Langflow - Visual AI Agent & RAG Builder Spickzettel
Langflow ist ein Open-Source, Python-basierter visueller Builder für LLM-Anwendungen. Du erstellst Agenten, Ketten und RAG-Pipelines, indem du Komponenten auf einer Leinwand ziehst und verbindest, sie in einem Live-Spielplatz testest und dann jeden Flow als API- oder MCP-Endpunkt verfügbar machst. Es ist Modell-agnostisch (OpenAI, Anthropic, lokale Modelle über Ollama, etc.) und baut auf dem LangChain-Ökosystem auf.
Installation
| Methode | Befehl |
|---|
| uv (empfohlen) | uv pip install langflow |
| pip | pip install langflow |
| Nach der Installation ausführen | langflow run (oder python -m langflow run) |
| uvx (keine Installation) | uvx langflow run |
| Docker | docker run -it --rm -p 7860:7860 langflowai/langflow:latest |
| Desktop-App | Download von der offiziellen Website (macOS/Windows) |
Benötigt Python 3.10–3.13. Nach langflow run öffne http://localhost:7860.
Server ausführen
| Befehl | Beschreibung |
|---|
langflow run | Starten Sie die UI + API auf 127.0.0.1:7860 |
langflow run --host 0.0.0.0 --port 7860 | An alle Schnittstellen / benutzerdefinierten Port binden |
langflow run --env-file .env | Lade Umgebungsvariablen aus einer Datei |
langflow run --dev | Entwickler/Hot-Reload-Modus |
langflow --help | Vollständige CLI-Referenz |
langflow api-key | Erstelle einen API-Schlüssel für programmatischen Zugriff |
langflow migration | Führe Datenbankmigationen aus |
Kernkonzepte
| Begriff | Bedeutung |
|---|
| Flow | Ein Graph verbundener Komponenten = eine App/Pipeline |
| Komponente | Ein Knoten (Modell, Prompt, Retriever, Tool, Agent, I/O) |
| Port / Edge | Typisierte Ein-/Ausgangsverbindung zwischen Komponenten |
| Playground | Integriertes Chat/Run-Panel, um einen Flow interaktiv zu testen |
| Projekt | Ein Arbeitsbereich, der mehrere Flows gruppiert |
| Globale Variablen | Gespeicherte Geheimnisse (API-Schlüssel), die über Flows wiederverwendbar sind |
Bausteine
| Kategorie | Beispiele |
|---|
| Inputs/Outputs | Chat Input, Chat Output, Text Input |
| Modelle | OpenAI, Anthropic, Google, Ollama, Groq, HuggingFace |
| Prompts | Prompt-Vorlage, Systemnachricht |
| Data / RAG | File Loader, URL, Split Text, Vector Store (Chroma, Qdrant, Astra, pgvector), Embeddings |
| Agents | Agent-Komponente mit Tool-Aufrufen |
| Tools | Web search, Python REPL, API-Anfrage, MCP-Tools |
| Logic | Conditional Router, Loop, Pass-Through |
Typischer RAG-Flow
File / URL → Split Text → Embeddings → Vector Store (ingest)
Chat Input → Vector Store (search) → Prompt → Model → Chat Output
Baue es auf der Leinwand, öffne den Playground, stelle eine Frage, und Langflow führt den Graph ende zu Ende aus.
Flows aus Code verwenden
Jeder Flow erhält eine auto-generierte API. Klicke in der UI auf API (oder Share → API access), um einen Codeausschnitt zu kopieren:
import requests
url = "http://localhost:7860/api/v1/run/<FLOW_ID>"
payload = {"input_value": "What is in my docs?", "output_type": "chat", "input_type": "chat"}
headers = {"x-api-key": "<YOUR_API_KEY>", "Content-Type": "application/json"}
resp = requests.post(url, json=payload, headers=headers)
print(resp.json())
# Gleicher Aufruf mit curl
curl -X POST "http://localhost:7860/api/v1/run/<FLOW_ID>" \
-H "x-api-key: <YOUR_API_KEY>" -H "Content-Type: application/json" \
-d '{"input_value":"hello","output_type":"chat","input_type":"chat"}'
MCP-Integration
| Fähigkeit | Wie |
|---|
| Expose Flows als MCP-Tools | Jedes Projekt liefert einen MCP-Server; zeige einen MCP-Client (Claude Desktop, Cursor) darauf |
| Verbrauche externe MCP-Tools | Füge die MCP Tools-Komponente hinzu und verbinde eine Server-URL/Befehl |
Umgebung & Konfiguration
| Variable | Zweck |
|---|
LANGFLOW_HOST / LANGFLOW_PORT | Bindungsadresse und Port |
LANGFLOW_DATABASE_URL | Verwende Postgres statt der Standard-SQLite |
LANGFLOW_AUTO_LOGIN=false | Benötige Login (Multi-Benutzer) |
LANGFLOW_SUPERUSER / LANGFLOW_SUPERUSER_PASSWORD | Seed ein Admin-Konto |
LANGFLOW_SECRET_KEY | Verschlüsselungsschlüssel für gespeicherte Anmeldeinformationen |
OPENAI_API_KEY, ANTHROPIC_API_KEY, … | Anbieter-Schlüssel (oder als Globale Variablen festlegen) |
Import / Export
| Aktion | Wie |
|---|
| Exportiere einen Flow | Flow-Menü → Export → .json |
| Importiere einen Flow | New → Import the .json |
| Versionskontrolle | Commit exportierte Flow-JSON an dein Repo |
Häufige Workflows
# Spin up für ein Team auf einem Server mit Postgres + Auth
LANGFLOW_DATABASE_URL=postgresql://user:pass@db:5432/langflow \
LANGFLOW_AUTO_LOGIN=false \
langflow run --host 0.0.0.0 --port 7860
# Ephemere lokale Testversion, keine Installation
uvx langflow run
Langflow vs Dify vs n8n
| Aspekt | Langflow | Dify | n8n |
|---|
| Fokus | LangChain-Stil Flows & Agents | LLMOps App-Plattform (RAG, Prompts) | Allgemeine Automatisierung + AI-Knoten |
| Stil | Visuelle Leinwand | App + Workflow-Studio | Workflow-Automatisierung |
| Endpunkte | API + MCP | API + Chat-Apps | Webhooks/Automatisierung |
| Am besten für | Prototyping Agent/RAG-Graphen | Versand von LLM-Apps mit Ops | Leim über 500+ Dienste |
Ressourcen
