Langflow — визуальный конструктор ИИ

Разверните Langflow на Clore.ai — создавайте и запускайте визуальные AI-конвейеры, RAG-системы и многоагентные рабочие процессы на доступной GPU-инфраструктуре с интерфейсом перетаскивания без кода.

Обзор

Langflow — это открытая платформа с низким порогом кода для создания AI-приложений с помощью визуального интерфейса перетаскивания. С более чем 55 тыс. звёзд на GitHub и быстро растущим сообществом она стала одним из основных инструментов для прототипирования и развёртывания рабочих процессов на базе больших языковых моделей 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 — рисуя линии между узлами. Полученный конвейер можно экспортировать как конечную точку API, поделиться как шаблоном или встроить в ваше приложение.

Ключевые возможности:

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

• Многопроцессные (multi-agent) рабочие процессы — Сцепляйте несколько AI-агентов с памятью, инструментами и логикой принятия решений

• Интеграция с LangChain — Доступ к полной экосистеме LangChain через узлы UI

• Маркетплейс компонентов — Компоненты, внесённые сообществом для десятков сервисов

• API-first — Каждый поток автоматически генерирует 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, обрабатывающий оркестрацию рабочих процессов. Тем не менее Clore.ai открывает мощные сценарии использования:

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

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

• Приватные конвейеры данных — Обрабатывайте чувствительные документы без отправки данных внешним API

• Оптимизация затрат — Заменяйте дорогостоящие вызовы OpenAI для эмбеддингов на бесплатный локальный вывод

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

---

Требования

Сам Langflow лёгкий и основан на CPU. GPU опционален, но даёт возможность бесплатного локального вывода LLM/эмбеддингов.

Конфигурация	GPU	VRAM	ОЗУ	Хранилище	Оцениваемая цена
Только Langflow (бекенды API)	Не требуется	—	4 ГБ	10 ГБ	≈ $0.03–0.08/ч
+ Локальные эмбеддинги (nomic-embed)	RTX 3090	24 ГБ	8 ГБ	20 ГБ	≈ $0.20/ч
+ Ollama (Llama 3.1 8B)	RTX 3090	24 ГБ	16 ГБ	40 ГБ	≈ $0.20/ч
+ Ollama (Qwen2.5 32B)	RTX 4090	24 ГБ	32 ГБ	60 ГБ	≈ $0.35/ч
+ vLLM (производственный RAG)	A100 80GB	80 ГБ	64 ГБ	100 ГБ	≈ $1.10/ч

Для сравнения опций GPU на Clore.ai смотрите Руководство по сравнению GPU.

Требования к ПО на сервере Clore.ai:

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

• NVIDIA Container Toolkit (предустановлен на GPU-образах, требуется только для локальных LLM)

• 10+ ГБ свободного места на диске для образа Langflow и данных потоков

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

---

Быстрый старт

Шаг 1: Подключитесь к вашему серверу Clore.ai

Забронируйте сервер на маркетплейсе Clore.ai. Для использования только Langflow подойдёт любой сервер с ≥4 ГБ RAM. Подключитесь через SSH:

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

Шаг 2: Запустите Langflow с помощью Docker

Самое простое развёртывание — одна команда:

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

Подождите ~30–60 секунд для запуска, затем откройте по адресу http://<server-ip>:7860

Шаг 3: Откройте порт 7860 на Clore.ai

В панели Clore.ai перейдите к вашему серверу → раздел «Порты» → убедитесь, что 7860 маппируется. Если вы используете пользовательский шаблон, добавьте 7860:7860 в конфигурацию портов перед запуском сервера.

Шаг 4: Первый запуск

При первом посещении Langflow:

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

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

3. Откроет визуальный редактор канвы

Вы готовы создать свой первый поток!

---

Конфигурация

Постоянное хранение данных

По умолчанию Langflow хранит потоки и данные внутри контейнера. Примонтируйте том, чтобы сохранять данные при перезапусках:

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 сессии (установите для продакшена)	Случайный
LANGFLOW_AUTO_LOGIN	Пропустить экран входа	true
LANGFLOW_SUPERUSER	Имя администратора	admin
LANGFLOW_SUPERUSER_PASSWORD	Пароль администратора	—
LANGFLOW_WORKERS	Количество API-воркеров	1
LANGFLOW_LOG_LEVEL	Уровень логирования	critical
OPENAI_API_KEY	Предварительно загрузить ключ OpenAI	—

Использование PostgreSQL (Продакшен)

Для многопользовательских или продакшен-развёртываний используйте PostgreSQL вместо SQLite:

# Запустить 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

# Запустить Langflow с бэкендом 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 полноценной настройки с PostgreSQL и обратным прокси 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 развёртываний 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 его к локальным сервисам с поддержкой GPU на том же сервере Clore.ai даёт бесплатный и приватный вывод.

Подключение Langflow к Ollama

# Шаг 1: Запустить 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: Загрузить модели для разных сценариев
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: Запустить 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 параметрами:

• Базовый URL: http://host.docker.internal:11434

• Модель: llama3.1:8b

Для эмбеддингов используйте OllamaEmbeddings с параметрами:

• Базовый URL: http://host.docker.internal:11434

• Модель: nomic-embed-text

Полная конфигурация Ollama: смотрите руководство по Ollama

Подключение Langflow к vLLM (совместимому с OpenAI)

# Запустить vLLM с API, совместимым с OpenAI
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 Key: (любой значение, напр. "none")
# Модель: mistralai/Mistral-7B-Instruct-v0.3

Полная конфигурация vLLM: смотрите руководство по vLLM

Построение локального RAG-конвейера

Пример RAG-потока, использующего только локальные модели (нулевая стоимость API):

1. Загрузчик файлов узел → Загрузка PDF/текстовых документов

2. Разделитель текста узел → Разбивать документы на фрагменты (size: 512, overlap: 50)

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

4. Chroma или FAISS узел → Сохранять векторы локально

5. OllamaEmbeddings узел → Встраивать запрос пользователя

6. Ретривер узел → Находить топ-k похожих фрагментов

7. Ollama узел → Генерировать ответ (модель: llama3.1:8b)

8. Вывод чата узел → Возвращать ответ

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

---

Подсказки и лучшие практики

1. Экспортируйте потоки как резервные копии

Перед остановкой сервера Clore.ai экспортируйте ваши потоки:

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

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

Сохраните их в постоянном томе или скачайте на локальную машину.

2. Используйте API для автоматизации

Каждый поток Langflow генерирует конечную точку API. Запускайте потоки программно:

# Получите ID потока из UI (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 исследования в области ИИ",
    "input_type": "chat",
    "output_type": "chat"
  }'

3. Защитите ваш инстанс

Для всего, что выходит за рамки локального тестирования:

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

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

4. Мониторьте использование памяти

Langflow может накапливать использование памяти со временем при наличии многих активных потоков:

docker stats langflow
# Если память растёт без ограничений, перезапускайте периодически:
docker restart langflow

5. Используйте стартовые шаблоны

Langflow поставляется с шаблонами, готовыми к продакшену:

• Базовый RAG — Вопрос-ответ по документам с векторным хранилищем

• Чат-бот с памятью — Разговорный агент с историей

• Ассистент для исследований — Веб-поиск + синтез LLM

• Доступ через: New Flow → Starter Projects

6. Кэширование компонентов

Включите кэширование для ускорения повторных запусков потоков:

• В настройках потока: Включите "Cache" на дорогих узлах (эмбеддинги, вызовы LLM)

• Особенно полезно для RAG-ретривала во время разработки

---

Устранение неполадок

Контейнер не запускается

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

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

UI загружается, но потоки не выполняются

# Проверьте статус процессов воркеров
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 удаётся подключиться к Ollama

# Проверьте подключение 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 запущена
docker ps | grep ollama
curl http://localhost:11434/api/tags

Ошибки базы данных при перезапуске

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

Медленное выполнение потоков

# Увеличьте количество воркеров для параллельной обработки
-e LANGFLOW_WORKERS=4

# Для задач с интенсивным использованием эмбеддингов убедитесь, что Ollama использует GPU:
docker exec ollama nvidia-smi
# Должна отображаться загрузка GPU при эмбеддинге

Сброс пароля 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 CLI:
docker exec -it langflow langflow superuser --username admin --password newpassword

---

Дополнительное чтение

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

• Документация Langflow — Официальная документация, справочник компонентов, API-документация

• Discord Langflow — Поддержка сообщества и обмен потоками

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

• vLLM на Clore.ai — Высокопропускная подача LLM для производственных потоков

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

• Документация LangChain — Справочник по базовому фреймворку

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