入门

用 Langflow 拖拽搭建 AI 智能体工作流（可视化，零代码）

2026.07.12· 7 个步骤 · 22 分钟阅读· 🧩 Langflow

你有没有过这种经历：想做个 AI 助手，结果被"向量数据库、嵌入模型、Prompt 工程"这些词绕晕，吭哧吭哧写了三天代码调接口，换个模型又得重写一半？Langflow 就是来解决这个痛点的——它把 AI 应用开发做成了"乐高积木"，左边组件库、中间画布、右边配置面板，不用写代码，拖拖拽拽就能把大模型、数据库、API 串成完整的智能体工作流。本教程每一步都写得很细，跟着做就行。

🧩 本教程适合：想快速搭 AI 智能体但不想写代码的产品、运营、创业者，以及想用可视化方式验证 Agent 想法的开发者。你只需要一台能上网的电脑（本地部署版需要一个装好 Docker/Python 的环境）。

先搞懂：Langflow 和 Dify 有什么不一样？

很多新手会问"它和 Dify 有啥区别"。一句话：Dify 更像一个"应用工厂"（擅长做聊天助手、把它发布成一个产品），Langflow 更像一个"流程画板"（擅长把多个步骤、多个工具拼成一条有逻辑的工作流）。

维度	Langflow	Dify
核心形态	可视化节点流程图	应用搭建 + 运营管理后台
擅长场景	多步骤 Agent、工具编排、实验	聊天助手、知识库问答、对外发布
上手门槛	拖拽，零代码	拖拽，零代码
典型用途	"查 CRM → 写文件 → 发邮件"一条龙	"懂我资料的客服/问答机器人"

新手建议：两个都值得学，它们是互补关系。本教程先带你用 Langflow 跑通一个"会调用工具的多步骤 Agent"，理解了"节点连线"这套思维，你再看任何 AI 工作流平台都能秒懂。

Step 1：启动 Langflow（云端 or 本地）

1 选一种方式把它跑起来

Langflow 有两种用法，新手建议先用云端，零安装；想数据全放本地再上 Docker。

方式 A：云端版（最省事，免安装）
1. 浏览器打开：langflow.org 或登录官网托管版
2. 注册/登录，进入画布（Canvas）即可开始

方式 B：本地 Docker 部署（数据不出本机）
1. 确保已装 Docker
2. 终端执行：
   docker run -p 7860:7860 langflowai/langflow:latest
3. 浏览器打开 http://localhost:7860

💡 想完全离线、把敏感数据留在本机？选方式 B。第一次跑建议先云端跑通整个流程，理解了再考虑本地化。

Step 2：认识画布——左边组件、中间连线、右边配置

2 看懂三块区域

进入画布后，界面分三块，这是理解 Langflow 的关键：

左侧「Components 组件库」：
  - Models（模型）：OpenAI / DeepSeek / Ollama 等
  - Prompt（提示词）：系统提示、聊天模板
  - Tools（工具）：搜索、计算器、API 调用
  - Data（数据）：向量库、文档加载
  - Agents（智能体）：把上面拼成会思考的 Agent

中间「Canvas 画布」：把组件拖进来，像接线一样连起来
右边「配置面板」：点中某个节点，在这里填参数

最常见的"翻车"：节点没连对。Langflow 是"连线即逻辑"——数据从上一个节点的输出口，流向下一个节点的输入口。连线错了，跑起来就会报"缺少输入"。连线时看清楚接口的箭头方向即可。

Step 3：拼第一个 Agent——让大模型能对话

3 三块组件，连成一条线

我们来做一个最基础的"会聊天的 Agent"。从左侧拖三个组件到画布，再连线：

1. 拖一个「Chat Input」到画布（用户说的话从这里进）
2. 拖一个「OpenAI / DeepSeek / Ollama」模型组件
3. 拖一个「Chat Output」到画布（AI 的回答从这里出）
4. 连线：
   Chat Input 的输出 → 模型组件的输入
   模型的输出 → Chat Output 的输入
5. 选中模型组件，在右侧填入你的 API Key（或 Ollama 地址）

💡 右上角「Playground / 测试」里就能直接和它对话了！到这一步，你已经搭好一个最朴素的聊天 Agent。下面我们给它加"工具"，让它真的能干活。

Step 4：给 Agent 装"工具"，让它真的能干活

4 从"只会说"到"会做"

光会聊天不够。Langflow 的精髓是给 Agent 接工具。我们以"联网搜索 + 读文件"为例：

1. 左侧拖一个「Agent」组件（注意是 Agent 不是单纯 Model）
2. 把模型组件连到 Agent 的「llm」输入口
3. 拖一个「Wikipedia / SerpAPI 搜索」工具组件，连到 Agent 的「tools」
4. 拖一个「File」组件加载你的资料，连到 Agent 的「memory / context」
5. 连线：Chat Input → Agent → Chat Output
6. 测试：问它"帮我查一下最新的 XX 新闻并总结"，
   它会自己决定"先搜索、再总结"

这才是智能体的核心：Agent 节点会自己决定"该调哪个工具、按什么顺序"。你不用写 if-else，只要把工具接上，让它自己编排。这也是它和"固定工作流"最大的区别。

Step 5：做一个"多步骤工作流"——销售客户分级

5 把多个步骤串成流水线

举个接地气的例子：你有一份客户邮箱列表，想找出最值钱的大客户并安排会议。用 Langflow 这样拼：

流程节点（按顺序连线）：
1. Data / File 加载客户列表（CSV 或 Excel）
2. Agent 调用 CRM 接口 / 读取字段，比的营收、行业
3. Python 函数节点：按营收排优先级，筛出 Top 10
4. Agent 生成个性化邀约邮件草稿
5. Email / 文件输出节点：导出结果或发送

全程你只"描述需求"，Agent 自己调接口、写文件、排顺序。

🔑 关键思维：把"复杂任务"拆成"一个个小积木"，每个积木负责一件事，再用连线把它们排成流水线。这种"积木思维"是所有 AI 工作流平台的通用底层逻辑。

Step 6：接上你自己的大模型（国内模型也行）

6 不必只用 OpenAI

Langflow 不挑模型。国内模型直接选对应组件或填兼容 API 即可：

常见选择（任选其一）：
· DeepSeek   → 组件选 DeepSeek，填 API Key
· 通义千问   → 组件选 DashScope / Qwen，填 Key
· 智谱 GLM   → 组件选 ZhipuAI，填 Key
· Ollama 本地模型 → 组件选 Ollama，填 http://localhost:11434

填好后在「Playground」测试对话即可验证连接。

💡 想零成本练手？用 Ollama 跑本地模型（详见本中心《本地部署开源大模型》教程），整个流程一分钱不花。

Step 7：导出与发布——把工作流用起来

7 三种方式交付

1. 直接分享：点「Share / API」，拿到一个可调用的 API 地址
2. 嵌入网站：复制代码片段，贴到网页里就是一个聊天气泡
3. 导出 JSON：点「Export」，把整个流程图存成 .json
   → 下次导入即可复用，也能发给同事

🎉 恭喜！你已经完整跑通了"启动 → 拼节点 → 装工具 → 做多步骤流程 → 接模型 → 发布"的全流程。这套"拖拽连线"思维，迁移到 Dify、n8n、Coze 任何平台都通用。

常见问题速查

你遇到的现象	大概率原因 & 解决
运行时报"missing input"	节点连线方向错或漏连，检查箭头输入输出
Agent 不调工具，直接瞎编	工具没连到 Agent 的 tools 口，或工具 Key 没填
本地打不开 7860 端口	Docker 没起 / 端口被占，换 -p 7861:7860 重试
国内模型连不上	确认填的是"兼容 OpenAI 的 Base URL"，不是官网地址

📚 更多教程 🧩 Dify 入门 📰 智能体资讯