什么是 LangFlow？

LangFlow 用于在低代码或无代码可视化图形用户界面 (GUI) 中设计、构建和测试 AI 智能体与智能体式工作流。用户可以通过连接大语言模型、工具、API、向量数据库和数据源等模块化组件构建 AI 应用，组件之间的连接关系决定了数据、提示和模型输出在工作流中的流转路径。

若要构建用于客户服务自动化的智能体式 AI 聊天机器人应用，用户可先将聊天界面连接至大语言模型 (LLM)。此外，用户还可将大语言模型连接至公司内部的矢量数据库，以构建检索增强生成 (RAG) 系统，使模型能够查询包括客户订单历史在内的内部数据。

LLM 可以通过 API 密钥访问工具，这些密钥也可以作为模块化组件放入 AI 工作流中。为完成该智能体式应用的构建，需将大语言模型连接至第二个聊天组件，从而通过聊天界面向用户返回最终输出结果。

LangFlow 的核心价值在于其低代码可视化开发体验、模块化组件和灵活的 AI 集成能力，主要特性包括：

• 低代码可视化开发界面
• 大语言模型与 AI 工具集成
• 模块化组件库
• 可导出和复用的工作流
• 开放源代码
• AI 智能体与 RAG 应用开发
• 自定义 Python 组件

LangFlow 的易用性主要来自其模块化的拖放式可视化开发界面。用户可以通过连接大语言模型、提示、工具、API、向量数据库和数据源等组件，构建 AI 智能体、RAG 应用与智能体式工作流。

LangFlow 将复杂的 AI 应用开发过程转化为直观的可视化流程图，并通过组件之间的连接线展示数据、提示和模型输出在 AI 工作流中的流转路径。初学者可以通过添加和连接预构建组件简化 AI 编排；具有 Python 开发经验的用户则可以创建自定义组件，扩展 LangFlow 的功能。

作为无代码应用的范例，LangFlow 允许用户通过简单的滑块工具，为所选大语言模型执行有限的超参数微调。用户可通过左右轻推滑块，快速调整控制大语言模型输出随机性的超参数：温度 (Temperature)。

LangFlow 的使用方式不同于即兴编码 (vibe coding）。即兴编码通常是指用户通过自然语言指令描述需求，再由大语言模型生成相应代码。

LangFlow 主要采用可视化、模块化的方式构建 AI 应用。用户需要根据目标设计工作流，并连接预构建的模型、工具、数据源和其他组件，而不是完全依赖大语言模型生成应用代码。

对于更高级的 AI 开发需求，用户仍然可以使用 Python 创建自定义组件，扩展 LangFlow 的功能，并构建更复杂的 AI 智能体、智能体式自动化和多智能体工作流。

LangFlow 提供广泛的大语言模型、AI 工具、API、向量数据库和数据源集成能力，可用于构建灵活的 AI 智能体与智能体式工作流。并且像其母框架 LangChain 一样，涵盖相同范围的 API、矢量数据库及其他连接选项。用户可以根据应用需求连接不同的模型、工具、数据库和第三方服务，并通过模块化组件控制数据在 AI 工作流中的处理方式。

LangFlow 同样支持大语言模型链式调用，允许用户在单一工作流中按顺序连接多个模型和处理步骤。链式调用不同于多智能体编排。在多智能体系统中，多个 AI 智能体可以分别使用不同的大语言模型、工具或数据源，并相互协作完成共享任务。

LangFlow 的模块化设计既支持大语言模型链式调用，也支持 AI 智能体和多智能体工作流的可视化编排。

LangChain 是一个基于代码的开源 AI 应用开发框架，为开发者提供构建大语言模型应用、RAG 系统和 AI 智能体所需的组件与接口。

LangFlow 是一款低代码可视化 AI 开发工具，用户可以通过拖放和连接模块化组件，快速构建与测试大语言模型应用、AI 智能体、RAG 应用和智能体式工作流。

LangFlow 最初基于 LangChain 构建，目前仍支持与 LangChain 及其他模型、工具、数据库和 AI 服务集成。两者的主要区别在于，LangChain 更适合希望通过代码精细控制 AI 应用的开发者，而 LangFlow 更侧重可视化开发、快速原型设计和工作流编排。

LangFlow 组件库包含用户可以添加到 AI 智能体和智能体式工作流中的模块化组件，例如 OpenAI 的 GPT 系系列、Meta 的 Llama 等大语言模型（LLM），以及聊天输入与输出、提示、工具、API、向量数据库、计算器和网页浏览器等组件。

用户可以通过拖放和连接这些组件，以可视化方式构建 AI 智能体、RAG 应用和自动化工作流。LangFlow 将组件分为两类：

• 构成大多数 LangFlow 项目基础的核心组件。
• 支持特定第三方模型、工具和服务集成的服务提供商组件包。

LangFlow 项目可以将智能体式工作流导出为 JSON 文件。用户可以导出并共享工作流，其他用户则可以将其导入自己的 LangFlow 实例中，进行测试、修改和重复使用。

可导出的 LangFlow 工作流有助于团队复用 AI 应用设计、共享智能体开发成果并开展协作，从而简化 AI 应用的原型设计和开发流程。

LangFlow 是一款开源的低代码 AI 开发工具，其源代码可供用户查看、贡献和修改。开源模式可以提高 LangFlow 的开发透明度，并允许开发者根据 AI 智能体、RAG 应用和智能体式工作流的具体需求扩展平台功能。

需要注意的是，使用 LangFlow 并不意味着用户能够查看与其集成的闭源大语言模型或第三方组件的内部机制。这些模型和组件仍受各自的许可证、访问权限及服务条款约束。

凭借低代码可视化界面、模块化组件与广泛的模型和数据集成能力，LangFlow 可帮助用户快速设计、测试和部署 AI 智能体、RAG 应用及智能体式工作流。LangFlow 的主要应用场景包括：

• AI 应用快速原型设计
• AI 智能体开发
• RAG 应用开发
• 客户服务自动化
• 多智能体工作流编排

LangFlow 的拖放式图形用户界面（GUI）适合用于AI 应用和智能体式工作流的快速原型设计。用户可以利用模块化组件构建可视化工作流，连接大语言模型、工具、API 和数据源，并与团队成员共享、测试和迭代设计。

通过与 Hugging Face 等工具集成，用户还可以快速展示和验证机器学习模型及 AI 应用原型。

LangFlow 的核心应用场景之一是低代码 AI 智能体开发。通过 LangFlow 组件库，用户可以连接大语言模型（LLM）、工具、API、数据库和其他数据源，使 AI 智能体能够访问完成任务所需的信息与功能。

用户还可以按顺序连接多个大语言模型、构建智能体式工作流，或编排由多个 AI 智能体协作执行任务的多智能体系统。

借助聊天界面、嵌入模型和向量数据库等组件，LangFlow 可以帮助用户以可视化方式构建检索增强生成（RAG）应用。

在典型的 RAG 工作流中，用户的自然语言查询会被转换为向量嵌入，检索系统利用该向量查询连接的向量数据库，并查找与问题相关的信息。随后，大语言模型（LLM）将检索结果与用户提示相结合，生成基于相关数据和上下文的自然语言回答。

向量数据库可以包含与 RAG 应用场景相关的企业数据。例如，用于新员工入职的 RAG 系统可以检索培训资料、公司政策和内部知识库，帮助大语言模型生成与企业信息相关的回答。

LangFlow 可用于构建客户服务 AI 智能体和 RAG 聊天机器人，帮助企业自动回答常见问题、检索订单历史和产品信息，并提供基于企业数据的客户支持。

客户首先通过聊天界面提交自然语言查询。AI 智能体可以从向量数据库、企业知识库或其他连接的数据源中检索相关信息，再由大语言模型生成回答。如果问题过于复杂，或者需要人工判断，工作流还可以将对话转交给人工客服。

使用 LangFlow 构建客户服务聊天机器人通常需要以下组件：

1. 聊天输入组件：接收客户输入的自然语言查询。
2. 嵌入模型组件：将用户查询转换为用于语义搜索的向量嵌入。
3. 向量数据库：存储企业知识、产品信息和其他业务数据，并检索与查询相关的内容。
4. 大语言模型（LLM）：将检索到的信息与客户查询相结合，生成自然语言回答。
5. 聊天输出组件：通过聊天界面将生成的回答返回给用户。