导出」——把可视化搭建的 flow 一键导出为 MCP 服务器，Claude Code、Cursor 这些 Agent 直接当工具调用。可视化编排 + 自定义代码 + MCP 输出，三位一体。

怎么用

Docker 一键启动：

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

或 Python 安装：

uv pip install langflow
uv run langflow run

打开 http://localhost:7860，可视化编辑器拖拽节点：

1. 添加 Input 节点（用户输入）
2. 添加 Prompt 节点（写 system + user prompt）
3. 添加 LLM 节点（选 OpenAI/Anthropic/Ollama）
4. 添加 Output 节点（返回结果）
5. 连起来，点 Playground 测试

任何 Python 组件都可以在可视化节点里直接编辑源码。

核心特性

• 可视化搭建 — 拖拽节点连边，复杂多 Agent 流一目了然
• 源码开放 — 每个组件是 Python 文件，可自定义逻辑
• 多 LLM 支持 — OpenAI、Anthropic、Google、Ollama、Azure 等所有主流 LLM
• MCP 服务器导出 — 把 flow 一键变成 MCP 工具，Agent 直接调用
• REST API 部署 — flow 自动暴露为 API endpoint
• 多 Agent 编排 — 内置 conversation management + retrieval
• 可观测性 — LangSmith、LangFuse 集成

使用案例

出海做 SaaS 客服系统，需要多 Agent 协作：分类 Agent 识别用户问题类型 → 检索 Agent 查知识库 → 回复 Agent 生成答案。Langflow 画完流程图后一键导出 MCP 服务器，Claude Code 通过 MCP 调用整套流程，原本要写 3 个 Python 服务 + 中间件，Langflow 30 分钟配完。

注意事项

• MIT 协议开源，可商用
• Docker 启动至少 2C4G 起步，复杂 flow 资源占用更高
• 自定义 Python 组件要会 Python 基础
• 与 Dify 对比：Dify 偏企业开箱即用，Langflow 偏开发者灵活定制
• 与 n8n 对比：n8n 是通用工作流自动化，Langflow 专攻 AI 工作流