Langflow 是什么？AI 智能体、RAG 与部署选型指南

如果你希望看清、修改并掌控 AI 应用内部的逻辑，Langflow 值得考虑。到了 2026 年，它最突出的价值，是用可视化方式搭建智能体和检索增强生成（RAG）应用，并支持用 Python 扩展。RAG 让模型依据从你的文档中检索到的信息作答。但生产环境的运行方案仍需单独规划：画布上的流程能跑通，并不代表它已经能作为安全的服务向客户开放。

本文已于 2026 年 10 月 19 日核验，依据为 Langflow、IBM、DataStax、Flowise 和 n8n 各自的官方页面。以下建议围绕应用用途、运行环境、维护责任和客户访问方式展开，属于基于文档的选型判断，并非性能基准测试。

Langflow 是什么？

Langflow 是开源的可视化编辑器和运行时，通过连接组件来构建 AI 应用。每个组件承担一项任务，例如接收消息、调用模型、检索文档或使用工具；把组件连接起来，就形成了将输入转化为结果的流程。你可以在画布上查看流程，用 Python 扩展功能，也可以通过 API（应用程序接口）从其他应用调用它。Langflow 文档

可以把它理解为 AI 应用的接线板：连线让各部分的关系一目了然，但每个接口都有特定用途。如果输出的是文本，输入端却需要模型对象，画布再整齐也无法让这个连接成立。Langflow 的组件端口正是用来表示这些数据类型的。组件说明

对技术型创业者来说，画布的价值在于给团队提供一个共同讨论的对象：回答遗漏了某份文档，可以直接定位检索环节；智能体执行了错误操作，可以检查工具连接。讨论不再停留在抽象描述上。

但应用的责任仍需自己承担。谁有权调用流程、能检索哪些记录、外部服务出错时如何处理，都需要你来决定。Langflow 提供的是 AI 应用构建环境，这些产品层面的决策并不会由它代劳。

Langflow 现在归谁所有？

IBM 目前通过 DataStax 持有 Langflow。Langflow 的收购公告明确说明 DataStax 是其母公司，并介绍了 IBM 的收购计划。随后，IBM 在 2025 年第二季度业绩发言中确认交易已经完成。IBM 现在也设有 IBM Langflow 产品页面。

企业归属和软件许可是两回事。IBM 的参与，并不意味着所有 Langflow 部署都由 IBM 托管。开源代码、桌面安装和企业支持方案，应当分别评估。

开源软件与企业支持如何区分？

Langflow 的源代码采用 MIT License。运行它仍可能需要基础设施、模型推理和数据库服务。开源许可证不会附送这些服务，也不会替你运维。

IBM 将 Langflow OSS（开源软件）、IBM Elite Support for Langflow、IBM Langflow Desktop，以及与其自动化平台 watsonx Orchestrate 的集成列为不同的产品和服务。应按实际需求选择运行与支持方案，不能看到同一个产品名称，就默认所有服务都已打包包含。IBM 产品与服务

Langflow 教程：第一个流程由哪些部分组成？

建议从官方文档中的 Simple Agent 模板开始，先分清模型和它调用的工具。该模板将 Agent 与 Chat Input、Chat Output、Calculator 和 URL 组件连接起来，由智能体判断用户的问题何时需要调用工具。官方快速入门

这些部分各有分工：

• 输入与输出负责让对话进入流程，再将结果传出。
• 模型理解请求并生成语言。模型服务商的访问凭据用于取得该服务的访问权限。
• Agent 组件使用已配置的模型，选择并调用可用工具。
• 工具完成具体任务。例如，Calculator 可以进行算术运算，URL 组件可以抓取内容供智能体使用。

这里要分清的是“给出回答”和“执行操作”。回答流畅，并不能证明预期的工具确实运行了。评价最终答复之前，应先检查智能体选了哪个工具，以及工具返回了什么结果。

1. 1

   打开官方入门模板

   按照官方安装方案之一安装 Langflow。在编辑器中依次选择 New Flow 和 Simple Agent。熟悉各组件用途时，先保留模板原有的连接。

2. 2

   配置模型

   在 Agent 组件中使用 Setup Provider。进入 Settings > Model Providers，配置并保存服务商凭据，启用准备使用的模型，然后从 Agent 的 Language Model 下拉菜单中选中它。服务商账户必须具备所需权限和额度。

3. 3

   检查工具调用

   打开 Playground，先问一个简单的算术问题，查看 Calculator 操作及其结果，再尝试一个需要使用 URL 工具的请求。判断重点是智能体是否选对工具，不能把一句看似合理的话当成调用成功的证据。

4. 4

   接入自己的应用

   选择 Share > API access，获取为该流程生成的请求代码片段。Langflow API 密钥用于验证调用方访问 Langflow 的身份，模型服务商密钥则用于授权模型调用。两者都应保存在应用中对应的服务端环境。面向公众的应用还需要稳定的运行时，以及自身的访问控制。

上述编辑器操作依据当前快速入门文档。初次试验时，每次只改一个组件或一条指令。这样结果发生变化时，才容易判断原因。

模型与向量数据库如何组成 RAG 知识库应用？

好用的文档助手既需要语言模型，也需要检索链路。如果上下文里没有正确的文档片段，模型可能给出一段文笔流畅、却答非所问的内容。

Langflow 的 Vector Store RAG 模板将这项工作拆成两个子流程：一个加载文档，另一个回答查询。加载流程读取文件、将文本切分为片段，再把片段及其嵌入向量存入向量数据库；嵌入向量是一种数值表示，用于按相似度搜索。查询流程则先将问题转换为向量，检索相关片段，将这些文本放入提示词，再调用语言模型。向量 RAG 教程

嵌入模型和生成答案的模型承担不同任务：前者帮助定位相关材料，后者根据问题和检索到的上下文组织回答。向量数据库保存可供检索的向量表示及其关联内容。官方模板支持将 Astra DB 组件替换为 Chroma DB 或其他受支持的向量数据库。IBM 拥有 Langflow，并不意味着你必须使用 IBM 的数据库。模板配置说明

以回答退订问题的 SaaS 客服助手为例，真正有用的依据是该客户所用产品当前的退订政策。如果检索拿到的是过时政策，调整模型的语气也无法修正答案的根本问题。

优化最终提示词之前，先查看检索到的原文，再检查文档导入流程是否会替换已失效的资料，以及检索是否遵守客户的访问权限。这些都是应用层面的要求，连接上向量数据库组件并不意味着它们就自动成立。

MCP 在流程中起什么作用？

Model Context Protocol（MCP，模型上下文协议）为 AI 应用提供了发现和调用其他服务所开放工具的标准方式。在 Langflow 中，这种连接是双向的：你的智能体可以使用外部工具，其他客户端也可以把你的流程当作工具来调用。MCP 客户端、MCP 服务端

要使用外部工具，先在 Settings > MCP Servers 中注册服务器，再从编辑器的 MCP 侧边栏将它拖入流程。启用 Tool mode，将其 Toolset 输出连接到 Agent 的 Tools 输入。例如，客服助手可以在文档检索之外，搭配一个权限受到明确限制的账户状态查询工具。这只是设计示例，并不意味着每种账户系统都有现成的连接器。

要把流程开放给其他客户端，则通过 Share > MCP Server > Edit Tools 控制哪些流程可供调用。工具名称和描述应清晰，让调用方知道何时使用。按官方文档配置服务器时，流程中必须包含 Chat Output 组件。

基础文档聊天机器人不一定需要 MCP。只有应用需要某项外部能力，或其他应用需要复用你的流程时，再引入它。MCP 负责建立连接，连接获准执行哪些操作，仍由你决定。

2026 年 Langflow 部署怎么选：云服务还是自托管？

对于新部署，官方文档给出的明确路径是自托管。此前由 DataStax 在 Astra 中托管的 Langflow 服务已于 2026 年 4 月 9 日移除，DataStax 将 Langflow OSS 列为替代方案。DataStax 发行说明

需要留意的是，不同页面的宣传口径存在冲突：Langflow 首页仍在介绍免费云账户，IBM 产品页也提到 Langflow Cloud。这些表述并不能证明已退役的 Astra 服务重新开放了。如果考虑由 IBM 托管，应向 IBM 确认具体产品、运行时和支持条款，不要依据旧版 Astra 注册教程制定上线计划。Langflow 首页、IBM 产品与服务

本地评估可以使用 Langflow Desktop，它为 macOS 和 Windows 打包了运行环境。官方也提供 Docker、Python 包和源码安装文档。桌面版在功能上有所区别，例如不包含 Shareable Playground 和 Voice Mode，因此桌面演示不能证明所有服务端功能都已具备。安装方案

生产部署时，要区分 IDE 和运行时：前者包含用于构建流程的编辑器和后端，后者是实际提供流程服务的后端。Langflow 文档介绍了不带可视化编辑器的无界面运行时，并建议将开发环境和生产环境分开。对于该运行时，官方强烈建议使用外部 PostgreSQL 数据库，而不是默认的 SQLite 数据库。部署架构

自托管也不代表所有数据流转都发生在本地。如果组件调用外部模型或工具，该请求仍会跨越服务边界。在向客户承诺数据存放位置之前，应先梳理实际调用链路。

Langflow 替代方案：与 Flowise、n8n 怎么选？

比较这些工具，先看它们主要组织哪类工作，再看你愿意承担哪些维护责任。下表依据各厂商文档整理，“适合谁”一栏则是基于这些事实给出的编辑建议。

来源：Langflow、DataStax 托管服务调整、Flowise 功能、Flowise 停止维护公告、n8n 和 n8n 部署方案。

Langflow 与 Flowise：现在要先看维护前景

Flowise 是可视化 AI 应用构建工具，官方列出的功能包括聊天助手、多智能体工作流、人工审核、执行追踪，以及通过 API 或嵌入式聊天交付应用。这些能力也解释了它为何曾是 Langflow 的接近替代方案。Flowise 产品页

新项目做选择时，决定性信息来自它的官方停止维护公告。团队宣布于 2026 年 7 月 29 日冻结代码，计划于 8 月 10 日归档仓库，并于 8 月 31 日结束官方核心团队的参与。公告表示，采用 Apache 2.0 许可的代码仍可获取，并鼓励社区 fork。

如果要新建可视化 AI 后端，除非你明确打算维护一个 Flowise 分支，否则应选择 Langflow。对于已有 Flowise 部署，是否迁移是另一项工程决策：估算工作量之前，先盘点自定义组件、凭据和外部调用方。这份公告说明上游维护发生了变化，并不代表所有现有实例都会突然停止运行。

如果核心任务是业务流程，优先看 n8n

n8n 是工作流自动化平台，在应用集成之外，也提供 AI 智能体和代码能力，支持托管云服务与自托管。在这组比较中，它的优势是围绕业务流程组织工作：接收请求、读取记录、应用规则，再把结果传给下一个系统。n8n

例如，更新客户记录并将异常情况转交处理的销售运营流程，就很适合这种思路。如果是文档助手，需要经常检查检索和模型行为，选择 Langflow 的理由则更充分。这些判断并不是说另一平台做不到，而是在帮助你决定：工作的复杂性主要放在哪一层处理。

n8n 同样绕不开运维问题：业务流程只完成了一部分时如何恢复，不会由画布替你决定。自托管意味着要承担基础设施责任，部分治理功能也取决于所用版本。它以 Sustainable Use 和 Enterprise 许可证开放源码访问；n8n 明确表示自身并非开源软件。部署指南、许可说明

更完整的工作流选型，可以参考 n8n 评测。如果画布本身开始妨碍应用需求落地，AI 智能体框架对比介绍了以代码为核心的其他方案。

哪些期待被夸大了？哪些场景不适合用？

最危险的误解，是以为可视化构建工具能省掉后端工程。Langflow 自己的安全文档明确说明，界面可以执行开发者提供的 Python 代码，并访问宿主进程、文件系统和网络；同一个 Langflow 进程内的用户之间也没有隔离。安全文档

因此，生产环境中必须理解的边界是租户隔离：一个客户的操作不能暴露另一个客户的数据或凭据。编辑器里的独立账户或项目，并不等于能实现这种隔离的基础设施边界。

如果打算让客户共用编辑器，不要指望仅靠登录账户就能安全地容纳互不信任的用户。 对于这种需求，应先放弃直接将 Langflow 作为共享的客户编辑器，在 Langflow 之外建立并验证隔离机制，再提供相应服务。通过自己应用的 API 提供受控流程，与让客户直接进入编辑器，是两种不同的设计。

如果只是简单的应用间自动化，不必优先选 Langflow。 当难点主要在于流转业务记录和处理异常时，应从运营人员能够维护的流程工具入手。

没有人负责运维，就不要选自托管。 创业者即使能把组件连起来，如果无法明确由谁负责更新、备份和故障处理，这个部署方案就谈不上可持续。

如果代码已经能提供更清晰的控制，就继续用代码。 当每次实质性改动都要写自定义组件，工程师审查 Python 的时间也多于查看画布时，可视化层可能只是在增加工作，而没有改善沟通。

对开发者而言，应先验证检索和工具行为；对运营人员而言，应明确交接方式和故障处理；对采购方而言，应确认运行时在哪里、由谁负责。IBM 的企业归属并不会自动回答这些问题。

下周就能动手的 Langflow 实践

选一个范围明确、结果可判断的任务：根据持续维护的产品手册回答问题，从文档中提取某个已知字段，或让智能体使用一个权限和用途都受到严格限定的查询工具。Langflow 文档将文档分析、聊天机器人和智能体应用列为支持的使用场景。应用概览

第一次练习 RAG 时，先选一小批已审核的支持文档，在搭流程之前写好 10 个匿名化问题。其中要有文档无法回答的问题，也要有依赖近期政策变更的问题。这是一项建议的评估练习，并非已发布的基准测试。

检查检索到的片段、生成的答案，以及缺少依据时的处理方式。如果使用智能体，还要检查工具选择和返回数据。记录错误究竟来自原始资料、检索、模型，还是工具权限。这些分类能帮助你确定下一步该改哪里。

只有结果确实有用，而且有人负责运行时，才继续推进部署。如果源文档或权限问题尚未解决，就先等等。如果换一张画布既不会改变行为，也不会减轻维护负担，就让现有自动化继续运行。

常见问题

Langflow 能用来做什么？

Langflow 用于构建并运行 AI 应用流程，包括文档助手、聊天机器人、内容生成，以及会调用工具的智能体。当你需要检查模型、数据和操作如何连接时，它的可视化编辑器尤其有用。

Langflow 有哪些局限？

主要的生产环境限制是：单个 Langflow 进程不会隔离用户或租户。你必须自行建立适当的基础设施边界和应用访问控制。在 Playground 中成功运行，也不能证明它在真实工作负载下的回答质量。安全指南

Langflow 和 LangChain 有什么关系？

两者有关联。LangChain 是用于组合模型驱动应用的框架，Langflow 包含使用 LangChain 的组件，例如组件文档中展示的基于 LangChain 的文本切分器。Langflow 在此之外还提供自己的可视化流程编辑器和运行时，两者并不是同一个产品。组件实现说明

Langflow 免费吗，还是需要付费？

开源软件采用 MIT License。实际运行可能需要单独使用基础设施和模型服务，IBM 也将企业支持单独列出。此前由 DataStax 托管的 Langflow 服务已从 Astra 移除，不要把旧版免费云服务教程当成当前仍可用的部署方案。

AI 是一种编程语言吗？

AI 是一类系统的统称，并不是编程语言。对于这里的选型，相关信息是：Langflow 基于 Python，支持自定义 Python 组件。你的应用可以通过 API 调用已部署的流程，无须采用与流程相同的实现语言。

有没有好用的免费 AI 智能体构建工具？

如果你需要可视化编辑器，也有能力负责部署，Langflow 是一个合理的开源起点。应当因为需求匹配而选择它；软件可以免费获取，并不意味着外部模型调用和基础设施也免费。

有没有比 ChatGPT 更好的 AI？

Langflow 并不回答这类排名问题。这里要决定的是，是否围绕模型、文档和工具构建自己的应用，而不是挑选一款现成的对话产品。

我能自己搭建 AI 智能体吗？

可以利用现有模型和工具组合出智能体应用，Langflow 的 Simple Agent 模板就演示了这种方式。搭建应用不需要从零训练基础模型。快速入门

自己构建 AI 应用是否合法？

不同应用、不同司法辖区无法一概而论。Langflow 的 MIT License 在其条款约束下授予软件使用权，但并不解决数据、所连接服务或预期用途的权利问题。应针对计划上线的应用分别评估。Langflow 许可证

想了解构建和运营 AI 应用的实用经验，可以订阅邮件通讯。