AIエージェントの作り方：Langflowでできることと導入の判断基準

AIエージェントの作り方を考えるとき、アプリケーション内部の処理を見ながら変更し、自分たちで管理したいなら、Langflowが候補になります。2026年時点での強みは、エージェントや検索拡張生成（RAG）を視覚的に構築でき、Pythonで拡張できることです。RAGでは、ドキュメントから取得した情報を使ってモデルが回答します。ただし、本番用の実行環境は別に設計する必要があります。キャンバス上でフローが動いたからといって、安全な顧客向けサービスが完成したわけではありません。

本記事は、Langflow、IBM、DataStax、Flowise、n8nの公式ページに基づき、2026年10月19日に内容を確認しました。以下の推奨は、何を作るのか、どこで動かすのか、誰が保守するのか、顧客がどうアクセスするのかを踏まえた判断です。ドキュメントに基づく評価であり、性能ベンチマークではありません。

Langflowとは？

Langflowは、コンポーネントをつないでAIアプリケーションを構築する、オープンソースのビジュアルエディター兼ランタイムです。コンポーネントは、メッセージの受け取り、モデルの呼び出し、ドキュメントの検索、ツールの利用といった個々の処理を担います。それらをつなぎ、入力から結果を得る一連の処理にしたものがフローです。フローは画面上で確認でき、Pythonで拡張できるほか、プログラム間の窓口となるAPIを通じて別のアプリケーションから呼び出せます。Langflow公式ドキュメント

AIアプリケーションの配線盤をイメージすると分かりやすいでしょう。ケーブルで接続関係が見えても、それぞれの端子には決まった役割があります。テキストを返す出力を、モデルオブジェクトを受け取る入力につないでも、キャンバスがきれいに整っているだけでは正しく動きません。Langflowでは、コンポーネントのポートがこうしたデータ型を表しています。コンポーネントの仕組み

技術に明るい創業者にとっての利点は、チームで同じものを見ながら議論できることです。回答に必要なドキュメントが見つからなければ検索処理を指し示し、エージェントが誤った操作を選べばツールとの接続を確認できます。キャンバスが、話し合いの具体的なよりどころになります。

一方で、アプリケーションの責任まで引き受けてくれるわけではありません。誰にフローの呼び出しを許すか、どのレコードを取得させるか、外部サービスで障害が起きたらどうするかは、引き続き自分たちで決める必要があります。Langflowが提供するのはAIアプリケーションの構築環境であり、こうしたプロダクトの判断は開発側に残ります。

Langflowの運営元はどこですか？

現在、LangflowはDataStaxを通じてIBM傘下にあります。Langflow自身の買収に関する発表では、親会社がDataStaxであることと、IBMによる買収計画が説明されていました。その後、IBMは2025年第2四半期の説明資料で買収の完了を確認しています。現在はIBM Langflowの製品ページも公開されています。

企業としての所有関係とライセンスは別の話です。IBMが関与しているからといって、すべてのLangflow環境がIBMのホスティングサービスになるわけではありません。オープンソースのコード、デスクトップへのインストール、企業向けサポート契約は、それぞれ分けて検討する必要があります。

オープンソース版と企業向けサポートの違い

LangflowのソースコードはMIT Licenseで公開されています。ただし、実際に動かすにはインフラ、モデルの推論、データベースなどのサービスが必要になる場合があります。オープンソースのライセンスが、それらのサービスや運用まで提供するわけではありません。

IBMは、Langflow OSS（オープンソースソフトウェア）、IBM Elite Support for Langflow、IBM Langflow Desktop、そして自社の自動化プラットフォームであるwatsonx Orchestrateとの連携を、それぞれ別の提供形態として案内しています。製品名だけで一式のサービスが含まれると考えず、必要な運用形態を選びましょう。IBMの提供形態

AIエージェントの作り方：Langflowで最初のフローを組む

最初は、公式ドキュメントにあるSimple Agentテンプレートを使い、モデルと、モデルが呼び出すツールの役割を区別するところから始めましょう。このテンプレートでは、AgentにChat Input、Chat Output、Calculator、URLの各コンポーネントを接続します。ユーザーの質問に対してツールが必要かどうかは、エージェントが判断します。公式クイックスタート

それぞれの役割は次のとおりです。

• 入力と出力は、会話をフローに渡し、その結果を外へ返します。
• モデルは、依頼を解釈して文章を生成します。モデルサービスへのアクセスには、提供元の認証情報を使います。
• Agentコンポーネントは、設定したモデルを使い、利用可能なツールを選んで呼び出します。
• ツールは、特定の処理を実行します。Calculatorは計算を行い、URLコンポーネントはエージェントが利用するコンテンツを取得できます。

ここで区別したいのは、回答を生成することと、操作を実行することです。自然な文章が返ってきても、意図したツールが動いた証拠にはなりません。最終回答を評価する前に、どのツールが選ばれ、何が返されたかを確認してください。

1. 1

   公式のテンプレートを開く

   公式に案内されているインストール方法のいずれかでLangflowをインストールします。エディターでNew Flowを選び、続いてSimple Agentを選択してください。各コンポーネントの役割を覚える間は、テンプレートの接続を変えずに使います。

2. 2

   モデルを設定する

   AgentコンポーネントのSetup Providerを使います。Settings > Model Providersで提供元の認証情報を設定して保存し、使いたいモデルを有効にしてください。その後、AgentのLanguage Modelドロップダウンからモデルを選びます。提供元のアカウントには、必要な権限とクレジットが必要です。

3. 3

   ツールの呼び出しを確認する

   Playgroundを開き、簡単な計算問題を入力します。Calculatorの実行と、その結果を確認してください。次に、URLツールを必要とする依頼を試します。もっともらしい文章だけで成功とせず、エージェントが適切なツールを選んだかを評価しましょう。

4. 4

   アプリケーションから呼び出す

   Share > API accessを選ぶと、そのフローを呼び出すリクエストのコード例が生成されます。LangflowのAPIキーはLangflowに対する呼び出し元の認証に使い、モデル提供元のキーはモデルの利用を許可するために使います。どちらも、アプリケーションの適切なサーバー側で管理してください。公開するアプリケーションには、安定した実行環境と独自のアクセス制御が必要です。

この操作手順は、現行のクイックスタートに沿っています。最初の実験では、コンポーネントや指示を一度に1つずつ変更しましょう。結果が変わったときに、その理由を把握しやすくなります。

モデルとベクトルストアでRAGアプリを構成する

役に立つドキュメントアシスタントには、言語モデルだけでなく、必要な情報を検索する処理が欠かせません。適切なドキュメントの該当箇所がコンテキストに入っていなければ、モデルは見当違いの内容を、よく整った文章で答えてしまうことがあります。

LangflowのVector Store RAGテンプレートでは、ドキュメントを読み込む処理と、質問に答える処理を2つのサブフローに分けています。読み込み側はファイルを読み、テキストをチャンクに分割し、埋め込みとともに保存します。埋め込みとは、類似度による検索に使う数値表現です。質問に答える側では、質問を埋め込みに変換し、関連するチャンクを検索して、そのテキストをプロンプトに入れ、言語モデルを呼び出します。ベクトル検索を使うRAGのチュートリアル

埋め込みモデルと回答を生成するモデルは、役割が異なります。前者は関連する情報を見つけるために使い、後者は質問と検索結果のコンテキストを回答にまとめます。ベクトルストアには、検索可能な数値表現と、それに対応するコンテンツを保存します。公式テンプレートのAstra DBコンポーネントは、Chroma DBなど、対応する別のベクトルストアに置き換えられます。LangflowがIBM傘下だからといって、IBMのデータベースを使う必要はありません。テンプレートの設定

たとえば、SaaSのサポートアシスタントが解約に関する質問に答える場面を考えてみましょう。必要な根拠は、その顧客が利用する製品の現行の解約ポリシーです。検索で古いポリシーが渡された場合、モデルの口調を変えても回答の中身は直りません。

最終的なプロンプトを調整する前に、取得されたテキストを確認してください。続いて、取り込み処理で旧版のドキュメントが置き換えられているか、検索が顧客のアクセス権を守っているかを確認します。これらはアプリケーション側の要件であり、ベクトルストアのコンポーネントをつなぐだけでは満たせません。

MCPはどこで使うのですか？

Model Context Protocol（MCP）は、別のサービスが公開するツールをAIアプリケーションが見つけて呼び出すための標準的な仕組みです。Langflowでは、外部のツールをエージェントから使うことも、自分のフローをツールとして別のクライアントから呼び出してもらうこともできます。MCPクライアント、MCPサーバー

外部ツールを使う場合は、Settings > MCP Serversでサーバーを登録し、エディターのMCPサイドバーからフローにドラッグします。Tool modeを有効にして、Toolset出力をAgentのTools入力に接続してください。たとえば、サポートアシスタントで、ドキュメント検索とともに、機能を意図的に絞ったアカウント状況の照会ツールを使う設計が考えられます。これは設計例であり、あらゆるアカウント管理システムに既製のコネクターがあるという意味ではありません。

逆にフローを公開する場合は、Share > MCP Server > Edit Toolsで、ツールとして公開するフローを選びます。呼び出す側が用途を理解できるよう、明確な名前と説明を付けてください。公式ドキュメントのサーバー設定では、フローにChat Outputコンポーネントが必要です。

基本的なドキュメントチャットボットにMCPは必須ではありません。特定の外部機能が必要な場合や、別のアプリケーションからフローを再利用したい場合に追加します。MCPが提供するのは接続の仕組みです。その接続に何を許可するかは、引き続き自分たちで決めます。

2026年のLangflow Cloudとセルフホスティング

新しくLangflowを導入するなら、公式ドキュメントに沿って進めやすいのはセルフホスティングです。以前Astra内で提供されていたDataStaxのホスティング版は、2026年4月9日に廃止されました。DataStaxは代替としてLangflow OSSを案内しています。DataStaxのリリースノート

ただし、製品紹介には整合しない記述も残っています。Langflowのホームページは今も無料のクラウドアカウントを案内し、IBMの製品ページにもLangflow Cloudへの言及があります。しかし、これだけで廃止されたAstraのサービスが再開したとは判断できません。IBMのマネージドサービスを検討する場合は、提供内容、実行環境、サポート条件をIBMに確認してください。古いAstraの登録チュートリアルを前提に、サービス公開の計画を立てるのは避けましょう。Langflowホームページ、IBMの提供内容

ローカルで試すには、macOSとWindows向けに環境をまとめたLangflow Desktopがあります。Docker、Pythonパッケージ、ソースからのインストールも公式に案内されています。DesktopにはShareable PlaygroundやVoice Modeがないなどの機能差があります。デスクトップでデモが動いても、サーバー版の全機能を確認できたとは考えないでください。インストール方法

本番環境では、フローの構築に使うエディターとバックエンドを組み合わせたIDEと、フローを実行して提供するバックエンドであるランタイムを区別します。Langflowは、ビジュアルエディターなしで動作するヘッドレスランタイムを案内し、開発環境と本番環境の分離を推奨しています。また、そのランタイムには、標準のSQLiteではなく外部のPostgreSQLデータベースを使うことを強く推奨しています。デプロイ構成

セルフホスティングを選んでも、すべてのデータ処理がローカルで完結するわけではありません。コンポーネントが外部のモデルやツールを呼び出せば、データはサービスの境界を越えます。顧客データがどこにとどまるかを約束する前に、実際の接続先をたどって確認してください。

Langflowの代替候補：Flowise・n8nとの比較

まず、それぞれがどのような仕事を整理するツールなのかを比べ、次に引き受ける保守の負担を検討しましょう。表の内容は各社のドキュメントに基づいています。「向いている用途」は、その事実を踏まえた編集上の推奨です。

出典：Langflow、DataStaxのホスティング変更、Flowiseの機能、Flowiseの活動終了告知、n8n、n8nの導入形態。

LangflowとFlowiseの違い：今は保守体制が決め手

FlowiseはAIアプリケーションを視覚的に構築するツールです。公式には、チャットアシスタント、マルチエージェントのワークフロー、人によるレビュー、実行トレース、APIや埋め込みチャットによる提供などが案内されています。Langflowに近い代替候補とされてきたのは、こうした機能があるためです。Flowise製品ページ

新規プロジェクトで判断の決め手になるのは、公式の活動終了告知です。チームは2026年7月29日のコード凍結、8月10日のリポジトリアーカイブ予定、8月31日の公式コアチームによる活動終了を発表しました。Apache 2.0のコードは引き続き利用可能で、フォークを推奨するとしています。

新しくビジュアルなAIバックエンドを作るなら、Flowiseのフォークを自分たちで保守する意図が明確にある場合を除き、Langflowを選びましょう。すでにFlowiseを導入している場合、移行するかどうかは別途、技術面から判断する必要があります。工数を見積もる前に、独自コンポーネント、認証情報、外部の呼び出し元を洗い出してください。この告知が示すのは開発元の保守体制の変更であり、すべての既存環境が突然動かなくなるということではありません。

業務プロセスが中心ならn8nを選ぶ

n8nは、アプリ連携に加えてAIエージェントやコードも扱えるワークフロー自動化プラットフォームです。マネージドのCloudとセルフホスティングの両方を提供しています。この比較での強みは、AIの前後にある業務プロセスです。依頼を受け、レコードを取得し、ルールを適用して、次のシステムに結果を渡す処理に向いています。n8n

顧客レコードを更新し、例外を適切な処理先へ振り分ける営業オペレーションは、この枠組みに自然に収まります。一方、検索やモデルの挙動を頻繁に確認するドキュメントアシスタントなら、Langflowを選ぶ理由が強くなります。どちらの判断も、他方のプラットフォームでは実現できないという意味ではありません。実装や運用の複雑さを、どこで扱いたいかという選択です。

n8nでも、課題になるのは運用です。業務プロセスが途中までしか完了しなかったときの復旧方法は、キャンバスが決めてくれるわけではありません。セルフホスティングにはインフラの管理責任が伴い、ガバナンス機能の一部はエディションに依存します。また、ライセンスはSustainable UseおよびEnterpriseによるソースアベイラブル方式で、n8n自身もオープンソースとは呼んでいません。導入ガイド、ライセンス

ワークフロー全体の選定には、n8nレビューも参照してください。キャンバスそのものがアプリケーションの要件を満たす妨げになるなら、AIエージェントフレームワークの比較で、コードを中心に構築する選択肢を確認できます。

Langflowに期待しすぎてはいけないこと・向かないケース

危険なのは、ビジュアルな構築ツールを使えばバックエンドの設計や実装が不要になる、という思い込みです。Langflowのセキュリティドキュメントによれば、UIから開発者が用意したPythonを実行でき、そのコードはホストのプロセス、ファイルシステム、ネットワークにアクセスできます。また、同じLangflowプロセス内のユーザー同士は分離されていないと明記されています。セキュリティドキュメント

そのため、本番運用で理解しておくべき課題がテナント分離です。ある顧客の操作によって、別の顧客のデータや認証情報が漏れてはなりません。エディター内でアカウントやプロジェクトを分けても、この分離を実現するインフラ上の境界にはなりません。

**アカウントへのログインだけで、互いに信頼できないユーザーを安全に同居させられると考えているなら、Langflowを顧客共用のエディターとして採用するのは避けてください。**そのようなサービスを提供する前に、Langflowの外側で分離を実装し、検証してください。自分たちのアプリケーションのAPIを通じて、制御されたフローを提供する設計と、顧客にエディターを開放する設計は異なります。

単純なアプリ間の自動化には、別の選択肢から検討しましょう。 難しい部分が業務レコードの移動と例外処理であるなら、運用担当者が保守できる業務プロセス用のツールから始めるのが適切です。

運用責任者がいないなら、セルフホスティングは避けてください。 創業者がコンポーネントを接続できても、更新、バックアップ、障害対応の責任を誰にも割り当てられないなら、継続可能な導入形態を選べていません。

コードのほうが明確に制御できているなら、そのまま使いましょう。 意味のある変更のたびに独自コンポーネントが必要で、エンジニアがキャンバスよりもPythonのレビューに時間を使っているなら、ビジュアルな層は意思疎通を助けるどころか、作業を増やしている可能性があります。

開発者が確認すべきなのは、検索とツールが意図どおりに動くことです。運用担当者は、処理の引き継ぎと障害時の対応を定義する必要があります。導入を判断する側は、実行環境とその責任者を特定する必要があります。IBM傘下であることが、これらの答えを自動的に与えてくれるわけではありません。

来週から試せるLangflowの活用例

結果を評価できる、範囲の限られたタスクを選びましょう。たとえば、更新が行き届いた製品マニュアルへの質問に答える、ドキュメントから決まった項目を抽出する、用途を絞った照会ツールをエージェントに使わせる、といったものです。Langflowは、ドキュメント分析、チャットボット、エージェントアプリケーションを、対応する用途として案内しています。アプリケーションの概要

最初のRAG演習では、使用が承認されたサポートドキュメントを少数選び、フローを作る前に匿名化した質問を10件用意します。ドキュメントだけでは答えられない質問と、最近変更されたポリシーに関する質問を含めてください。これは評価の進め方の提案であり、公表されたベンチマークではありません。

検索された箇所、生成された回答、根拠がない場合の挙動を確認します。エージェントなら、選んだツールと返されたデータも調べてください。問題の原因が、元の資料、検索、モデル、ツールの権限のどこにあったかを記録します。この分類が、次に何を変更すべきかを教えてくれます。

役に立つ結果が得られ、実行環境の責任者が決まってから、公開に向けて進みましょう。元のドキュメントや権限の問題が解決していないなら、いったん待つべきです。すでに動いている自動化については、キャンバスを変えても挙動や保守負担が変わらないのであれば、そのまま使い続けましょう。

よくある質問

Langflowは何に使えますか？

Langflowでは、ドキュメントアシスタント、チャットボット、コンテンツ生成、ツールを使うエージェントなど、AIアプリケーションのフローを構築して提供できます。モデル、データ、操作がどうつながっているかを確認したい場面で、ビジュアルエディターが特に役立ちます。

Langflowにはどのような制約がありますか？

本番運用での大きな制約は、単一のLangflowプロセス内ではユーザーやテナントが分離されないことです。適切なインフラ上の境界と、アプリケーションのアクセス制御を自分たちで用意する必要があります。また、Playgroundでうまく動いても、実際の利用条件で回答品質が確保できるとは限りません。セキュリティの指針

LangflowとLangChainには関係がありますか？

はい。Langflowには、モデルを使ったアプリケーションを組み立てるフレームワークであるLangChainを利用したコンポーネントが含まれています。たとえば、コンポーネントのドキュメントには、LangChainを使ったテキスト分割の例があります。Langflowは独自のビジュアルフローエディターとランタイムを備えており、LangChainと同じ製品を指す名前ではありません。コンポーネントの実装

Langflowは無料ですか、有料ですか？

オープンソースのソフトウェアにはMIT Licenseが適用されます。運用には別途インフラやモデルサービスが必要になる場合があり、IBMの企業向けサポートも別に案内されています。以前のDataStaxホスティング版LangflowはAstraから廃止されています。古い無料クラウドのチュートリアルを、現在利用できる導入方法と考えないでください。

AIは何というプログラミング言語ですか？

AIはシステムの分類であり、プログラミング言語ではありません。今回の選定で関係するのは、LangflowがPythonベースで、独自のPythonコンポーネントに対応しているという点です。デプロイしたフローはAPI経由で呼び出せるため、呼び出し元のアプリケーションを同じ言語で実装する必要はありません。

無料でAIエージェントを作るなら、どのツールがよいですか？

ビジュアルエディターが必要で、実行環境の管理を引き受けられるなら、Langflowはオープンソースの出発点として妥当な選択肢です。その条件に合うかで選びましょう。ソフトウェアが利用できることと、外部モデルの呼び出しやインフラが無料であることは別です。

ChatGPTより優れたAIはありますか？

Langflowは、そうした優劣を決める問いへの答えではありません。ここで検討するのは、完成した対話型の製品を選ぶことではなく、モデル、ドキュメント、ツールを組み合わせて、自分たちのアプリケーションを作るかどうかです。

自分でAIエージェントを作れますか？

既存のモデルとツールを使って、エージェントアプリケーションを組み立てられます。LangflowのSimple Agentテンプレートは、その構成例です。アプリケーションを作るために、基盤モデルをゼロから学習させる必要はありません。クイックスタート

自分でAIを作ることは法律上問題ありませんか？

どのアプリケーションや法域にも当てはまる一律の答えはありません。LangflowのMIT Licenseは、その条件の下でソフトウェアを利用する権利を認めていますが、使用するデータ、接続するサービス、想定用途に関する権利まで解決するものではありません。公開を予定しているアプリケーションについて、それぞれ別に検討してください。Langflowのライセンス

AIアプリケーションの開発と運用に役立つ実践的な情報は、ニュースレターに登録してお読みください。