LangFlow — это бесплатный open‑source‑фреймворк, позволяющий собирать и запускать цепочки из больших языковых моделей без единой строки кода. Drag‑&‑drop‑редактор, поддержка Model Context Protocol (MCP) и готовый Docker‑образ делают его идеальным решением для быстрого прототипирования чат‑ботов, RAG‑систем и агентных сервисов.
Установка и первый запуск
Установка через pip
Самый лёгкий способ — установить Python‑виртуальное окружение и выполнить две команды:python -m venv .venv && source .venv/bin/activate
pip install langflow
langflow run
Команда langflow run поднимает локальный сервер http://localhost:7860, где открывается UI‑редактор.Docker‑контейнер (рекомендовано для продакшн)
Установка через docker
Если нужен надёжный и масштабируемый сервис, достаточно одного образа:
docker pull langflow/langflow:latest
docker run -p 7860:7860 -v $(pwd)/flows:/app/flows langflow/langflow
Контейнер уже содержит FastAPI, React‑frontend и все зависимости. При монтировании каталога /app/flows вы получаете постоянное хранилище ваших workflow‑файлов.
Desktop‑версия (Electron)
Для тех, кто не хочет управлять сервером, существует готовый LangFlow Desktop — исполняемый файл (Windows/macOS/Linux). После установки открывается то же самое веб‑окно, но в собственном окне приложения.
Работа с API и Model Context Protocol (MCP)
API‑endpoint
- POST /api/v1/flows/run - Запуск сохранённого flow и получение ответа.
- GET /api/v1/flows/{flow_id} - Получить JSON‑описание workflow.
- POST /api/v1/mcp/execute - Выполнить запрос через Model Context Protocol.
Пример запроса
{
"flow_id": "my_chatbot",
"inputs": { "user_message": "Привет!" }
}
Ответ содержит assistant_message и массив intermediate_steps, что удобно использовать в интерактивных чат‑виджетах.
Что такое MCP?
Model Context Protocol — единый формат обмена контекстом между разными LLM‑агентами. Вместо пересылки полной истории диалога каждый агент получает лишь необходимые «тезисы» (например, текущий заказ пользователя) и возвращает их следующему агенту. В LangFlow MCP реализован как отдельный тип узла MCP Connector, автоматически сериализующий/десериализующий контекст в JSON.
Практический пример: RAG‑чат‑бот с Pinecone
- Создаём узлы:PineconeVectorStore — подключаем свой API‑ключ.
- PromptTemplate — запрос к базе: «Найди документы, связанные с запросом: {{question}}».
- LLM (OpenAI gpt‑4‑turbo) — генерируем ответ.
- MCP Connector — передаём найденные фрагменты в LLM. - Связываем их стрелками: пользователь → PromptTemplate → VectorStore → MCP → LLM → ChatOutput.
- Тестируем в Playground: вводим вопрос «Как оформить возврат в магазине?». Векторный поиск возвращает 3‑4 релевантных фрагмента, LLM генерирует готовый ответ с ссылкой на политику возврата.
- Экспортируем flow (Export → JSON) и подключаем к бекенду через /api/v1/flows/run. Любой сайт теперь может задавать вопросы без дополнительного кода.
LangFlow превращает сложные цепочки LLM‑моделей, векторных баз и агентов в набор визуальных блоков, экономя недели разработки и упрощая прототипирование. Установить его можно в три клика (pip, Docker или Desktop), а готовый flow экспортируется в JSON и обслуживается через простой FastAPI‑API. Встроенный API + MCP дают гибкость и масштабируемость, а открытый код обеспечивает полную независимость от конкретных провайдеров LLM.
Попробуйте собрать свой первый RAG‑бот уже сегодня — и убедитесь, что «код без кода» действительно работает.