拖拽即生产：Langflow 如何让 AI 工作流开发从手工作坊走向流水线

你的 AI 工作流，是不是也卡在这三个字上？

“写代码。”

搭一个 RAG 流水线，要调 LangChain、接向量库、配 Prompt、部署 API……全流程下来，一个能跑的系统可能得好几天。开发者圈子里这句话流传很广：“我不是在写 AI 应用，我是在给 AI 写胶水。”

Langflow 做的事，就是把这层胶水变成拖拽。

拖出来的 AI 应用，能跑生产级

Langflow 是一个开源低代码平台，用拖拽式界面构建 AI Agent 和 RAG 流水线。它本质上是一个可视化编排工具——左边拖组件，右边连连线，点一下运行，看看效果，不满意再调。

听起来像一个玩具？

还真不是。现在 GitHub 上 142k+ stars、8k+ forks，被 IBM 收购后依然保持 MIT 开源协议。你可以在上面搭：

• 多步骤 RAG 对话系统
• 带记忆的 Agent 循环
• 多模型路由工作流
• 对外暴露的 REST API 或 MCP Server

换句话说：你在代码里折腾半天能搭出来的东西，Langflow 给你一个画布让你画出来，然后一键导出成生产可用的接口。

支持 20+ 模型，本地到云端全覆盖

这是 Langflow 真正硬核的地方。它不挑模型：

• 云端模型：OpenAI GPT 系列、Anthropic Claude、Google Gemini、Cohere……
• 本地模型：通过 Ollama 直接跑，支持 Llama、Mistral 等开源模型
• 向量存储：Pinecone、Weaviate、Chroma、FAISS……主流的基本都有
• 观测平台：LangSmith、LangFuse、阿里云 OpenTelemetry……生产监控也不落下

组件全部是 Python 写的，可以点进去改源码，也可以自己写新的组件——这是它比一般无代码平台强的地方：上限没有被锁死。

导出 MCP Server，这功能今年爆了

今年 MCP（Model Context Protocol）概念大热，Langflow 早在 v1.7 就原生支持把任意工作流导出成 MCP Server。

意味着你画的这个 RAG 流程，直接变成一个工具，被任何支持 MCP 的 Agent（Claude Desktop、Cursor、Windsurf……）调用。

这就是 Langflow 厉害的地方：它不只是一个可视化编辑器，是一个可以嵌入到整个 Agent 生态的生产级模块。

谁在用？用在哪？

根据官方数据，已有 1500+ 项目在生产环境使用 Langflow。用户画像大概分三类：

1. AI 应用开发者：快速验证想法，不用从 0 搭基础设施
2. 数据/产品团队：不需要写代码也能参与 AI 流程设计
3. 企业：需要统一管理 AI 能力出口，用 Langflow 做中台

最近它还出了 Desktop 版（macOS/Windows），本地跑不用折腾 Docker。

怎么上手？

最简单的方式（Python 环境）：

uv pip install langflow
uv run langflow run

然后浏览器打开 http://127.0.0.1:7860，开拖。

或者直接用 Docker：

docker run -p 7860:7860 langflowai/langflow

官方文档写得很清楚，官方文档 有 Quickstart 引导，Discord 社区也很活跃，遇到问题基本 24 小时内有人回应。

说到底，Langflow 解决的是一个很朴素的问题：让 AI 工程变得可视化、可复用、可运维。在 Agent 生态大爆发的 2025–2026 年，这个定位卡得刚刚好。

如果你还在用手写的方式搭 AI 工作流，建议花半小时体验一下 Langflow——也许你搭出来的第一个流程，就能直接跑在生产环境里。

GitHub：https://github.com/langflow-ai/langflow

GitHub: https://github.com/langflow-ai/langflow