Langflow — 可视化 AI Agent 构建平台¶

# === 方法一：Langflow Desktop（最简单） ===
# 1. 访问 https://www.langflow.org/
# 2. 下载对应系统的 Desktop 版本
# 3. 安装后直接打开（所有依赖都包含在内）

# === 方法二：pip 安装 ===
pip install langflow  # 安装 Langflow
langflow run  # 启动 Langflow

# 带参数启动
langflow run \
  --port 7860 \
  --host 0.0.0.0  # 指定端口和监听地址

# === 方法三：uv 安装（推荐，更快） ===
uv pip install langflow  # 用 uv 安装
langflow run  # 启动

# === 方法四：Docker 安装 ===
docker run -d \
  --name langflow \
  -p 7860:7860 \
  langflowai/langflow:latest  # Docker 运行 Langflow

# 打开浏览器访问 http://localhost:7860

启动后在界面中配置：
1. 左侧导航 → Global Variables
2. 添加 API Key：
   - OPENAI_API_KEY
   - ANTHROPIC_API_KEY
   - 或其他模型提供商的 Key
3. 保存后就可以在流程中使用这些模型

Langflow 的核心概念：

Flow（流程）= 一个 AI 工作流程
Component（组件）= 流程中的每个功能块
Edge（连接线）= 组件之间的数据传递
Playground（测试场）= 即时测试你的流程

流程类型：
- 有向无环图（DAG）— 数据单向流动
- 每个组件有输入和输出接口
- 组件之间通过连线传递数据

5 分钟做一个聊天机器人：

1. 新建 Flow → 选择模板 "Basic Chat"
2. 拖入组件：
   - Chat Input（聊天输入框）
   - OpenAI 或 Anthropic（AI 模型）
   - Chat Output（聊天输出框）
3. 连线：Input → Model → Output
4. 点击 Playground 测试
5. 满意后点击 "API" 获取接口地址

恭喜！你做了一个可以通过 API 访问的聊天机器人

让 AI 基于你的文档回答问题：

组件连接方式（从左到右）：
File → Text Splitter → Embedding → Vector Store
                                         ↓
Chat Input → Retriever → Prompt → LLM → Chat Output

步骤说明：
1. File（文件加载）— 上传 PDF/TXT 等文档
2. Text Splitter（文本切分）— 把长文档切成小块
3. Embedding（向量化）— 把文本转成数字向量
4. Vector Store（向量存储）— 保存向量数据
5. Retriever（检索）— 根据问题找相关文档
6. Prompt（提示词）— 组合文档内容和问题
7. LLM（大语言模型）— 生成回答
8. Chat Output — 显示回答

# Langflow 支持在流程中插入自定义 Python 代码

# 示例：自定义数据处理组件
from langflow import CustomComponent  # 导入自定义组件基类

class DataProcessor(CustomComponent):
    display_name = "数据处理器"  # 显示名称
    description = "清洗和转换输入数据"  # 描述

    def build(self, input_text: str) -> str:
        # 自定义处理逻辑
        cleaned = input_text.strip()  # 去除空白
        cleaned = cleaned.replace("\n\n", "\n")  # 合并空行
        return cleaned  # 返回处理后的文本

Langflow 的每个 Flow 都可以变成 MCP 工具：

1. 创建并保存一个 Flow
2. 在 Flow 设置中启用 "MCP Server"
3. 获得 MCP 服务器地址
4. 在 Claude、Cline 等工具中添加这个 MCP 服务器

这意味着：你做的任何 AI 工作流，
都可以被其他 AI 工具直接调用

白话比喻：你做了一个"AI 技能"，
其他 AI 可以直接学会这个技能

Langflow 也可以消费其他 MCP 服务：

1. 在 Flow 中添加 "MCP Client" 组件
2. 配置 MCP 服务器地址
3. Langflow 就能使用外部 MCP 工具了

比如：连接 Playwright MCP → Langflow 就能操作浏览器
     连接 GitHub MCP → Langflow 就能操作 Git 仓库

Langflow 支持多 Agent 协作：

示例：研究报告生成系统
Agent 1（搜索员）：
- 工具：网页搜索、论文检索
- 任务：收集相关信息

Agent 2（分析员）：
- 工具：数据分析、代码执行
- 任务：分析数据得出结论

Agent 3（撰写员）：
- 工具：文本生成、格式排版
- 任务：撰写最终报告

通过 Router/Classifier 组件协调各 Agent

# Langflow 的 Flow 可以导出为 JSON 文件
# 也可以在 Python 应用中直接使用

# 命令行运行 Flow
langflow run --flow my_flow.json  # 运行导出的 Flow

# Python 中使用
from langflow.load import run_flow_from_json  # 导入运行函数
result = run_flow_from_json(
    "my_flow.json",  # Flow 文件路径
    input_value="你好，请帮我总结这篇文章"  # 输入值
)
print(result)  # 打印结果