Langflow：15 万 Star 的可视化 Agent 工作流平台，把流程图变成 MCP 工具

Langflow：15 万 Star 的可视化 Agent 工作流平台，把流程图变成 MCP 工具

拖拽画流程图 → 一键变 MCP 工具 → 任何 Agent 都能调用。15 万 Star 不是白来的。

在 Agent 框架赛道，纯代码派有 LangChain/LangGraph，纯自然语言派有 Claude Code/Cursor，而 Langflow 选择了第三条路——可视化拖拽构建 Agent 工作流，同时保留源代码级控制权。

这个 2023 年 2 月开源的项目，到 2026 年 9 月已经积累了 154,494 Star、10,050 Fork、19,010 次提交，是 GitHub 上最热门的 Agent 构建平台之一。最新版本 1.12（2026 年 9 月 1 日发布）引入了 OpenTelemetry 原生支持，并完成了 Extension Bundles 架构重构。

本文基于 Langflow 官方仓库 和 1.12 发布博客 全面拆解。

Langflow 是什么

一句话：用流程图的方式构建 AI Agent 和工作流，然后一键部署为 API 或 MCP 工具。

传统 Agent 开发需要写大量胶水代码——LLM 调用、工具编排、记忆管理、错误处理。Langflow 把这些抽象成可视化组件（节点），你在画布上拖拽连线即可组装完整工作流，同时每个组件都可以用 Python 源码定制。

三个核心定位：

• 可视化构建器：拖拽组件、连线组装流程，降低 Agent 开发门槛
• 双向 MCP 集成：Langflow 既是 MCP 服务端（把流程变成工具），也是 MCP 客户端（在流程中调用外部 MCP 工具）
• 部署即工具：每个流程可导出为 REST API 或 MCP 工具，被任何框架的应用调用

七大核心功能

1. 可视化构建器

画布式编辑器，左侧组件库，中间画布，右侧属性面板。拖一个 LLM 节点、拖一个检索器节点、拖一个工具节点，连线即可。每个节点的输出可以连到多个下游节点，支持分支、循环和并行。

关键设计：所有组件都有源代码视图——点击组件即可查看和编辑其 Python 实现。可视化不意味着"被锁在黑箱里"。

2. 交互式 Playground

构建完流程后，不用部署即可在 Playground 中测试——输入消息，逐步查看每个节点的输入输出，调试时定位问题。支持单步执行控制，可以一次只跑一个节点。

3. 多 Agent 编排

支持多 Agent 场景——多个 LLM 角色分工协作，带对话管理和检索增强。可以在一个流程中串联多个 Agent，每个 Agent 有独立的系统提示词、工具集和记忆。

4. 部署为 REST API

每个流程可一键导出为 REST API 端点，直接被前端或后端应用调用。也支持导出为 JSON，在 Python 应用中加载执行。

5. 部署为 MCP 服务端

这是 Langflow 最独特的能力——把每个流程变成一个 MCP 工具。

工作原理：创建项目（Project）后，Langflow 自动把项目里的流程注册为 MCP 工具。MCP 客户端（如 Claude Desktop、Cursor）连接 Langflow 的 MCP 端点即可调用这些流程。

• 支持 Streamable HTTP 传输（默认路径 /streamable），SSE 作为回退
• 每个流程可自定义工具名和工具描述（MCP 客户端靠这些决定何时调用哪个工具）
• 支持选择性暴露——勾选哪些流程作为工具对外可见
• 鉴权：如果 Langflow 开启了认证（AUTO_LOGIN=false），MCP 服务端自动配 API Key 鉴权

6. 作为 MCP 客户端

反过来，Langflow 流程内部也可以调用外部 MCP 服务器——在你的流程中加一个 MCP 客户端节点，连到任何 MCP 服务端（如 microsoft/mcp 的 Email/Teams 工具），把外部能力编排进你的 Agent 工作流。

7. 可观测性

1.12 版本引入 OpenTelemetry 原生支持——Langflow 服务自身发射 OTLP traces、metrics 和 logs，可对接任何 OTLP 兼容后端（NewRelic、Instana、Grafana 等）。

此前 Langflow 已支持 LangSmith、LangFuse 等可观测性平台集成。1.12 的 OpenTelemetry 把可观测性从"Agent 行为追踪"扩展到了"平台自身健康监控"——服务慢了、组件出错了、流程卡住了，都能在统一的可观测性面板里看到。

1.12 架构重构：Extension Bundles

1.12 完成了从 1.10 开始的 Extension Bundles 过渡——把默认安装精简为核心组件，把外部提供商（向量数据库、LLM、工具）拆成独立可安装包。

为什么拆：Langflow 默认安装曾包含所有提供商依赖（各种 LLM SDK、向量数据库 SDK），导致安装包巨大、依赖冲突频繁。拆分后默认安装只含"精选提供商集"，其他按需安装。

怎么装：

# 全装
uv pip install "langflow[bundles]"

# 只装一个（如 Exa）
uv pip install lfx-exa

向后兼容：已保存的流程正常打开，组件类名保持兼容。如果某个流程用到了未安装的提供商包，组件在构建器里仍然可见，但流程无法运行，Langflow 会提示安装哪个包。

安全治理

1.12 在安全层面有一套体系：

• ToolGuard（4 月引入）：组件级策略框架，给工具调用加保护边界——哪些工具可以自动执行、哪些需要人工确认
• 多租户安全加固（7 月发布）：不信任的多租户部署安全指南，包括隔离策略和权限控制
• Docker 镜像依赖修复（8 月完成）：完整的安全依赖修复
• HackerOne 漏洞赏金：安全报告指向 HackerOne 平台，走正规漏洞披露流程

上手：三条路径

路径一：Langflow Desktop（最简）

Windows 和 macOS 桌面客户端，所有依赖打包在内，不需要管 Python 环境。下载地址。

路径二：本地安装

# 需要 Python 3.10-3.14 和 uv
uv pip install langflow -U
uv run langflow run
# 打开 http://127.0.0.1:7860

路径三：Docker

docker run -p 7860:7860 langflowai/langflow:latest
# 打开 http://localhost:7860

开启 OpenTelemetry

export OTEL_EXPORTER_OTLP_ENDPOINT=http://localhost:4318
export OTEL_SERVICE_NAME=langflow
uv run langflow run

工程化亮点

几个值得抄的工程设计：

可视化 + 源码双模。流程图和 Python 源码双向同步——可视化降低门槛，源码保证控制力。这和纯代码框架（LangGraph）或纯自然语言（Claude Code）形成差异。

流程即工具。MCP 服务端集成让每个流程自动变成可被外部调用的工具——不需要写 wrapper、不需要定义 schema，在 UI 里设好工具名和描述即可。这比微软 microsoft/mcp 那种"写代码定义 MCP 工具"的路径快得多。

渐进式依赖管理。Extension Bundles 把"装一个包得到所有功能"变成"装核心、按需加扩展"——和 ODS 的 enable_* 开关、Anthropic commerce-agents 的渐进式落地是同一个哲学。

OpenTelemetry 原生。不绑定特定可观测性后端，说 OTLP 协议任何后端都能接——这在企业部署场景里是硬需求。

和同类对比

维度	Langflow	LangGraph	Claude Code	Dify
构建方式	可视化拖拽 + 源码	纯代码	自然语言	可视化拖拽
部署形态	API + MCP 服务端	Python 库	CLI	API + Web
MCP 双向	服务端 + 客户端	客户端	客户端	无
可观测性	OTLP + LangSmith	LangSmith	内置 trace	内置
多 Agent	内置	手动编排	单 Agent	内置
开源协议	MIT	MIT	闭源	Apache-2.0
Star	154k	24k	-	80k+

Langflow 的独特优势在于可视化 + MCP 双向 + 源码控制三者结合——既不像 Dify 那样"黑箱式可视化"（源码不可改），也不像 LangGraph 那样"全靠写代码"（门槛高），更不像 Claude Code 那样"只能做编码 Agent"（场景窄）。

放回大图

把 Langflow 放回这个系列文章的脉络里看：

• microsoft/mcp 解决的是"如何把企业系统（Email/Teams）变成 MCP 工具"——从系统侧接入
• Anthropic commerce-agents 解决的是"Agent 本体如何定义和运行"——从 Agent 侧接入
• Opik Agent Optimizer 解决的是"如何自动优化 Agent 的 Prompt 和参数"——从调优侧接入
• Langflow 解决的是"如何快速组装和部署 Agent 工作流"——从构建侧接入

Langflow 把这四个环节里的"构建"和"部署"一步到位——拖拽组装（构建）、MCP 服务端自动暴露（部署），中间不需要写胶水代码。对于想快速把 AI 能力产品化、又不想被代码框架绑死的团队，这是目前最低门槛的路径。

154k Star 的意义在于：可视化构建 Agent 这个需求是真实存在的，而且比纯代码框架的市场大一个数量级。

---

作者: itech001
来源: 公众号：AI人工智能时代(the-ai-era)
网站: https://www.theaiera.top/
关注每日最新AI新闻和技术博客，主页有更多的文章的AI 技术参考：https://www.theaiera.top

本文首发于 AI人工智能时代，转载请注明出处。