Langflow教程2026：30分钟用真实数据搭可视化AI智能体流水线
LangFlow（15.3万星）让你拖节点搭AI流水线，不用写胶水代码。但可视化工具也有学习曲线。这篇教程逐节点带你搭完整RAG流水线。
💡 你将学到
LangFlow（15.3万星）让你拖节点搭AI流水线，不用写胶水代码。但可视化工具也有学习曲线。这篇教程逐节点带你搭完整RAG流水线。
为什么可视化流水线赢了
Langflow（153,059星，2026-08-12获取）是2026年增长最快的可视化AI构建工具——突破15万星的时候，多数拖拽式AI工具都在原地踏步。原因：它连接两个世界。开发者可视化原型，然后把同一个流程导出成Python API上生产。不用重写，没有'只能演示'的死胡同。
你要搭什么
一条RAG流水线：加载文档、切块、embed进向量库、然后LLM从库里检索回答问题。用代码写是60多行LangChain胶水代码，在Langflow里是八个节点。
第一步：建流程
打开Langflow（云端或Docker本地），新建项目。左侧面板什么都有：输入、LLM、向量库、工具、还有新的Agent节点。
第二步：摄入半边（3个节点）
File节点指向PDF或文本文件；Splitter节点切块，起步用chunk size 1000、overlap 200；Embedding加Vector Store节点选embed模型（OpenAI或Ollama本地）和存储（本地用Chroma）。跑一次这个子图，库里就有你的文档了。
第三步：查询半边（3个节点）
Chat Input节点接用户问题；Retriever节点连向量库，返回top-k块（k=4起步）；Prompt节点写模板：'只根据下面上下文回答，上下文里没有就说不知道。'这句指令是有效RAG和幻觉的分界线。
第四步：模型加输出（2个节点）
LLM节点选任意模型，首次测试用便宜快模型就够；Chat Output节点把一切连起来，点Play。
第五步：上生产
通过API导出：Langflow把每个流程暴露成POST端点，你的应用发{message}，收{output}。可视化原型变成生产服务——就这一件事，是团队采用它的理由。
常见错误
没有系统提示词，LLM会凭空编答案，一定要加'只根据上下文回答'；chunk size不对，1000/200是基线，用需要跨段落事实的问题去调；忽略内置playground，接应用前先在自带聊天里测。
FAQ
免费吗？ 开源（MIT）可自托管，云端有免费档。 要会Python吗？ 搭流程不用，API导出和自定义组件需要基础Python。 Langflow还是Dify？ Langflow开发者优先、导出Python友好；Dify（152,103星）产品优先、带完整应用生命周期。你按代码思维还是产品思维选。
