Langflow 可视化 AI 构建器

在 Clore.ai 上部署 Langflow——在经济实惠的 GPU 云基础设施上，通过拖拽式无代码界面构建并运行可视化 AI 流水线、RAG 系统和多智能体工作流。

概览

Langflow 是一个开源、低代码平台，可通过可视化拖放界面构建 AI 应用。它拥有 55K+ GitHub stars 和快速增长的社区，已成为无需编写复杂样板代码即可进行 LLM 驱动工作流原型设计和部署的首选工具之一。

Langflow 构建于 LangChain 之上，提供一个图形化编辑器，你可以通过在节点之间画线来连接组件——LLM、向量存储、文档加载器、检索器、代理、工具。生成的流水线可以导出为 API 端点、作为模板共享，或嵌入到你的应用中。

主要能力：

• 可视化 RAG 构建器 — 在几分钟内连接文档加载器 → 嵌入 → 向量存储 → 检索器

• 多智能体工作流 — 将多个具备记忆、工具和决策逻辑的 AI 代理串联起来

• LangChain 集成 — 通过 UI 节点访问完整的 LangChain 生态系统

• 组件市场 — 社区贡献的数十种服务组件

• 以 API 为先 — 每个流程都会自动生成一个 REST API 端点

• 记忆与状态 — 内置对话记忆、会话管理

为什么选择 Clore.ai 来运行 Langflow？

Langflow 的计算需求很低——它只是一个负责工作流编排的 Python Web 服务器。不过，Clore.ai 可以开启强大的用例：

• 自托管嵌入 — 在 GPU 上运行本地嵌入模型（nomic-embed、BGE），实现快速、免费的向量生成

• 本地 LLM 后端 — 将 Langflow 连接到运行在同一服务器上的 Ollama 或 vLLM

• 私有数据管道 — 在不将数据发送到外部 API 的情况下处理敏感文档

• 成本优化 — 用免费的本地推理替代昂贵的 OpenAI 嵌入调用

• 持久化工作流 — 在专用服务器上运行长时间执行的流程（而不是短暂的云函数）

---

需求

Langflow 本身很轻量，并且基于 CPU。GPU 是可选的，但可启用免费的本地 LLM/嵌入推理。

配置	GPU	显存	内存	存储	预估价格
仅 Langflow（API 后端）	无需	—	4 GB	10 GB	约 $0.03–0.08/小时
+ 本地嵌入（nomic-embed）	RTX 3090	24 GB	8 GB	20 GB	$0.07–0.21/小时
+ Ollama（Llama 3.1 8B）	RTX 3090	24 GB	16 GB	40 GB	$0.07–0.21/小时
+ Ollama（Qwen2.5 32B）	RTX 4090	24 GB	32 GB	60 GB	$0.14–0.42/小时
+ vLLM（生产级 RAG）	A100 80GB	80 GB	64 GB	100 GB	裸机

如需比较 Clore.ai 上的 GPU 选项，请参阅 GPU 比较指南.

Clore.ai 服务器上的软件要求：

• Docker Engine（所有 Clore.ai 镜像均预装）

• NVIDIA Container Toolkit（GPU 镜像预装，仅本地 LLM 需要）

• Langflow 镜像和流程数据需要 10+ GB 可用磁盘空间

• 需要出站互联网访问（用于拉取 Docker 镜像并访问外部 API）

---

快速开始

第 1 步：连接到你的 Clore.ai 服务器

在 Clore.ai 市场上预订服务器。仅用于 Langflow 时，任何拥有 ≥4 GB RAM 的服务器都可以。通过 SSH 连接：

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

第 2 步：使用 Docker 运行 Langflow

最简单的部署——一条命令即可：

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

等待约 30–60 秒启动，然后访问 http://<server-ip>:7860

第 3 步：在 Clore.ai 上开放 7860 端口

在 Clore.ai 仪表板中，进入你的服务器 → 端口部分 → 确保 7860 已映射。如果使用自定义模板，请在启动服务器前将 7860:7860 添加到你的端口配置中。

第 4 步：首次启动

首次访问时，Langflow 将：

1. 显示欢迎界面并要求创建账户（或跳过）

2. 提供一组入门模板（RAG、聊天机器人、代理）

3. 打开可视化画布编辑器

你已准备好构建你的第一个流程！

---

配置

持久化数据存储

默认情况下，Langflow 会将流程和数据存储在容器内。挂载卷以便在重启后保留：

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

环境变量参考

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

变量	描述	默认值
LANGFLOW_HOST	绑定地址	0.0.0.0
LANGFLOW_PORT	Web 服务器端口	7860
LANGFLOW_DATABASE_URL	数据库连接字符串	内存中的 SQLite
LANGFLOW_SECRET_KEY	会话密钥（用于生产环境）	随机
LANGFLOW_AUTO_LOGIN	跳过登录界面	true
LANGFLOW_SUPERUSER	管理员用户名	admin
LANGFLOW_SUPERUSER_PASSWORD	管理员密码	—
LANGFLOW_WORKERS	API 工作进程数	1
LANGFLOW_LOG_LEVEL	日志详细级别	严重
OPENAI_API_KEY	预先加载 OpenAI 密钥	—

使用 PostgreSQL（生产环境）

对于多用户或生产部署，请使用 PostgreSQL 而不是 SQLite：

# 启动 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

# 使用 PostgreSQL 后端启动 Langflow
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（完整栈）

如需包含 PostgreSQL 和 Nginx 反向代理的完整设置：

# /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

固定特定版本

为实现可复现部署，请固定一个特定版本：

# 列出可用版本：https://hub.docker.com/r/langflowai/langflow/tags
docker run -d \\
  --name langflow \
  -p 7860:7860 \
  langflowai/langflow:1.1.4

---

GPU 加速（本地模型集成）

Langflow 本身运行在 CPU 上，但将其连接到同一 Clore.ai 服务器上的本地 GPU 服务，可解锁免费的私有推理。

将 Langflow 连接到 Ollama

# 第 1 步：使用 GPU 启动 Ollama
docker run -d \\
  --name ollama \
  --gpus all \\
  --restart unless-stopped \
  -p 11434:11434 \
  -v ollama-models:/root/.ollama \
  ollama/ollama:latest

# 第 2 步：为不同用例拉取模型
docker exec ollama ollama pull llama3.1:8b          # 通用聊天
docker exec ollama ollama pull nomic-embed-text     # RAG 嵌入
docker exec ollama ollama pull qwen2.5-coder:7b    # 代码生成

# 第 3 步：启动可访问 Ollama 网络的 Langflow
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

在 Langflow UI 中，使用 Ollama 组件，参数如下：

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

• 模型： llama3.1:8b

对于嵌入，请使用 OllamaEmbeddings 组件，参数如下：

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

• 模型： nomic-embed-text

完整 Ollama 配置：请参阅 Ollama 指南

将 Langflow 连接到 vLLM（兼容 OpenAI）

# 使用兼容 OpenAI 的 API 启动 vLLM
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

# 在 Langflow 中，使用带自定义基础 URL 的 OpenAI 组件：
# 基础 URL: http://host.docker.internal:8000/v1
# API 密钥：（任意值，例如 "none"）
# 模型：mistralai/Mistral-7B-Instruct-v0.3

完整 vLLM 配置：请参阅 vLLM 指南

构建本地 RAG 流水线

仅使用本地模型的 RAG 示例流程（零 API 成本）：

1. 文件加载器 节点 → 加载 PDF/文本文档

2. 文本分割器 节点 → 将文档分块（大小：512，重叠：50）

3. OllamaEmbeddings 节点 → 生成嵌入（模型： nomic-embed-text)

4. Chroma 或 FAISS 节点 → 本地存储向量

5. OllamaEmbeddings 节点 → 对用户查询生成嵌入

6. 检索器 节点 → 查找最相似的 top-k 片段

7. Ollama 节点 → 生成答案（模型： llama3.1:8b)

8. 聊天输出 节点 → 返回响应

整个流水线运行在你的 Clore.ai 服务器上，不会调用任何外部 API。

---

提示与最佳实践

1. 将流程导出为备份

在停止你的 Clore.ai 服务器之前，请导出你的流程：

• 在 UI 中：流程 → 全选 → 导出 → 下载 JSON

• 或通过 API： curl http://localhost:7860/api/v1/flows/

将它们存储到持久卷中，或者下载到本地机器。

2. 使用 API 实现自动化

每个 Langflow 流程都会生成一个 API 端点。可通过程序触发流程：

# 从 UI 中获取你的流程 ID（显示在 URL 中）
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": "请总结最新的 AI 研究论文",
    "input_type": "chat",
    "output_type": "chat"
  }'

3. 保护你的实例

对于本地测试之外的任何用途：

# 始终设置身份验证
-e LANGFLOW_AUTO_LOGIN=false \
-e LANGFLOW_SUPERUSER=admin \
-e LANGFLOW_SUPERUSER_PASSWORD=$(openssl rand -base64 16)

# 使用强密钥
-e LANGFLOW_SECRET_KEY=$(openssl rand -hex 32)

4. 监控内存使用

随着活跃流程增多，Langflow 可能会随着时间累积内存占用：

docker stats langflow
# 如果内存无限增长，请定期重启：
docker restart langflow

5. 使用入门模板

Langflow 附带可直接用于生产的模板：

• 基础 RAG — 使用向量存储的文档问答

• 记忆聊天机器人 — 带历史记录的对话代理

• 研究助手 — 网络搜索 + LLM 综合

• 通过以下路径访问：新建流程 → 入门项目

6. 组件缓存

启用缓存以加快重复流程运行：

• 在流程设置中：在耗资源的节点（嵌入、LLM 调用）上启用 "缓存"

• 在开发期间对 RAG 检索尤其有用

---

故障排查

容器无法启动

# 检查日志中的错误
docker logs langflow --tail 50

# 常见问题：端口已被占用
lsof -i :7860
# 终止冲突进程或更改端口：
docker run ... -p 7861:7860 ...

UI 已加载但流程无法运行

# 检查工作进程状态
docker exec langflow ps aux | grep langflow

# 检查 Python 包错误
docker logs langflow 2>&1 | grep -i error

# 重启容器
docker restart langflow

无法连接到 Ollama

# 从 Langflow 容器内部测试连通性
docker exec langflow curl http://host.docker.internal:11434/api/tags

# 如果缺少 --add-host 标志，请使用以下命令重新创建容器：
--add-host host.docker.internal:host-gateway

# 验证 Ollama 是否正在运行
docker ps | grep ollama
curl http://localhost:11434/api/tags

重启后数据库错误

# 如果使用 SQLite 并出现锁错误：
docker stop langflow
ls -la /opt/langflow/data/
# 检查过期的 .lock 文件
rm -f /opt/langflow/data/langflow.db-wal
rm -f /opt/langflow/data/langflow.db-shm
docker start langflow

流程执行缓慢

# 增加工作线程以进行并行处理
-e LANGFLOW_WORKERS=4

# 对于以嵌入为主的工作负载，请确保 Ollama 使用 GPU：
docker exec ollama nvidia-smi
# 在进行嵌入时应显示 GPU 使用情况

重置管理员密码

docker exec -it langflow python -c "
from langflow.services.database.utils import initialize_db
from langflow.services.deps import get_settings_service
# 请改用 Langflow CLI：
"
# 请使用 CLI 方法：
docker exec -it langflow langflow superuser --username admin --password newpassword

---

延伸阅读

• Langflow GitHub 仓库 — 源代码、问题反馈、更新日志

• Langflow 文档 — 官方文档、组件参考、API 文档

• Langflow Discord — 社区支持和流程分享

• Clore.ai 上的 Ollama — 为 Langflow 搭建本地 LLM 后端

• Clore.ai 上的 vLLM — 面向生产流程的高吞吐量 LLM 服务

• GPU 比较指南 — 为你的工作负载选择合适的 Clore.ai GPU

• LangChain 文档 — 底层框架参考

• Docker Hub：langflowai/langflow — 可用的镜像标签和版本