Визуальный конструктор ИИ Langflow

Разверните Langflow на Clore.ai — создавайте и запускайте визуальные ИИ-пайплайны, RAG-системы и многоагентные воркфлоу на доступной GPU-облачной инфраструктуре с no-code интерфейсом drag-and-drop.

Обзор

Langflow — это low-code платформа с открытым исходным кодом для создания ИИ-приложений с помощью визуального интерфейса drag-and-drop. Имея более 55 тыс. звезд на GitHub и быстро растущее сообщество, она стала одним из основных инструментов для прототипирования и развертывания рабочих процессов на базе LLM без написания сложного шаблонного кода.

Langflow построен поверх LangChain и предоставляет графический редактор, где вы можете соединять компоненты — LLM, векторные хранилища, загрузчики документов, ретриверы, агентов, инструменты — проводя линии между узлами. Получившийся конвейер можно экспортировать как API-эндпоинт, делиться им как шаблоном или встраивать в ваше приложение.

Ключевые возможности:

• Визуальный конструктор RAG — Подключайте загрузчики документов → эмбеддинги → векторные хранилища → ретриверы за минуты

• Многоагентные рабочие процессы — Связывайте нескольких ИИ-агентов с памятью, инструментами и логикой принятия решений

• Интеграция с LangChain — Доступ ко всей экосистеме LangChain через узлы интерфейса

• Маркетплейс компонентов — Компоненты от сообщества для десятков сервисов

• API-first — Для каждого потока автоматически создается REST API-эндпоинт

• Память и состояние — Встроенная память диалогов, управление сессиями

Почему Clore.ai для Langflow?

Требования Langflow к вычислительным ресурсам минимальны — это Python-веб-сервер, который управляет оркестрацией рабочих процессов. Однако Clore.ai открывает мощные сценарии использования:

• Локально размещенные эмбеддинги — Запускайте локальные модели эмбеддингов (nomic-embed, BGE) на GPU для быстрой и бесплатной генерации векторов

• Локальные LLM-бэкенды — Подключите Langflow к Ollama или vLLM, работающим на том же сервере

• Конвейеры с приватными данными — Обрабатывайте конфиденциальные документы, не отправляя данные во внешние API

• Оптимизация затрат — Замените дорогие вызовы эмбеддингов OpenAI бесплатным локальным инференсом

• Постоянные рабочие процессы — Долгоживущие потоки на выделенных серверах (в отличие от временных облачных функций)

---

Требования

Сам Langflow легковесен и работает на CPU. GPU необязателен, но позволяет бесплатно выполнять локальный LLM/эмбеддинг-инференс.

Конфигурация	GPU	VRAM	ОЗУ	Хранилище	Оценочная цена
Только Langflow (API-бэкенды)	Не требуется	—	4 ГБ	10 ГБ	≈$0.03–0.08/ч
+ Локальные эмбеддинги (nomic-embed)	RTX 3090	24 ГБ	8 ГБ	20 ГБ	$0.07–0.21/ч
+ Ollama (Llama 3.1 8B)	RTX 3090	24 ГБ	16 ГБ	40 ГБ	$0.07–0.21/ч
+ Ollama (Qwen2.5 32B)	RTX 4090	24 ГБ	32 ГБ	60 ГБ	$0.14–0.42/ч
+ vLLM (production RAG)	A100 80 ГБ	80 ГБ	64 ГБ	100 ГБ	голое железо

Для сравнения вариантов GPU на Clore.ai см. Руководство по сравнению GPU.

Системные требования на сервере Clore.ai:

• Docker Engine (предустановлен во всех образах Clore.ai)

• NVIDIA Container Toolkit (предустановлен в GPU-образах, требуется только для локальной LLM)

• 10+ ГБ свободного дискового пространства для образа Langflow и данных потока

• Исходящий доступ в интернет (для загрузки Docker-образов и обращения к внешним API)

---

Быстрый старт

Шаг 1: Подключитесь к вашему серверу Clore.ai

Арендуйте сервер на маркетплейсе Clore.ai. Для использования только Langflow подойдет любой сервер с ≥4 ГБ ОЗУ. Подключитесь по SSH:

ssh root@<server-ip> -p <ssh-port>

Шаг 2: Запустите Langflow с Docker

Самое простое развертывание — одна команда:

docker run -d \
  --name langflow \\
  --restart unless-stopped \\
  -p 7860:7860 \\
  langflowai/langflow:latest

Подождите около 30–60 секунд, пока произойдет запуск, затем откройте http://<server-ip>:7860

Шаг 3: Откройте порт 7860 в Clore.ai

В панели управления Clore.ai перейдите к вашему серверу → раздел Ports → убедитесь, что 7860 сопоставлен. Если используете собственный шаблон, добавьте 7860:7860 в конфигурацию портов перед запуском сервера.

Шаг 4: Первый запуск

При первом посещении Langflow:

1. Покажет экран приветствия и предложит создать аккаунт (или пропустить)

2. Предложит набор стартовых шаблонов (RAG, чат-бот, агент)

3. Откроет визуальный редактор холста

Теперь вы готовы создать свой первый поток!

---

Конфигурация

Постоянное хранение данных

По умолчанию Langflow хранит потоки и данные внутри контейнера. Подключите том, чтобы сохранять их между перезапусками:

mkdir -p /opt/langflow/data

docker run -d \
  --name langflow \\
  --restart unless-stopped \\
  -p 7860:7860 \\
  -v /opt/langflow/data:/app/langflow \\
  -e LANGFLOW_DATABASE_URL=sqlite:////app/langflow/langflow.db \\
  langflowai/langflow:latest

Справочник переменных окружения

docker run -d \
  --name langflow \\
  --restart unless-stopped \\
  -p 7860:7860 \\
  -v /opt/langflow/data:/app/langflow \\
  -e LANGFLOW_HOST=0.0.0.0 \\
  -e LANGFLOW_PORT=7860 \\
  -e LANGFLOW_DATABASE_URL=sqlite:////app/langflow/langflow.db \\
  -e LANGFLOW_SECRET_KEY=your-secret-key-here \\
  -e LANGFLOW_AUTO_LOGIN=false \\
  -e LANGFLOW_SUPERUSER=admin \\
  -e LANGFLOW_SUPERUSER_PASSWORD=your-password \\
  -e LANGFLOW_WORKERS=2 \\
  -e LANGFLOW_LOG_LEVEL=info \\
  langflowai/langflow:latest

Переменная	Описание	По умолчанию
LANGFLOW_HOST	Адрес привязки	0.0.0.0
LANGFLOW_PORT	Порт веб-сервера	7860
LANGFLOW_DATABASE_URL	Строка подключения к базе данных	SQLite в памяти
LANGFLOW_SECRET_KEY	Секрет сеанса (задайте для production)	Случайный
LANGFLOW_AUTO_LOGIN	Пропустить экран входа	true
LANGFLOW_SUPERUSER	Имя администратора	admin
LANGFLOW_SUPERUSER_PASSWORD	Пароль администратора	—
LANGFLOW_WORKERS	Количество API-worker-процессов	1
LANGFLOW_LOG_LEVEL	Подробность логирования	critical
OPENAI_API_KEY	Предзагрузить ключ OpenAI	—

Использование PostgreSQL (production)

Для многопользовательских или production-развертываний используйте PostgreSQL вместо SQLite:

# Запустите PostgreSQL
docker run -d \
  --name langflow-db \\
  --restart unless-stopped \\
  -e POSTGRES_USER=langflow \\
  -e POSTGRES_PASSWORD=langflow-secret \\
  -e POSTGRES_DB=langflow \\
  -v langflow-pgdata:/var/lib/postgresql/data \\
  postgres:16-alpine

# Запустите Langflow с backend PostgreSQL
docker run -d \
  --name langflow \\
  --restart unless-stopped \\
  --link langflow-db:db \\
  -p 7860:7860 \\
  -v /opt/langflow/data:/app/langflow \\
  -e LANGFLOW_DATABASE_URL=postgresql://langflow:langflow-secret@db:5432/langflow \\
  -e LANGFLOW_SECRET_KEY=$(openssl rand -hex 32) \\
  -e LANGFLOW_AUTO_LOGIN=false \\
  -e LANGFLOW_SUPERUSER=admin \\
  -e LANGFLOW_SUPERUSER_PASSWORD=changeme \\
  langflowai/langflow:latest

Docker Compose (полный стек)

Для полной конфигурации с PostgreSQL и reverse proxy Nginx:

# /opt/langflow/docker-compose.yml
version: "3.9"

services:
  langflow:
    image: langflowai/langflow:latest
    restart: unless-stopped
    ports:
      - "7860:7860"
    environment:
      - LANGFLOW_DATABASE_URL=postgresql://langflow:secret@db:5432/langflow
      - LANGFLOW_SECRET_KEY=${SECRET_KEY:-changeme}
      - LANGFLOW_AUTO_LOGIN=false
      - LANGFLOW_SUPERUSER=admin
      - LANGFLOW_SUPERUSER_PASSWORD=${ADMIN_PASSWORD:-changeme}
      - LANGFLOW_WORKERS=2
    volumes:
      - langflow-data:/app/langflow
    depends_on:
      db:
        condition: service_healthy

  db:
    image: postgres:16-alpine
    restart: unless-stopped
    environment:
      - POSTGRES_USER=langflow
      - POSTGRES_PASSWORD=secret
      - POSTGRES_DB=langflow
    volumes:
      - pgdata:/var/lib/postgresql/data
    healthcheck:
      test: ["CMD-SHELL", "pg_isready -U langflow"]
      interval: 10s
      timeout: 5s
      retries: 5

volumes:
  langflow-data:
  pgdata:

cd /opt/langflow
SECRET_KEY=$(openssl rand -hex 32) ADMIN_PASSWORD=yourpassword docker compose up -d

Фиксация конкретной версии

Для воспроизводимых развертываний зафиксируйте конкретную версию:

# Список доступных версий: https://hub.docker.com/r/langflowai/langflow/tags
docker run -d \
  --name langflow \\
  -p 7860:7860 \\
  langflowai/langflow:1.1.4

---

Ускорение с помощью GPU (интеграция локальных моделей)

Сам Langflow работает на CPU, но подключение к локальным сервисам на GPU на том же сервере Clore.ai открывает бесплатный приватный инференс.

Подключение Langflow к Ollama

# Шаг 1: Запустите Ollama с GPU
docker run -d \
  --name ollama \\
  --gpus all \
  --restart unless-stopped \\
  -p 11434:11434 \\
  -v ollama-models:/root/.ollama \\
  ollama/ollama:latest

# Шаг 2: Скачайте модели для разных сценариев использования
docker exec ollama ollama pull llama3.1:8b          # Общий чат
docker exec ollama ollama pull nomic-embed-text     # Эмбеддинги для RAG
docker exec ollama ollama pull qwen2.5-coder:7b    # Генерация кода

# Шаг 3: Запустите Langflow с доступом к сети Ollama
docker run -d \
  --name langflow \\
  --restart unless-stopped \\
  -p 7860:7860 \\
  -v /opt/langflow/data:/app/langflow \\
  --add-host host.docker.internal:host-gateway \\
  langflowai/langflow:latest

В интерфейсе Langflow используйте компонент Ollama

• с: Базовый URL:

• Модель: llama3.1:8b

Для эмбеддингов используйте OllamaEmbeddings Ollama

• с: Базовый URL:

• Модель: nomic-embed-text

Полная конфигурация Ollama: см. руководство по Ollama

Подключение Langflow к vLLM (совместимый с OpenAI)

# Запустите vLLM с OpenAI-совместимым API
docker run -d \
  --name vllm \\
  --gpus all \
  --restart unless-stopped \\
  -p 8000:8000 \\
  --ipc=host \\
  vllm/vllm-openai:latest \\
  --model mistralai/Mistral-7B-Instruct-v0.3 \\
  --gpu-memory-utilization 0.85

# В Langflow используйте компонент OpenAI с пользовательским базовым URL:
# Базовый URL: http://host.docker.internal:8000/v1
# API-ключ: любое значение, например "none"
# Модель: mistralai/Mistral-7B-Instruct-v0.3

Полная конфигурация vLLM: см. руководство по vLLM

Создание локального RAG-конвейера

Пример RAG-потока, использующего только локальные модели (без затрат на API):

1. Загрузчик файлов узел → загружает PDF/текстовые документы

2. Разделитель текста узел → разбивает документы на фрагменты (размер: 512, перекрытие: 50)

3. OllamaEmbeddings узел → генерирует эмбеддинги (модель: nomic-embed-text)

4. Chroma или FAISS узел → хранит векторы локально

5. OllamaEmbeddings узел → преобразует запрос пользователя в эмбеддинг

6. Ретривер узел → находит k наиболее похожих фрагментов

7. компонент узел → генерирует ответ (модель: llama3.1:8b)

8. Вывод чата узел → возвращает ответ

Весь этот конвейер работает на вашем сервере Clore.ai без каких-либо внешних API-вызовов.

---

Советы и лучшие практики

1. Экспортируйте потоки как резервные копии

Перед остановкой сервера Clore.ai экспортируйте свои потоки:

• В интерфейсе: Flows → Выбрать все → Экспорт → Скачать JSON

• Или через API: curl http://localhost:7860/api/v1/flows/

Храните их в постоянном томе или скачайте на локальный компьютер.

2. Используйте API для автоматизации

Каждый поток Langflow создает API-эндпоинт. Запускайте потоки программно:

# Получите ID потока в интерфейсе (он показан в URL)
FLOW_ID="your-flow-id-here"

curl -X POST \\
  "http://<server-ip>:7860/api/v1/run/$FLOW_ID" \\
  -H "Content-Type: application/json" \\
  -d '{
    "input_value": "Суммируй последние научные статьи по ИИ",
    "input_type": "chat",
    "output_type": "chat"
  }'

3. Защитите свой экземпляр

Для всего, что выходит за рамки локального тестирования:

# Всегда настраивайте аутентификацию
-e LANGFLOW_AUTO_LOGIN=false \\
-e LANGFLOW_SUPERUSER=admin \\
-e LANGFLOW_SUPERUSER_PASSWORD=$(openssl rand -base64 16)

# Используйте надежный секретный ключ
-e LANGFLOW_SECRET_KEY=$(openssl rand -hex 32)

4. Следите за использованием памяти

Langflow может со временем накапливать потребление памяти при большом количестве активных потоков:

docker stats langflow
# Если потребление памяти растет бесконечно, периодически перезапускайте:
docker restart langflow

5. Используйте стартовые шаблоны

Langflow поставляется с готовыми к production шаблонами:

• Базовый RAG — Вопросы и ответы по документам с векторным хранилищем

• Чат-бот с памятью — Диалоговый агент с историей

• Ассистент для исследований — Веб-поиск + синтез LLM

• Доступ через: Новый поток → Стартовые проекты

6. Кэширование компонентов

Включите кэширование, чтобы ускорить повторные запуски потока:

• В настройках потока: включите "Cache" на ресурсоемких узлах (эмбеддинги, вызовы LLM)

• Особенно полезно для поиска RAG во время разработки

---

Устранение неполадок

Контейнер не запускается

# Проверьте журналы на наличие ошибок
docker logs langflow --tail 50

# Частая проблема: порт уже используется
lsof -i :7860
# Завершите конфликтующий процесс или измените порт:
docker run ... -p 7861:7860 ...

Интерфейс загружается, но потоки не запускаются

# Проверьте статус worker-процесса
docker exec langflow ps aux | grep langflow

# Проверьте ошибки пакетов Python
docker logs langflow 2>&1 | grep -i error

# Перезапустите контейнер
docker restart langflow

Не удается подключиться к Ollama

# Проверьте соединение изнутри контейнера Langflow
docker exec langflow curl http://host.docker.internal:11434/api/tags

# Если флаг --add-host отсутствует, пересоздайте контейнер с:
--add-host host.docker.internal:host-gateway

# Убедитесь, что Ollama запущен
docker ps | grep ollama
curl http://localhost:11434/api/tags

Ошибки базы данных при перезапуске

# Если используется SQLite и возникают ошибки блокировки:
docker stop langflow
ls -la /opt/langflow/data/
# Проверьте наличие устаревших файлов .lock
rm -f /opt/langflow/data/langflow.db-wal
rm -f /opt/langflow/data/langflow.db-shm
docker start langflow

Медленное выполнение потока

# Увеличьте число worker-процессов для параллельной обработки
-e LANGFLOW_WORKERS=4

# Для задач с высокой нагрузкой на embedding убедитесь, что Ollama использует GPU:
docker exec ollama nvidia-smi
# При создании embedding должен отображаться уровень загрузки GPU

Сбросить пароль администратора

docker exec -it langflow python -c "
from langflow.services.database.utils import initialize_db
from langflow.services.deps import get_settings_service
# Вместо этого используйте CLI Langflow:
"
# Используйте метод через CLI:
docker exec -it langflow langflow superuser --username admin --password newpassword

---

Дополнительное чтение

• Репозиторий Langflow на GitHub — Исходный код, баги, журнал изменений

• Документация Langflow — Официальная документация, справочник по компонентам, документация API

• Langflow в Discord — Поддержка сообщества и обмен флоу

• Ollama на Clore.ai — Настройка локального LLM-бэкенда для Langflow

• vLLM на Clore.ai — Высокопроизводительное обслуживание LLM для production-флоу

• Руководство по сравнению GPU — Выберите подходящий GPU Clore.ai для вашей нагрузки

• Документация LangChain — Справочник по базовому фреймворку

• Docker Hub: langflowai/langflow — Доступные теги и версии образов