什么是 LangFlow？

LangFlow 用于在低代码或无代码图形用户界面 (GUI) 中创建智能体式 AI 应用程序。用户通过连接组件来构建应用，这些连接关系决定了数据在应用中的流转路径。

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) </a>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 的核心价值源于其用户友好的核心特性与功能，主要包括：

• 低代码或无代码可视化界面

• 广泛的集成

• 组件库

• 可出口流量

• 开放式源代码

LangFlow 的易用性在很大程度上归功于其呈现方式。用户可以通过模块化的拖拽式可视化界面构建 AI 应用。机器学习 (ML) 流程的每个组件按顺序排列，并根据 AI 工作流的需要与其他组件相连。

可视化界面将复杂的编码项目转化为直观的流程图，并配有连接线，用于指示数据在人工智能 (AI) 系统中的流动。初学者可以使用 LangFlow 通过根据需要添加各种模型、组件和数据源来简化 AI 编排。同时，具有 Python 经验的用户可以在 LangFlow 内构建自定义组件。

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，后者是指用户通过自然语言指令让大语言模型生成代码。用户告诉 LLM 代码应该做什么，并依靠 LLM 生成实际的代码。

LangFlow 要求用户构建自己想要的 AI 应用，并用预制的模块化组件取代了手写代码的需求。用户仍然可以使用代码创建自定义组件，以实现更高级的智能体式自动化。

LangFlow 因其丰富的集成选项而提供了极大的灵活性。LangFlow 支持与众多机器学习框架的集成，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。

LangFlow 同样支持 LLM 链式调用，该功能允许在单一管道中按序连接多个模型。链式调用不同于多智能体编排，其中多个智能体（每个智能体可能使用自己的 LLM、工具或数据源）协作完成共享任务。LangFlow 的模块化设计支持这两种方法。

LangChain 是一个基于代码的开源机器学习框架，专用于人工智能开发。LangFlow 是一款基于 LangChain 等机器学习框架的可视化工具，使用户能够快速构建大语言模型应用并完成原型设计。LangFlow 最初是基于 LangChain 构建的，并且仍与其紧密关联，但现在它也支持其他框架和集成。

LangGraph 是同一系列的另一个平台，也用于构建智能体式系统。但 LangGraph 不是采用模块化 GUI，而是将智能体式系统描绘为图形，同时提供更精细的控制。

组件库包含了用户可以添加到其智能体式工作流中的所有组件：例如 OpenAI 的 GPT 系列、Meta 的 Llama 等大语言模型 (LLM)，以及聊天界面、计算器、网页浏览器等更多组件。LangFlow 将组件分为两类：

• 构成大多数 LangFlow 项目主干的核心组件。

• 支持特定第三方集成的、针对不同服务提供商的专用组件包。

LangFlow 项目可导出为 JSON 格式的流程。创作者可以导出他们的流程，并与其他用户分享；其他用户随后可以将这些流程导入到各自的 LangFlow 实例中进行使用和修改。可导出的流程通过使流程可复用，从而增强协作并简化项目工作流。

与其上层框架 LangChain 一样，LangFlow 是开源的，这意味着其代码对公众开放，可供查看、贡献和修改。开源 AI 工具有助于提高 AI 的可解释性并提供运营透明度。然而，在 LangFlow 中使用闭源的大语言模型 (LLM) 或其他组件，并不会让用户获得对其内部机制的同样访问权限。

LangFlow 的易用性使其成为利用智能体式 AI 来简化和自动化工作流程的理想工具。LangFlow 的实际用例包括：

• 快速原型制作

• AI 智能体开发

• RAG 应用程序

• 客户服务自动化

LangFlow 的拖放 GUI 非常适合 AI 应用程序的快速原型设计。用户可以使用 LangFlow 的模块化组件设计一个流程管道，与他人分享，进行测试，并根据需要进行迭代。与 Hugging Face Spaces 的集成也支持快速进行机器学习演示。

LangFlow 的核心应用场景之一是无代码 AI 智能体开发。通过组件库，用户可以将大语言模型 (LLM) 与工具、数据库及其他附加组件连接起来，使智能体能够获取完成其预定功能所需的资源。用户还可将 LLM 链接在一起或构建多智能体系统。

借助聊天界面和矢量数据库组件，LangFlow 可以轻松构建 RAG 系统。自然语言提示被转换为嵌入，检索模型使用它来查询连接的矢量数据库。

数据库包含与系统预期用例相关的信息。例如，旨在帮助新员工入职的 RAG 系统可以参考数据集中的培训文档。然后，LLM 将检索到的数据与提示相结合，向用户返回自然语言输出。

聊天机器人通常用于客户服务自动化。客户首先与聊天机器人进行互动，聊天机器人可以检索订单历史记录和产品信息等相关数据。如果客户查询过于复杂，聊天机器人可以上报给人工代表。

LangFlow 用户只需几个组件即可快速创建客服聊天机器人：

1. 聊天输入用于接收客户的自然语言查询。
2. 嵌入组件将输入转换为用于语义搜索的矢量嵌入。
3. 一个矢量数据库，其中包含公司数据，用于查询相似的嵌入矢量。
4. 一个大语言模型 (LLM) 将检索到的数据与客户的查询结合，以生成响应。
5. 一个聊天输出以自然语言将响应返回给用户。