Langflow

把一顆顆 LLM 元件變成拖拉積木 — Langflow 讓你在視覺化畫布上拼出 Agent 與 RAG 工作流,原型速度飛快。

它是什麼

• 開發商:開源專案(後由 DataStax 支持發展)
• 核心能力:視覺化流程編排,節點涵蓋模型、提示詞、向量庫、工具呼叫,能組出 Agent 與檢索增強生成(RAG)工作流並輸出 API
• 同類定位:與 Flowise 幾乎同賽道(視覺化 LLM 編排),Langflow 出身 Python 生態;比起 Dify,它更像開發者的原型畫布,營運面功能較輕

典型情境

• 把「文件切塊、向量化、檢索、生成」的 RAG 流程視覺化拼出來,快速驗證可行性
• 實驗不同提示詞與模型組合,拖線改接就能比較效果
• 做一個會查資料、呼叫工具的 Agent 原型,展示給客戶看
• 原型定案後交給工程團隊,轉成正式程式碼實作

選型重點

• 熟 Python 生態、要快速原型 → Langflow;偏 JavaScript 生態、輕量自架 → Flowise
• 要完整的應用營運(帳號、日誌、發布管理)→ Dify 更到位
• 視覺化利於溝通,但邏輯疊太多反而難維護,正式產品常回歸程式碼
• 可自架;接雲端模型時資料仍會流向模型供應商,要分層評估

💡 一句話記憶:Langflow = LLM 流程的樂高桌,拖拉之間拼出 Agent 與 RAG。

iPAS 考點

科目二分類:屬「LLM 應用視覺化編排工具(Low-code)」。判斷關鍵字是視覺化、Agent、RAG 工作流。陷阱是把它歸成通用自動化(Zapier 類)— Langflow 的節點是模型與提示詞,不是 SaaS 連接器;與 Flowise 的區分常考定位描述,兩者概念幾乎互通,靠生態與關鍵字辨認即可。