
用 LangChain 写一个带检索的问答 Agent,代码本身不多,麻烦在后面:换个模型要改代码,向量库从 Chroma 换成 pgvector 又要折腾一轮,产品同事想改一句 system prompt,也得等开发改完重新部署。跑通之后还要自己包一层 FastAPI 给前端调用。现在又多了一个需求:最好 Claude Code、Cursor 这类 AI 编程工具也能直接调用它。
Langflow 把这几件事放到了同一块画布上。它是一个用 Python 写的 AI 工作流搭建工具,把组件拖进画布、连上线,就是一个 Agent 或 RAG 流程。每个流程保存后自带 API,每个项目还能直接作为 MCP server,给其他 AI 工具当工具调用。项目采用 MIT 协议,到 2026 年 11 月 GitHub star 已超过 15 万,最新版本是 1.13.2。
这篇适合已经在用 LangChain 写 Agent、又不想每次小改都动代码重新部署的开发者。下面依次讲 Langflow 的画布能做什么、怎么把流程发布成 API、怎么挂成 MCP 工具给 Claude Code 用、内置的 Langflow Assistant,以及安装和公网部署时的安全设置。

Langflow 的画布能做什么
画布上每个方块是一个组件:模型、提示词、向量库、文档加载器、Agent、各种工具。线怎么连,数据就怎么流。
组件就是 Python 类。 每个组件都能点开看源码、直接修改。官方没有的组件可以自己写,写完同样能拖上画布。很多拖拽式工具用到后期会卡在组件不够用,Langflow 在这一点上限制很少。
边搭边测。 搭到一半就能打开 Playground 对话试一下,也可以只运行某一个组件,看它具体输出了什么。检索结果不对时,是切块的问题还是提示词的问题,能很快定位。
模型和向量库可以替换。 主流大模型、向量数据库都有现成组件,本地的 Ollama 也能接入。换模型就是换一个方块,其他连线不用动。
组件和流程都能当 Agent 的工具。 普通组件、整条 flow 都可以接到 Agent 上作为工具,外部的 MCP server 也能连进来。

把 Langflow 流程发布成 API
flow 保存好之后,调用接口就已经存在了,不需要再包一层服务。
在流程页面点 Share → API access,Python、JavaScript、curl 三种调用代码都已生成,服务地址和 flow ID 也已经填好。curl 版本大致如下:
curl -X POST "http://localhost:7860/api/v1/run/你的FLOW_ID" \
-H "Content-Type: application/json" \
-H "x-api-key: 你的LANGFLOW_API_KEY" \
-d '{"input_value": "你好", "output_type": "chat", "input_type": "chat", "session_id": "user-001"}'
几个参数的含义:
| 参数 | 作用 |
|---|---|
session_id | 区分对话,同一个 id 的消息算作同一段聊天 |
tweaks | 临时覆盖组件参数(例如模型温度),只对这一次请求生效,保存的流程不变 |
x-api-key | Langflow 的 API key,用于鉴权 |
想让调用方临时改某个参数,先在组件里把该字段标记为可通过 API 修改,请求里再带上 tweaks。要挂到网站上,Share 里还有一段嵌入代码,贴进页面就多了一个聊天窗口。
不跑完整服务:用 lfx 单独起接口
把 flow 导出成 JSON 后,可以用轻量的 LFX 单独提供接口,不必安装完整的 Langflow:
export LANGFLOW_API_KEY="换成你自己的随机字符串"
export OPENAI_API_KEY="sk-..."
uvx lfx serve my-agent-flow.json
lfx serve 会启动一个 FastAPI 服务,流程的调用地址是 POST /flows/<flow_id>/run。官方说明 LFX 使用空操作的数据库接口,不会生成 langflow.db,保存流程、存储消息、管理用户这类依赖数据库的操作都不会持久化。正因为状态少,它适合把调好的流程打进容器上线。官方也强调 API key 是必填的,因为 lfx serve 起的服务可能被公开访问。

Langflow 作为 MCP server 接入 Claude Code
Langflow 里每个项目自动就是一个 MCP server,项目下的 flow 可以注册成 MCP 工具。官方文档要求,作为工具的 flow 必须包含 Chat Output 组件。
第一步:给工具起名字、写描述
打开项目的 MCP Server 页,为每个工具填写名称和一句描述。MCP 客户端就是根据这两项判断什么时候调用它。默认的工具名是一串 flow ID,Agent 读不懂,这一步不要省。不想暴露的 flow,取消勾选即可。
第二步:把配置写进客户端
客户端配置也是自动生成的。JSON 页给出一段通用配置,适用于任何支持 MCP 的客户端;本机装了 Cursor、Claude 等客户端的,可以在 Auto install 页一键写入。项目开启 API key 鉴权时,生成的配置会自动带上 --headers 和 x-api-key 参数:
{
"mcpServers": {
"my-langflow": {
"command": "uvx",
"args": [
"mcp-proxy",
"--transport", "streamablehttp",
"--headers", "x-api-key", "你的API_KEY",
"http://localhost:7860/api/v1/mcp/project/你的PROJECT_ID/streamable"
]
}
}
}
默认传输方式是 streamable HTTP,路径以 /streamable 结尾,同时保留 SSE 作为兼容。如果对 MCP 的 JSON 配置结构还不熟,可以参考 AIGoCode MCP 配置生成器怎么用,先分清传输方式再核对字段。
一个典型用法
在 Langflow 里搭一个查询公司内部文档的 RAG 流程,挂成 MCP 工具后,在 Claude Code 里写代码时问一句「我们的部署规范是什么」,Claude Code 会自己调用这个流程去检索。检索逻辑在 Langflow 里调,编码工具只负责调用,两边各改各的。
用 Langflow Assistant 让 AI 帮你搭流程
新版本在画布工具栏里加了 Langflow Assistant,是一个聊天窗口。
告诉它「帮我搭一个读取 PDF 再回答问题的流程」,它会先画一张草图让你确认,同意后才放到画布上;不满意可以继续提要求,它会整张替换。也可以让它写一个自定义组件,代码先给你看,你再决定要不要加。输入 @ 能引用画布上的组件,比如 @Agent.System Prompt,直接点名修改某个字段。
使用时注意两点:
- 需要配置支持工具调用的模型,太小的本地模型可能只会聊天,改不了画布;
- 每一轮都要读写整张图,token 消耗比较大。

Langflow 怎么安装
官方 README 要求 Python 3.10–3.14,推荐用 uv 管理。官方发布的安装包和 Docker 镜像默认关闭自动登录,启动前要先设置管理员密码。
方式一:Python 包
uv pip install langflow -U
export LANGFLOW_SUPERUSER_PASSWORD="设一个强密码"
uv run langflow run
打开 http://127.0.0.1:7860,用户名是 langflow,密码就是刚才设置的那个。
方式二:Docker
export LANGFLOW_SUPERUSER_PASSWORD="设一个强密码"
docker run -p 7860:7860 -e LANGFLOW_SUPERUSER_PASSWORD langflowai/langflow:latest
方式三:桌面版
不想碰命令行的话,Windows 和 macOS 有 Langflow Desktop,依赖都已打包,不用自己管理 Python 环境。
刚上手建议从模板开始,Simple Agent、Vector Store RAG 拿来改,比从空白画布搭快得多。
Langflow 部署的安全注意事项
Langflow 能在服务端执行 Python 代码。早期版本出过无需登录即可远程执行代码的漏洞(CVE-2025-3248),还被利用来组建僵尸网络。现在官方包默认关闭了自动登录,近几个版本的更新也有不少在修安全问题。部署到公网时:
- 使用最新版本,并设置强管理员密码;
- 不要把 7860 端口直接暴露在公网,放在反向代理和鉴权后面;
- 对外提供接口时启用 API key,不同调用方分开发放。
Langflow 与 Dify、n8n 怎么选
| 工具 | 侧重点 | 更适合谁 |
|---|---|---|
| Langflow | 大模型与 Agent 流程本身,组件就是 Python 代码 | 习惯写代码、需要深度定制组件的开发者 |
| Dify | 应用管理和运营功能更完整 | 需要交给不写代码的同事使用的团队 |
| n8n | 连接各类 SaaS 做业务自动化 | 以系统集成、定时自动化为主的场景 |
总结
Langflow 的价值在于「搭完就能用」:画布上调好的流程,保存即有 API,项目即是 MCP server,Claude Code、Cursor 等工具可以直接调用;需要轻量上线时,再用 lfx serve 单独提供接口。已经在用 LangChain 写 Agent、又厌烦每次小改都要重新部署的话,可以把 Langflow 当成调试台加发布器,先拿模板搭一个 RAG 流程试试。
想在 AIGoCode 上直接使用 Claude Code 或 Codex,可以先看 AIGoCode 使用指南 完成接入。
参考来源
- Langflow GitHub 仓库与 README:https://github.com/langflow-ai/langflow
- Langflow 官方文档:https://docs.langflow.org
- Langflow 作为 MCP server:https://docs.langflow.org/mcp-server
- Langflow Assistant:https://docs.langflow.org/langflow-assistant
- LFX 说明:https://github.com/langflow-ai/langflow/tree/main/src/lfx