Langflow 是 GitHub 上星数最高的可视化 AI agent 与工作流构建平台之一。截至 2026 年 7 月底，152,510 颗星、9,673 个 fork、MIT 协议、纯 Python，仓库 2023 年 2 月 8 日创建，最新版 v1.11.0，距首提交三年半。它干的事一句话能说明白：拖拽组件搭出 LLM 工作流，一键部署成 API 或 MCP server，把每条流程变成任意框架应用可调用的工具。官方定位是 batteries included--支持所有主流 LLM、向量数据库和不断增长的 AI 工具库，开箱即用；还自带 Langflow Desktop（Win/Mac 双端，全部依赖打包，不用碰 Python 环境），是最省心的上手路径。
解决什么痛点
搭过 LLM 应用的人都踩过这几样：用 LangChain 写链，prompt、工具、检索、memory 全得手撸代码，改一处逻辑要翻半个工程，调试全靠 print；想让非技术同事自己改 prompt 调流程，人家看不懂代码，所有改动都堆到开发者头上；工作流跑通了要对外提供，还得自己再写一层 FastAPI 包一层 server，agent 一升级接口就脱节；想把内部工作流接给自家 AI agent 调用，又得手搓 MCP server 协议层；接 LangSmith 看链路、接向量库做检索、接工具调用，每个集成都是一遍 boilerplate；想跨技术栈复用同一条流程，前端是 Node、后端是 Go、agent 是 Python，每种栈都得重写一遍胶水。Langflow 把这些打包：可视化拖拽当编辑器，组件当积木，部署一键出 API/MCP，可观测性、企业级安全、多 agent 编排都内置。核心转变是从「写代码搭链」换成「拼组件配流程」，业务逻辑可视化、可迭代、可一键外发。
可视化拖拽 + Python 源码全开放
可视化 builder 是它的入口。组件库里 LLM、向量数据库、prompt template、tool、memory 都现成，拖出来连线上就能跑，迭代用交互式 playground：一步一步执行流程，每个节点的输入输出都看得见，能在任意节点暂停、改输入、单步继续，看中间状态再决定下一步，调 prompt、换模型、加检索都即时验证，不用重跑整个链。这是它和「纯代码方案」的根本分野--业务逻辑变成画布上的节点，非技术同事能看、能改 prompt、能调参数，开发者只管写底层组件。但 Langflow 没把你看死在画布里：每个组件都开放源码，点进去就是 Python 代码，直接在编辑器里改，自定义组件当一等公民对待。这意味着你既享受可视化的快速搭建，又能在边界处用 Python 写死逻辑--调一个内部 SDK、加一段业务校验、改一个 retrieval 策略，直接改组件代码，不用 fork 整个项目。这种「可视化 + 源码随时切」的混合模式是它和 Coze/Dify 这类纯托管 SaaS 的关键差异：你的逻辑不被锁在别人平台的画布上，组件是 Python 类，能导能改能复用。
一键部署成 API 或 MCP server
工作流跑通了要对外提供，这是 Langflow 最省事的一步。一键 deploy as API：直接得到一个 REST 端点，不管你的应用是 Node、Go、还是 Python 写的，前端、后端、第三方都能调，不用自己再包 FastAPI、不用管 server 生命周期。一键 deploy as MCP server：流程直接变成 MCP 客户端可调用的工具，Claude Desktop、Cursor、Claude Code 这类支持 MCP 的 agent 一连就能用，不用你手搓 MCP 协议层。还有一条路是 export as JSON：把整个流程导成 JSON，再在 Python 应用里加载运行，适合把流程嵌进自家代码、做定时调度、跑批处理。三种出口对应三种用法：API 给外部调用，MCP 给 AI agent 调用，JSON 给自家 Python 代码内嵌。在 AI agent 越来越把工具当一等公民的当下，MCP server 这条出口尤其值钱：你把一条内部工作流（查数据库 + 跑模型 + 发通知）部署成 MCP tool，全公司所有支持 MCP 的 agent 都能直接调，相当于把内部流程变成 AI 可调用的 API 资产。
多 agent 编排 + 可观测性 + 企业级安全
复杂场景一个 agent 不够用。Langflow 内置多 agent 编排：多个 agent 之间能做对话管理和检索，互相调用、传递上下文，适合做「一个负责理解、一个负责检索、一个负责执行」这类分工，不用自己手撸 orchestration 层。检索这条线尤其有用：多 agent 共享一个向量库做 RAG，每个 agent 按自己的职责检索不同切片，结果在编排层汇总，比单 agent 一把梭抓得更准。可观测性是另一个内置项，直接集成 LangSmith、LangFuse 这些主流观测平台，每条流程的每一步、每次 LLM 调用、token 消耗、延迟都能在观测平台里看，多 agent 链路里哪个节点出问题一目了然，调优和排错不用靠猜。企业级是它和 SaaS 同类的差异化卖点：开源 MIT 意味着数据完全自托管，不出你的域、不进第三方云；可扩展性按企业规模设计，部署支持 Docker 单机、Kubernetes 集群、各大公有云（官方有 deployment guides）。这一层让它从「个人开发者工具」能往下沉到「企业内部 AI 平台」：企业 IT 自建一套 Langflow 实例，内部团队都能上去搭流程、共享组件、统一观测和安全管控，相当于企业内部的 AI 工作流 PaaS。
三分钟上手
# 1. 装（Python 3.10-3.14，推荐 uv）
uv pip install langflow -U
# 2. 跑
uv run langflow run
# 浏览器自动开 http://127.0.0.1:7860 进可视化编辑器
# 3. 验证
# 拖一个 LLM 组件 + 一个 prompt 组件连起来，点 Run，在 playground 看输出
# Deploy as API / MCP server 一键出端点不想管 Python 环境，直接下 Langflow Desktop（Win/Mac，自带全部依赖）：https://www.langflow.org/desktop。Docker 也行：docker run -p 7860:7860 langflowai/langflow:latest，开箱即用。要贡献代码或跑源码版，clone 仓库后在根目录 make run_cli 起开发环境。
适合谁 + 五个踩坑
适合：要快速搭 LLM 工作流原型、想让非技术同事能改 prompt 调流程的团队；要搭内部知识库 RAG、用上向量库和检索增强的开发者；企业要自建内部 AI 工作流平台、要数据自托管的；做 AI agent 想把内部工作流变成 MCP 工具给 agent 调用的；要可视化 + 源码混合模式的开发者。
踩坑记五条。一是 Python 版本卡死 3.10-3.14，太新或太旧都装不上，新机器默认 Python 可能是 3.15+，得用 uv 或 pyenv 单独配。二是可视化编辑器有学习曲线，组件多、连线规则有自己的范式，从零上手要花半天摸清「哪个组件配哪个、数据怎么传」，比写代码入门慢。三是复杂流程在画布上会变难维护，节点一多连线像意大利面，调试和版本管理比纯代码差，建议复杂逻辑直接写 Python 自定义组件而不是堆画布。四是 MCP server 部署后的安全暴露面，把内部工作流变成 MCP tool 给 agent 调，意味着 agent 能触达内部数据，鉴权和访问控制必须配齐，别裸奔。五是自托管开源版不等于企业级 SLA，生产关键场景要么上 Langflow 官方企业版要么自己兜底运维，开源 MIT 是工具协议不是服务承诺；同时开源版自带组件依赖多，LLM、向量库、各路 integration 全装下来体积不小，轻量场景考虑直接用 LangChain 写代码更省。
和竞品比
和 Coze、Dify 比，本质是「开源自托管」对「托管 SaaS」：Coze/Dify 上手快、托管省心、有官方维护，但数据进别人家、流程被锁在别人平台、组件自定义受限，平台一调价或改政策你跟着走；Langflow 开源 MIT 自托管、数据不出域、组件源码全开放、Python 自定义无限制，但运维得自己来。Langflow 的 MCP server 出口对 AI agent 生态更友好，把内部工作流直接变成 agent 可调用工具，是它面向 AI agent 时代的差异化卖点--Coze/Dify 的出口更多是 API + 嵌入式 SDK，没把 MCP 当一等公民。和 n8n 比，n8n 是通用自动化（连 SaaS、跑定时、跨系统），Langflow 是 AI 原生（LLM、向量库、agent 编排、prompt 工程一等公民），做 AI 工作流选 Langflow，做通用业务自动化选 n8n，两者互补。一句话：要开源可控、Python 可深度自定义、AI 原生、能一键出 MCP tool 的可视化平台，选 Langflow；要托管省心选 Coze/Dify；要通用自动化选 n8n。
参考来源
- Langflow GitHub 仓库（152k star，MIT，Python）：https://github.com/langflow-ai/langflow
- 官方文档（安装 / 部署 / 组件 / MCP）：https://docs.langflow.org
- Langflow Desktop 下载（Win/Mac，自带依赖）：https://www.langflow.org/desktop
- 部署指南（Docker / Kubernetes / 云）：https://docs.langflow.org/deployment-overview
- 安装并运行 OSS Python 包：https://docs.langflow.org/get-started-installation#install-and-run-the-langflow-oss-python-package