当Langflow遇见DeepSeek：可视化开发工作流的新解法

最近读者后台留言，问有没有好用的工作流平台。确实，对于大多数流程相对固定的任务，采用工作流完成确实是最优解，这种需求一直存在。

今天要吹的这款神器叫做Langflow——一个能让小白用可视化拖拽玩转RAG应用、多Agent系统的神器。这项目在GitHub上已经收获47k star，更新非常频繁，社区非常活跃。

这款Langflow工作流搭配现在火热的DeepSeek，更是让你如虎添翼。

今天就带大家一探究竟！

一、AI界的乐高积木

想象一下，用拖拽积木的方式就能搭建AI工作流——这就是Langflow的核心魔法✨。它把大语言模型、数据库、向量数据库、API接口都变成了可视化组件，并且已经支持 MCP(Model Context Protocol)，能通过MCP进行扩展，以实现脱虚向实。

项目核心优势：

✅ Python+Typescript开发，私有部署只需一行命令，无需其他依赖

✅ 支持Windows、Linux、Mac等平台

✅ 适配 OpenAI/DeepSeek/Ollama 等20余种主流大模型接口

✅ 支持Chroma/Milvus/Pinecone等20余种向量数据库

✅ 全流程可视化编排，支持if-else等复杂逻辑

✅ 支持导出为Python代码或API服务

✅ 支持各种Agent，支持MCP，扩展系统外能力

二、极速部署

比起动辄需要GPU集群的AI项目，在Windows系统中，Langflow的安装非常简单，先安装Python 3.10 或 3.12 (建议在conda环境下)：

使用uv安装(推荐):

uv pip install langflow

直接使用 pip 安装：

pip install langflow

运行：

python -m langflow run

首次运行的时间比较长，出现以下就表示成功运行了 ：

浏览器打开http://localhost:7860，你的AI工作室就准备就绪啦！Windows/Mac/Linux全平台通吃~

二、实战：博客生成器

Langflow 内置了不少工作流模版，包括市场研究、SEO关键词生成器、Blog生成器、Ins文案生成、文档问答等。

从模版中选择Blog Writer，即生成一个新的项目。

从上述工作流可以读懂他的流程：从两个设定的URL中读取网页，然后提取正文文字。从 Instructs 模块中读取用户指令，然后一起给到 Prompt 模块。

Prompt模块的输入有 instructions以及refrences两项，而Template中内容如下:

Reference 1:

{references}

---

{instructions}

Blog:

上面表示将输入的 refrences 和 instructions 文本内容，直接放到上述{references} 和 {instructions} 里，形成最终的用户提示词。

这个提示词给到OpenAI模块。

OpenAI模块会调用OpenAI的chat接口，由gpt-4o-mini进行博文的编写，最后输出到 Chat Output。

这里我们将模型改为调DeepSeek的接口。

点击OpenAI模块上悬浮工具栏的"Controls"

弹出设置页中，修改 API Base和API Key，按 DeepSeek 文档(https://api-docs.deepseek.com/zh-cn/)填写。

其中兼容OpenAI的Base为 : https://api.deepseek.com/v1

填入您DeepSeek的API Key，形如 sk-xxxxx

Model Name 这项这里由于只有选项，不能填指定值，所以无需修改。

关闭设置页，设置自动保存，然后点击悬浮工具栏上的"Code"

在 build_model 函数中，将 model_name 强制修改为 "deepseek-chat"，这表示模型名采用 "deepseek-chat"这个值，而不用界面设置的 gpt-4o-mini。然后点击右下角的 Check & Save 按钮。

Langflow的强大也在于此，可以很方便修改每个节点中的行为，不只有界面。

即便不会Python也没关系，借助大模型，即可以轻松进行功能添加。

所有配置工作完成了，点击 Chat Output 右上角的运行小图标

整个工作流就运行起来了

可以看到每个节点右上角有运行状态，节点完成后还会显示消耗的时间，一目了然。

三、更多场景

Langflow提供了大量的处理节点，可以满足你各种需求：

场景1：让AI帮你写周报。

将你每天的工作进行记录，作为输入提供给Langflow。

写好一个标准的周报示例，内置在上述 Template 中。

每周只需要运行一次，工作流即帮你生成当周的周报。

每周仅需点击生成按钮，即可获得符合企业规范的完整周报文档，告别重复性文档整理，让您专注核心工作，效率提升60%以上。

场景2：简单文档问答

场景3：RAG

Langflow提供智能文本分块模块，可高效处理长文档并实现结构化存储。系统通过语义解析将文本智能拆分为逻辑连贯的段落单元，并精准嵌入向量数据库构建知识图谱。

当用户发起查询时，检索模块先进的向量检索，首先从知识库中快速定位相关语义片段，继而通过智能整合引擎将精选内容提交给大语言模型，最终生成精准可靠的定制化回答。

RAG工作流有效解决了长文本处理中的信息碎片化难题，显著提升了知识检索效率和问答准确率。

四、进阶

除在图形化创建和执行流程以外，Langflow还支持将流程导出为Json文件，与langchain一起使用，以程序化的方式帮你完成定时、批量的任务。

看完这篇还在等什么？快去搭个AI助理，光明正大摸鱼吧！（老板问起就说在学习AGI技术🧠）

项目主页: https://github.com/langflow-ai/langflow

文章来自于“AI工作流”，作者“种花得花”。