一、速览：Langflow 是什么，能解决什么问题

入门

Langflow 是一个开源的 AI 工作流搭建平台。它把大语言模型、数据库、API 接口等常见组件做成一个个可以拖拽的“积木块”，你只要在网页上把它们连接起来，就能拼出一个能自动回答、检索资料、执行任务的 AI 应用。

对于没有编程经验的人来说，直接调用大模型往往要写代码、配环境、处理各种报错。Langflow 把这件事变成了“画流程图”：选一个输入组件，连上一个模型组件，再接一个输出组件，点运行就能看到效果。它适合想快速验证想法、搭建内部工具、或者把 AI 能力做成接口的初学者。

Langflow 项目主界面概念图

二、快速部署：用一个 Docker 命令启动

入门

部署 Langflow 最简单的方式是使用 Docker。你可以把 Docker 理解成一种“软件集装箱”，里面已经装好了运行 Langflow 所需的一切，不管你的电脑是什么系统，只要装了 Docker 就能直接运行这个集装箱。

前置条件：你需要一台能联网的电脑或 Linux 服务器，并已安装 Docker。联网是为了下载 Langflow 的镜像文件，首次下载可能需要几分钟。

在终端里运行下面这条命令：

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

这条命令的含义是：启动一个 Langflow 容器，并把容器内部的 7860 端口映射到本机的 7860 端口。运行成功后，打开浏览器访问 http://localhost:7860/ 就能看到界面。如果你是在远程服务器上部署，就把 localhost 换成服务器的公网 IP 地址。

提示：如果本机 7860 端口已经被其他程序占用，可以改成 -p 8080:7860，然后访问 http://localhost:8080/。

这种启动方式适合快速体验，但容器删除后，你在 Langflow 里创建的内容也会一起消失。后面会说明如何用数据卷持久化保存。

如果你不想用 Docker，也可以用 Python 环境安装。需要一台有 Python 3.10 以上版本的机器，然后运行：

pip install langflow -U
langflow run

不过对于新手，建议优先使用 Docker，减少环境配置带来的麻烦。

三、配置详解：端口、数据卷与环境变量

进阶 · 推荐细读

默认的 docker run 命令只适合临时测试。正式使用时，你需要理解三个关键配置：端口映射、数据卷挂载、环境变量传入。

端口映射通过 -p 参数实现，格式是 本机端口:容器端口。Langflow 容器内部固定使用 7860 端口，你只需调整左侧的本机端口即可。比如 -p 9000:7860 表示通过本机 9000 端口访问。

数据卷用于解决“容器删除数据就没了”的问题。你可以在启动命令里加 -v 参数，把容器中存放数据的关键目录挂载到宿主机。Langflow 的 Docker 部署文档提供了具体挂载路径，你可以在官方文档里找到针对不同场景的示例命令。

环境变量通过 -e 参数传入，用来控制 Langflow 的行为。例如你可以设置管理员账号、数据库连接地址、日志级别等。建议在正式部署前，先浏览官方 Docker 部署指南里的环境变量清单，按需配置，而不是照抄示例。

下面是一条带上数据卷和自定义端口的启动示例思路：

docker run -p 8080:7860 -v langflow-data:/data langflowai/langflow:latest

其中 langflow-data 是 Docker 自动创建的数据卷名称，你可以把它改成自己容易识别的名字。具体挂载路径请以官方文档为准，避免因路径不对导致数据未持久化。

四、功能导览：像搭积木一样创建第一个 AI 工作流

入门

打开 Langflow 页面后，你会看到一个空白的画布。左侧是组件库，里面按照功能分类摆放着各种“节点”。常见的节点包括输入、提示词、大语言模型、输出、数据库检索等。

在浏览器中拖拽搭建 AI 工作流

大语言模型（LLM）可以理解为一个“会聊天、会写作、会推理的 AI 大脑”，例如 OpenAI 的 GPT 系列、开源的 Llama 系列等。Langflow 本身不提供模型，它负责连接你已有的模型 API 密钥或本地模型服务。

搭建流程很简单：从左侧拖出“Chat Input”节点，再拖出“Prompt”节点，然后拖出“OpenAI”节点，最后放一个“Chat Output”节点。用鼠标把它们按顺序连起来，一条基础的问答流就完成了。

连好之后，点击右上角的运行按钮，右侧会打开一个交互式测试区。你可以在输入框里打字，看看整个流程是否按预期输出。每一步的中间结果也能单独查看，方便定位问题。

调试通过后，你可以把整个流程导出为 JSON 文件，也可以一键部署成 API 接口。这样其他应用就能像调用普通网络接口一样调用你的 AI 流程。

五、常见问题与运维进阶

进阶 · 推荐细读

部署和运行过程中，常见的问题主要有三类：端口冲突、权限/网络、数据持久化。

端口冲突的表现是启动时报错 bind: address already in use，说明你要用的本机端口已经被占用。解决办法是换成其他端口，比如把 -p 7860:7860 改成 -p 8080:7860。

Linux 服务器上，如果你把数据目录挂载到宿主机文件夹，可能遇到权限不足导致容器无法写入。常见的处理方式是确保挂载目录的属主与容器运行用户一致，或者使用 Docker 数据卷而不是直接挂载宿主机目录。

数据持久化方面，建议每次启动都带上 -v 参数。否则容器被删除或重新创建时，你的所有流程、API 密钥配置都会丢失。

当你需要把 Langflow 发布到公网时，建议在它前面加一层反向代理。反向代理像一位“前台接待员”，负责接收外部请求，再把这些请求转交给后端的 Langflow。常用的反向代理软件有 Nginx 和 Caddy，其中 Caddy 可以自动申请免费的 HTTPS 证书，配置更简单。

升级 Langflow 时，先拉取最新镜像：

docker pull langflowai/langflow:latest

然后停掉旧容器，用新的镜像重新启动。由于数据保存在数据卷中，重新启动不会影响已有内容。备份时，直接备份数据卷或宿主机挂载目录即可。

Langflow 的贡献者社区

把第一个流程跑通后，你可以继续尝试接入自己的模型密钥、添加向量数据库做知识问答，或者通过反向代理把服务暴露给团队成员使用。

项目信息

项目 值
仓库 langflow-ai/langflow
语言 Python
Star 154,517
Fork 10,056
主页 http://www.langflow.org

参考链接

延伸阅读

想继续探索？这些同领域的教程可能也适合你：