Справочник

Langflow: что это и как собрать AI-агента

17 сентября 2026 · 12 минут чтения

Проверка фактов

Юлия Найпак

Методист по автоматизации. Сверяет паспорт инструмента с документацией вендора.

Автор Р

Редакция

Коллектив авторов, редакторов и иллюстраторов статей на сайте блога онлайн-университета «Зерокодер». Пишем…

Черновик готовит редакция с помощью ИИ. За стандарт издания отвечает главный редактор — Валерий Курземнек.

Материал редакции Зерокодера. Счёт по выдаче снят собственным прогоном 17 сентября 2026 года; цитаты источников приведены дословно. Обновлено: сентябрь 2026.

Langflow — это low-code платформа для визуального построения LLM-приложений и AI-агентов. Вместо того чтобы писать код, вы перетаскиваете на холст готовые компоненты — модели, промпты, источники данных, инструменты — и соединяете их линиями в рабочий граф. Под капотом работает Python-библиотека LangChain, а сама платформа даёт графический интерфейс поверх неё. В официальном описании проекта Langflow назван «Low-code AI builder for agentic and RAG applications» — конструктором для агентных и RAG-приложений.

Собственный прогон редакции по запросу «langflow что это» показал: скачали топ-10 Яндекса по запросу «langflow что это»: текст отдали 8 из 10. Медиана объёма читаемого текста топа — 1626 слов. Метку 2026 года несут 6 из 8 прочитанных страниц.

Что такое Langflow

Langflow — платформа с открытым исходным кодом для визуальной сборки приложений на больших языковых моделях. Пользователь работает не с кодом, а с холстом: размещает на нём функциональные блоки и связывает их. Каждый блок — это отдельный компонент: модель, промпт-шаблон, векторное хранилище, инструмент, парсер вывода.

В обзоре на Хабре Langflow называют «самый удобный визуальный редактор для оркестрации ИИ агентов». Там же уточняется, что компоненты делятся на две группы: «базовые и пакеты интеграций (Bundles)».

Платформа выросла из внутреннего инструмента и стала самостоятельным продуктом. В обзоре на N202 указано, что проект запустили в феврале 2023 года, а за три с половиной года он вырос до 151 000 звёзд на GitHub и 9 400 форков. На главной странице проекта счётчик показывает 153k звёзд.

Кому это нужно: разработчикам — для быстрого прототипирования, продактам — для проверки гипотез без найма команды, новичкам — для первого знакомства с LLM-приложениями без глубокого погружения в код.

Как работает Langflow

Принцип работы — drag-and-drop конструктор графов. Вы открываете пустой холст, перетаскиваете на него нужные компоненты и соединяете выходы одних блоков со входами других. Получается направленный граф, который описывает поток данных от входа к выходу.

Типовой граф состоит из нескольких слоёв:

• Вход — поле для запроса пользователя или загруженный файл.
• Обработка — промпт-шаблон, разбивка текста на фрагменты, эмбеддинги.
• Модель — LLM, к которой уходит запрос.
• Инструменты — внешние API, поиск, базы данных.
• Выход — ответ, сохранённый в файл или отданный через API.

В Langflow более 200 готовых компонентов, разделённых на категории. Из коробки доступны 50+ встроенных инструментов: поиск в Google, DALL-E, WolframAlpha, GitHub API, Notion, Slack, Gmail.

После сборки граф можно сразу протестировать прямо в интерфейсе — есть встроенная песочница. Когда результат устраивает, флоу экспортируется как API-эндпоинт. Это значит, что любой Langflow-флоу можно вызывать через curl, Python requests или как эндпоинт в n8n.

Чем Langflow отличается от LangChain

LangChain — это кодовая библиотека на Python для построения LLM-приложений. Langflow — визуальная надстройка над ней. Разница — в способе работы.

В блоге SkillFactory Langflow описывают как «отдельную платформу с визуальным редактором, которая по принципу сборки процессов напоминает n8n: вы размещаете модель, промпт, источник данных, инструменты и другие компоненты на рабочем холсте, а затем соединяете их линиями».

Там же отмечено: если сценарий выходит за пределы ИИ-приложения, Langflow можно дополнить платформой n8n. При дальнейшем развитии проекта агентную логику можно реализовать с помощью LangChain или другого фреймворка, а процессы из Langflow и n8n подключить к агенту как внешние инструменты через API или протокол MCP.

Проще говоря: LangChain — это движок, Langflow — руль и приборная панель.

Langflow AI: ключевые возможности

Платформа закрывает несколько типовых задач при работе с LLM.

RAG-пайплайны. RAG (Retrieval-Augmented Generation) — подход, при котором модель отвечает не только на основе обученных знаний, но и подтягивает данные из внешнего источника. В Langflow это собирается из компонентов: загрузчик документов, разбивка на фрагменты, эмбеддинги, векторное хранилище, ретривер, модель. В документации SpeShu.AI для эмбеддингов предлагается модель text-embedding-3-large.

Агенты с инструментами. Агент — это LLM, которая сама решает, какой инструмент вызвать для ответа на запрос. В Langflow агент собирается из компонента модели, списка инструментов и агентной логики.

Память. Компоненты памяти позволяют агенту помнить предыдущие сообщения в диалоге.

Интеграции с моделями. Поддерживаются облачные провайдеры (OpenAI, Anthropic) и локальные модели. В документации Clore.ai перечислены десятки вариантов: Llama 3.3 70B, Mistral и Mixtral, DeepSeek Coder, DeepSeek-V3, Qwen2.5, CodeLlama, Gemma 2, Phi-4, Llama 4 (Scout и Maverick), Gemma 3, Mistral Small 3.5-Omni, GLM-5, Mistral Large 3 (675B MoE), Gemini 3.1 Flash Lite и другие.

Экспорт как MCP-сервер. В версии 1.0 (весна 2026) любой workflow можно экспортировать как MCP-сервер — тогда он становится инструментом для Claude Desktop, Cursor и других MCP-клиентов.

Мониторинг и LLMOps. Встроенные средства отслеживания позволяют видеть, как проходят запросы через граф, где возникают ошибки и сколько времени занимает каждый шаг.

Langflow Desktop

Langflow Desktop — настольная версия платформы, которая устанавливается на компьютер как обычное приложение. Она запускает локальный сервер и открывает интерфейс в браузере или отдельном окне.

Отличие от веб-версии: Desktop работает полностью на вашей машине, не требует развёртывания сервера и подходит для тех, кто не хочет возиться с Docker или командной строкой. В обзоре на N202 Desktop назван самым простым способом установки — «проще всего».

Для каких ОС доступен Desktop, в выжимке не указано. Источники называют его как вариант установки, но не перечисляют поддерживаемые операционные системы. Если этот параметр важен, проверьте официальную документацию проекта.

После запуска интерфейс открывается на http://127.0.0.1:7860 — этот адрес упоминается и в обзоре на N202, и в статье на DevTrends. Порт 7860 — стандартный для Langflow.

Langflow Cloud

Langflow Cloud — облачный хостинг платформы. Вы регистрируетесь на сайте проекта и работаете с конструктором в браузере, без локальной установки.

На главной странице langflow.org есть кнопка «Get Started for Free» — бесплатный стартовый тариф. Там же указано, что развернуть можно самостоятельно или зарегистрироваться в бесплатном облачном аккаунте.

Ключевые возможности Cloud:

• Деплой без инфраструктуры. Не нужно поднимать сервер, настраивать Docker и следить за обновлениями.
• Шаринг проектов. Флоу можно передать коллеге или клиенту ссылкой.
• Совместная работа. Несколько человек могут работать над одним проектом.
• Тот же интерфейс. На сайте проекта подчёркивается: «Same Langflow whether you’re using OSS or Cloud» — интерфейс одинаковый в открытой и облачной версиях.

Для продакшена на сайте предлагается развёртывание на «enterprise-grade, secure cloud platform» — корпоративной защищённой облачной платформе.

Доступность Cloud из России в источниках не описана. Ни один из прочитанных материалов не подтверждает и не опровергает работу сервиса из РФ — этот вопрос остаётся открытым.

Langflow GitHub и git

Официальный репозиторий проекта — на GitHub. По данным обзора на N202, репозиторий набрал 151 000 звёзд, а последняя версия — 1.0. На главной странице проекта счётчик показывает 153k звёзд. В статье на DevTrends указано, что на GitHub уже больше 140 тысяч звёзд. Расхождения объясняются датой замера: счётчик растёт.

Лицензия в выжимке не названа. Проект позиционируется как open source, но конкретный тип лицензии источники не указывают — проверяйте в репозитории.

Команды сборки из исходников смотрите в README репозитория — они меняются от версии к версии. В обзоре на N202 отмечено, что после запуска интерфейс открывается на http://127.0.0.1:7860.

Для работы с исходниками нужен Python и Node.js — фронтенд и бэкенд собираются отдельно. Если не хотите возиться со сборкой, используйте pip или Docker.

Langflow скачать и установка

Три основных способа установки: pip, Docker и uv.

pip. Самый быстрый путь для тех, у кого уже есть Python:

pip install langflow
langflow run

После запуска интерфейс открывается на localhost:7860.

uv. Альтернативный менеджер пакетов, работает быстрее pip. Команды аналогичны, но через uv pip install и uv run.

Docker. Подходит для развёртывания на сервере. В документации Clore.ai описан запуск через Docker с открытием порта 7860. Там же приведены варианты с PostgreSQL для продакшена, Docker Compose для полного стека и фиксация конкретной версии.

Требования к системе. Минимальные: 2 vCPU, 4 GB RAM, 10 GB диска. Для RAG с локальными эмбеддингами (через Ollama) — 4 vCPU и 8 GB RAM.

Для локальных моделей Langflow подключается к Ollama и vLLM (совместимому с OpenAI) — адрес бэкенда указывается в OpenAI-compatible настройках, после чего выбирается модель.

Langflow docs

Официальная документация — на сайте проекта, в разделе docs. Там собраны:

• Начало работы — установка, первый запуск, базовые концепции.
• Продвинутые настройки — переменные окружения, конфигурация, безопасность.
• Интеграции — подключение моделей, инструментов, хранилищ.
• API-справочник — описание эндпоинтов для вызова флоу извне.
• Туториалы — пошаговые примеры сборки типовых сценариев.

В документации SpeShu.AI разделы структурированы так: что такое Langflow, как работает, что умеет, на практике, преимущества и недостатки, сравнение с альтернативами, кому подойдёт.

Помимо официальной документации, полезны сторонние гайды. В документации Clore.ai есть подробный разбор развёртывания с Docker, включая постоянное хранение данных, справочник переменных окружения, подключение к Ollama и vLLM, создание локального RAG-конвейера. Там же — советы: экспортировать потоки как резервные копии, использовать API для автоматизации, защитить экземпляр, следить за использованием памяти, использовать стартовые шаблоны, применять кэширование компонентов.

Практические сценарии использования

Langflow закрывает несколько типовых задач.

Чат-боты. Сборка диалогового агента с памятью и доступом к базе знаний. Компоненты: модель, промпт, память, ретривер.

Обработка документов. Загрузка PDF или текстов, разбивка на фрагменты, индексация в векторном хранилище, ответы на вопросы по содержимому.

Автоматизация. Связка LLM с внешними сервисами: отправка писем, создание задач, обновление записей в CRM. Через 50+ встроенных инструментов или собственные компоненты.

Прототипирование AI-продуктов. Быстрая проверка гипотезы: собрать флоу, протестировать в песочнице, показать заказчику, развернуть как API.

Встраивание в существующие процессы. Флоу экспортируется как API-эндпоинт и вызывается из любого приложения. В блоге SkillFactory отмечено, что процессы из Langflow и n8n можно подключить к агенту как внешние инструменты через API или протокол MCP.

Как собрать AI-агента в Langflow

Сборка агента в Langflow идёт по шагам, которые в обзоре на Creati.ai описаны так: зарегистрируйтесь на сайте, выберите шаблон или начните с нуля, используйте визуальный интерфейс для соединения моделей и рабочих процессов, протестируйте приложение во встроенной песочнице, разверните его, когда результат устроит.

На практике это выглядит так. Вы открываете стартовый шаблон или пустой холст. Перетаскиваете на него компонент модели, промпт и инструменты. Соединяете их в визуальном интерфейсе линиями. Проверяете поведение в песочнице. Разворачиваете готовый флоу как API.

Состав агента складывается из трёх частей: компонент модели, список инструментов и агентная логика. Модель отвечает за генерацию, инструменты дают доступ к внешним сервисам, агентная логика решает, какой инструмент вызвать под конкретный запрос.

Плюсы и минусы Langflow

Кому подходит. Разработчикам — для быстрой сборки прототипов и проверки идей. Продактам — для демонстрации концепций без найма команды. Новичкам — для первого знакомства с LLM-приложениями.

Кому не подходит. Проектам с жёсткими требованиями к производительности, где нужен полный контроль над кодом. Командам, которые уже построили пайплайны на чистом LangChain и не хотят переносить логику в визуальный редактор.

В сегменте low-code AI-платформ Langflow конкурирует с Dify (146K звёзд на GitHub), n8n (55K+) и Flowise.

Частые вопросы

Langflow — это что такое простыми словами?

Langflow — визуальный конструктор для сборки приложений на языковых моделях. Вы перетаскиваете на холст готовые блоки — модель, промпт, источник данных — и соединяете их линиями. Получается рабочий граф, который можно протестировать и развернуть как API. Код при этом писать не нужно.

Langflow AI — это то же самое, что LangChain?

Нет. LangChain — это Python-библиотека для построения LLM-приложений кодом. Langflow — визуальная надстройка над ней. LangChain работает под капотом Langflow, но пользователь взаимодействует с графическим интерфейсом.

Langflow Desktop — для каких ОС доступен?

В прочитанных источниках список поддерживаемых операционных систем не приводится. Desktop упоминается как самый простой способ установки, но конкретные ОС не перечислены. Проверяйте официальную документацию проекта.

Langflow скачать бесплатно можно?

Да. Платформа с открытым исходным кодом, установка через pip, Docker или uv бесплатна. На сайте проекта есть бесплатный облачный тариф с кнопкой «Get Started for Free». Платные опции касаются корпоративного развёртывания.

Langflow GitHub — сколько звёзд у проекта?

По данным обзора на N202 — 151 000 звёзд и 9 400 форков. На главной странице проекта счётчик показывает 153k. В статье на DevTrends указано больше 140 тысяч. Расхождения объясняются датой замера: счётчик растёт со временем.

Заключение

Langflow — рабочий инструмент для тех, кто хочет собирать LLM-приложения без глубокого погружения в код. Визуальный холст, 200+ компонентов, поддержка облачных и локальных моделей, экспорт как API и MCP-сервер — этого достаточно для прототипирования и небольших продакшен-задач.

С чего начать: скачайте Desktop-версию или установите через pip, откройте интерфейс на localhost:7860 и соберите первый флоу из стартового шаблона. Для командной работы попробуйте бесплатный облачный тариф. Документация проекта покрывает базовые сценарии, а сторонние гайды — развёртывание в Docker и подключение локальных моделей.

Если сценарий перерастёт возможности визуального редактора, логику можно перенести на чистый LangChain или дополнить через n8n.