Langflow — визуальный конструктор AI-агентов и RAG-пайплайнов

Что такое Langflow

Langflow — это open-source платформа для создания AI-приложений через визуальный интерфейс drag-and-drop. Проект запустили в феврале 2023 года, и за три с половиной года он вырос до 151 000 звезд на GitHub и 9 400 форков. Ядро платформы — графовый редактор, где каждый узел — это компонент: LLM, промпт, эмбеддинг-модель, векторное хранилище, инструмент или агент. Соединяя их, вы собираете workflow без единой строки кода.

Под капотом Langflow использует LangChain — популярный Python-фреймворк для LLM-приложений. Когда вы соединяете компоненты на холсте, Langflow генерирует исполняемый граф, который можно запустить локально, экспортировать как JSON или развернуть как API-эндпоинт. С версии 1.0 (весна 2026) любой workflow можно экспортировать как MCP-сервер — тогда он становится инструментом для Claude Desktop, Cursor и других MCP-клиентов.

Важная деталь: Langflow не привязан к одному провайдеру. Вы можете переключить OpenAI на Anthropic, Chroma на Pinecone или заменить эмбеддинг-модель — не пересобирая приложение. Вендор-нейтральность заложена в архитектуру: каждый компонент работает через абстракции LangChain.

Ключевые возможности

Визуальный редактор графов

Основной режим работы — холст, на который вы перетаскиваете компоненты из боковой панели. Компоненты сгруппированы по типам: модели (LLM, эмбеддинги), промпты, парсеры, векторные базы, инструменты, агенты. Каждый компонент имеет входы и выходы — вы соединяете их линиями, и данные текут по графу. Для отладки есть Playground: отправляете тестовый запрос, видите, как данные проходят через каждый узел, какие чанки подтянул ретривер, какой JSON сгенерировал инструмент.

Полный цикл RAG

Langflow закрывает весь RAG-конвейер: загрузка документов (PDF, DOCX, TXT, HTML, Markdown), чанкинг с настраиваемым размером и перекрытием, генерация эмбеддингов (OpenAI, Ollama, Hugging Face), запись в векторное хранилище (Chroma по умолчанию, Qdrant, Weaviate, Milvus) и retrieval с MMR-разнообразием или фильтрацией по метаданным. В playground можно инспектировать, какие именно чанки вернулись на каждый запрос — если релевантный параграф не появляется, проблема в индексации, а не в RAG.

Агенты с инструментами

В Langflow есть два режима агентов: Function Calling (когда LLM сама решает, какие инструменты вызвать) и ReAct (Reason + Act — модель генерирует рассуждение и действие текстом). Из коробки доступны 50+ встроенных инструментов: поиск в Google, DALL-E, WolframAlpha, GitHub API, Notion, Slack, Gmail. Можно добавить кастомный инструмент через OpenAPI/Swagger спецификацию — Langflow сгенерирует компонент по схеме. С версии 1.10 агенты получили долговременную память через Memory bases — теперь они помнят контекст между сессиями, а не только в рамках одного диалога.

AI-ассистент для сборки флоу

Одна из ключевых фич версии 1.10 — Langflow Assistant. Он умеет строить не просто отдельные компоненты, а целые workflow по текстовому описанию. Пишете «сделай RAG-агента с поиском по документам и веб-поиском» — получаете готовый граф. Это сильно ускоряет прототипирование: не нужно вспоминать, какой компонент за что отвечает.

Мониторинг и LLMOps

Для продакшен-использования Langflow интегрируется с LangSmith, LangFuse и другими платформами observability. Можно отслеживать latency, стоимость токенов, частоту ошибок и улучшать промпты на основе реальных данных. Для кастомных инцидентов опционально — вебхуки в Telegram или Slack.

Установка и запуск

Langflow можно запустить четырьмя способами — от десктопного приложения до Docker в продакшене.

Langflow Desktop (проще всего)

Готовая десктоп-версия для Windows и macOS включает все зависимости — Python, зависимости, предустановленные модели. Скачивается с langflow.org/desktop. Подходит для первого знакомства и прототипирования.

Установка через pip и uv

Для Python 3.10–3.14 установка через uv (рекомендованный менеджер пакетов):

uv pip install langflow -U
uv run langflow run

После запуска интерфейс открывается на http://127.0.0.1:7860.

Docker

docker run -p 7860:7860 langflowai/langflow:latest

Запускает Langflow на localhost:7860. Для production-деплоя настраиваются volumes для хранения баз данных и secrets для API-ключей.

Требования к железу

Минимальные: 2 vCPU, 4 GB RAM, 10 GB диска. Для RAG с локальными эмбеддингами (через Ollama) — 4 vCPU и 8 GB RAM. Язык: Python 3.10+. База данных: SQLite для разработки, PostgreSQL для продакшена.

Компоненты и архитектура

В Langflow более 200 готовых компонентов, разделённых на категории. Вот основные группы:

Особенность Langflow — возможность редактировать Python-код любого компонента прямо в интерфейсе. Если стандартного компонента не хватает, открываете его код, модифицируете логику и сохраняете как новый компонент. Более продвинутый вариант — создание Custom Components через Python: вы пишете класс с декораторами @Component, описываете inputs и outputs, и он появляется в палитре.

Группировка компонентов в один (Group Components) позволяет переиспользовать сложные цепочки — например, RAG-агент с его ретривером, промптом и LLM можно свернуть в один блок и использовать в разных флоу.

MCP-сервер и API

С версии 0.14+ Langflow умеет экспортировать любой workflow как MCP-сервер. Это значит, что собранный на холсте RAG-агент или инструмент для анализа документов становится доступен как tool для Claude Desktop, Cursor, VS Code с Cline или любого MCP-клиента. Настройка: в UI включаете MCP Server export, указываете, какие флоу должны быть доступны как инструменты, и получаете endpoint по stdio или HTTP/SSE.

Обратная сторона — Langflow может выступать клиентом для внешних MCP-серверов. Компонент MCP Tools подключается к любому MCP-серверу (файловая система, база данных, браузер) и делает его инструменты доступными внутри флоу. Это превращает Langflow в этакий MCP-хаб: вы собираете workflow, который одновременно использует MCP-сервер для работы с файлами, другой — для PostgreSQL, третий — для веб-поиска. Подробнее — в документации MCP-сервера Langflow.

Каждый workflow также получает REST API в формате, совместимом с OpenAI API. Это значит, что любой Langflow-флоу можно вызывать через curl, Python requests или как эндпоинт в n8n. Для продакшена — websocket-соединения для стриминга токенов и rate limiting на уровне API Gateway.

Сравнение с Dify, n8n и Flowise

Langflow конкурирует в сегменте low-code AI-платформ с Dify (146K ★ GitHub), n8n (55K+ ★) и Flowise. У каждой свои сильные стороны.

Langflow vs Dify. Dify — более зрелая платформа с облачной версией, готовым BaaS-бэкендом и широкой поддержкой моделей. Langflow выигрывает в гибкости: вы редактируете Python-код любого компонента и получаете MCP-экспорт «из коробки». Dify делает упор на «всё включено» — у него есть встроенный мониторинг, A/B тестирование промптов и RAG-пайплайн с re-ранкингом. Если вам нужно быстро запустить AI-приложение с RAG — Dify даёт больше готовых решений. Если вы собираете нестандартный workflow с кастомной логикой — Langflow удобнее. Подробное сравнение — в статье Langflow vs n8n vs Flowise vs Dify.

Langflow vs n8n. n8n — это в первую очередь general-автоматизация с 400+ коннекторами к SaaS-сервисам. AI — надстройка, а не ядро. Langflow заточен именно под AI-сценарии: графы LangChain, агенты, RAG, эмбеддинги. На практике используют комбинацию: n8n гоняет данные между сервисами, а Langflow делает AI-анализ. Пример: n8n забирает заявку из CRM → передаёт в Langflow → агент анализирует и возвращает решение → n8n отправляет ответ и обновляет статус в CRM.

Langflow vs Flowise. Flowise — самый близкий аналог: тоже визуальный конструктор RAG на LangChain, тоже open-source (MIT). Но после того как IBM купила Datastax (владельцев Langflow), вокруг проекта появились вопросы про будущее open-source версии. Flowise остаётся независимым. По функциональности они почти идентичны — выбор скорее в пользу экосистемы: Langflow активнее развивает MCP-интеграцию, Flowise — облачный хостинг.

Стоимость и лицензия

Langflow распространяется по лицензии MIT — полностью бесплатно для коммерческого использования. Вы можете forkнуть репозиторий, модифицировать, развернуть на своих серверах и продавать — без отчислений.

Реальные затраты складываются из инфраструктуры. Для соло-разработчика — $30–100/мес (сервер 2 vCPU/4GB $10–20 + LLM API $20–80). Для enterprise — от $2 000/мес (кластер 8+ vCPU, PostgreSQL, мониторинг, резервирование). Langflow Cloud (datastax.com/langflow) предлагает hosted-версию с free tier — модель бесплатного аккаунта, но платить придётся за LLM-токены и инфраструктуру сверх базового лимита.

Когда стоит выбирать Langflow

Подходит, если: вам нужно быстро прототипировать RAG-пайплайн или AI-агента; вы работаете с LangChain и хотите визуальную прослойку; вам нужен MCP-экспорт workflow для Claude Desktop; вы предпочитаете open-source без vendor lock-in; команда не хочет писать boilerplate код для базовых сценариев.

Не подходит, если: вам нужно чисто production-решение с готовым мониторингом и RBAC — здесь Dify даёт больше из коробки; вам нужны 400+ коннекторов к внешним сервисам — это зона n8n; вы не хотите разбираться с инфраструктурой и предпочитаете managed-сервис; ваш сценарий требует кастомной архитектуры за пределами графового редактора — тогда проще писать на LangChain напрямую.

Коротко

Langflow — самый популярный open-source визуальный конструктор AI-агентов на LangChain. 151 000 звёзд на GitHub говорят сами за себя: сообщество активно, проект развивается (версия 1.10 — июнь 2026), MCP-экспорт и AI-ассистент для сборки workflow делают его удобным и для прототипирования, и для продакшена. Лицензия MIT снимает вопросы по коммерческому использованию.

Главный недостаток — экосистема Datastax (IBM) после приобретения вызывает вопросы о стратегии open-source. Сейчас Langflow остаётся open-source, но если выстраиваете долгосрочную архитектуру, стоит следить за roadmap. Для быстрого старта — ставьте через Docker и собирайте первый RAG-агент за час.

Что ещё важно знать