Langflow + Milvus，拖拉拽就能搞定的workflow教程来了

如果你想写个agent或者workflow，但是又不想在demo阶段投入太多精力去敲代码；

或者作为公司的运营或者销售，虽然代码能力平平，也想做个自己的workflow。

那么不妨试试低代码可视化平台，通过简单的拖放式 UI 连接生成式 AI 模型的组件，无需编写专业脚本就能构建和修改复杂的AI workflow，并且一键部署集成。

本文将以Langflow+Milvus 为例，带来完整演示。

1.选型思路

LangFlow架构的核心思想是：让画布成为可执行的文档，既是成品也是沟通平台。

过去，搭建一个产品，需要产品经理提需求,架构师设计方案,工程师写代码，串行进行。Langflow 不仅做到了拖拉拽低代码运行，还能让协作变成并行的，通过可视化开发方式，我们甚至可以将试错周期从数周缩短至数小时。

1.webp

其看得见的部分是画布与节点。前端基于 React Flow 构建，用户拖拽节点、连接数据流，就像搭乐高一样直观。后端则是实时生成 Flow JSON（可以理解为"乐高搭建图纸"），支持导出、版本管理和团队协作。

在这背后，Python 驱动的运行时引擎负责调度 LLM、工具、检索、路由等组件，处理数据流转、状态管理与异常。

此外，LangFlow还有组件库与自定义能力：内置主流 LLM、向量库的适配器，也支持用 Python 写自定义节点。并提供逐步执行、Playground 快速试验，与 LangSmith、LangFuse 等平台集成，方便回放执行链路、追踪性能。

在这个整体架构基础上，我们选择引入Milvus作为我们的向量数据库，存储企业内部的私有数据或者行业知识。

2.五分钟demo演示

演示目标：

使用Langflow官方RAG模板，演示如何用Milvus将本地数据构建向量索引并实现高效上下文增强问答。

2.png

环境准备：

1.python3.11或conda

2.uv

3.docker&docker-compose

4.Openai-key

1.部署Milvus向量数据库

4.1下载部署文件

wget <https://github.com/Milvus-io/Milvus/releases/download/v2.5.12/Milvus-standalone-docker-compose.yml> -O docker-compose.yml

4.2启动Milvus服务

docker-compose up -d

docker-compose ps -a

3.png

4.3创建python虚拟环境

conda create -n langflow

#激活langflow并进入
conda activate langflow

4.3.1安装最新的包

pip install langflow -U

5.启动langflow

uv run langflow run

5.1访问langflow

<http://127.0.0.1:7860>

6.搭建配置RAG场景

6.1选择官方RAG模板

4.webp 5.webp

6.2 替换向量数据库阶段

说明：将默认的VDB换成Milvus

6.webp

6.2.1左侧输入Milvus并添加

7.webp

8.webp

6.2.2配置Milvus连接信息

说明：只需填写Milvus连接信息即可，其他选项暂时默认。

9.webp

10.webp

6.2.3配置OpenAi的key

11.png

12.webp

6.3测试数据准备

说明：使用Milvus2.6版本官方FAQ

https://github.com/milvus-io/milvus-docs/blob/v2.6.x/site/en/faq/product_faq.md

7.第一阶段测试

7.1上传数据库并嵌入Milvus

说明：必须上传2份以上的数据集才能正常嵌入Milvus，这是Langflow官方节点的Bug还未修复。

13.webp

14.webp

7.2测试节点状态

15.webp

7.3第二阶段测试

16.webp

7.4综合测试

17.webp

18.webp

3.写在最后

整体来说，Langflow低门槛、可视化，上手快，但Langflow并非万能。它更适合快速原型开发、业务逻辑频繁变更的项目、需要跨团队协作的应用、教学和演示场景。

而对性能有极致要求的系统、需要深度定制的底层逻辑、已有大量LangChain代码的成熟项目，可能不是那么适合。