Langflow，用可视化拖拽搭建 AI Agent 和工作流的开源平台
搭 AI Agent 工作流经常卡在"想快速试想法，又不想从零手写胶水代码"这个中间地带。翻到 Langflow 这个项目——⭐ 15 万+，MIT 协议，开源社区里数一数二热门的可视化 AI 工作流平台，用下来觉得值得写一篇。
它是什么
Langflow 是一个开源的 AI Agent / 工作流构建平台，核心是一个可视化拖拽界面——把不同功能的节点（模型调用、检索、工具、条件分支等）拖到画布上连线，就能搭出一条完整的工作流,不用从零手写胶水代码。
它没有把自己限制成"纯拖拽工具"：每个节点背后都能打开源码用 Python 自定义，拖拽搭建和写代码可以随时切换。搭好的流程还能一步步单独执行调试,方便定位是哪个节点出的问题,而不是整条流程跑完才知道结果不对。
安装
推荐用 uv 装（需要 Python 3.10–3.14）：
uv pip install langflow -U
uv run langflow run
默认在 http://127.0.0.1:7860 本地跑起来。
也提供 Windows/macOS 的桌面客户端（依赖都打包好了，装完直接用），或者用 Docker：
docker run -p 7860:7860 langflowai/langflow:latest
想改源码的话也可以走克隆仓库的开发模式安装。
实际使用感受
多 Agent 编排
除了单条工作流，Langflow 支持多个 Agent 之间的协作编排，带对话状态管理，适合需要"多个角色分工"的复杂场景，而不只是单个 Agent 单轮问答。
部署方式灵活
搭好的工作流可以导出成 JSON 文件方便分享和版本管理，也可以直接暴露成 API 接口，或者包装成 MCP Server 接入 Claude Code 这类支持 MCP 协议的客户端，不用重新写一层适配代码。
生态覆盖广
主流的 LLM 服务商和向量数据库基本都能接，也原生支持接入 LangSmith、LangFuse 这类可观测性平台，方便追踪线上跑的工作流具体发生了什么。
总结
如果想快速验证一个 AI Agent 的想法、又不想在项目早期就陷入大量胶水代码，Langflow 的"拖拽为主、随时能看源码"的模式是个效率不错的起点；真到了需要精细控制的阶段，节点级别的 Python 自定义和 MCP 导出也留了足够的扩展空间。