LangFlow轻松入门：无需编程基础，快速创建你的第一个LangChain应用

LangFlow轻松入门：无需编程基础，快速创建你的第一个LangChain应用

你是不是也对大语言模型（LLM）感到好奇，想亲手搭建一个智能应用，却被满屏的代码和复杂的术语吓退了？别担心，今天我要介绍的工具，能让你像搭积木一样玩转AI。

想象一下，不用写一行代码，只用鼠标拖拖拽拽、连连线，就能把文档处理、智能问答、内容生成这些复杂的功能组合起来。这听起来是不是很神奇？这就是LangFlow的魅力所在。

LangFlow是一个可视化的AI应用构建工具，它把原本需要深厚编程功底的LangChain开发，变成了人人都能上手的图形化操作。无论你是产品经理、运营人员，还是对AI感兴趣的初学者，都能在几分钟内，搭建出属于自己的第一个智能应用。

这篇文章，我将带你从零开始，用最简单的方式，在CSDN星图镜像上启动LangFlow，并利用内置的Ollama模型，快速完成一个能和你对话的智能助手。整个过程，你只需要点点鼠标。

1. 什么是LangFlow？为什么它如此简单？

在深入动手之前，我们先花一分钟，了解一下LangFlow到底是什么，以及它为什么能如此大幅度地降低AI应用开发的门槛。

1.1 从“写代码”到“画流程图”

传统的AI应用开发，比如用Python和LangChain库，你需要：

• 学习Python语法和LangChain的API。
• 在代码中定义数据从哪里来、怎么处理、送到哪个模型、结果怎么输出。
• 一旦流程出错，需要逐行调试代码，非常耗时。

而LangFlow彻底改变了这个模式。它把LangChain中每一个功能模块（比如“读取文档”、“分割文本”、“调用大模型”、“生成回答”）都变成了一个可视化的“组件”或“节点”。

你的开发过程变成了：

1. 拖拽：从左侧的组件库中，把需要的节点拖到画布上。
2. 连接：用线把节点按照逻辑顺序连接起来，数据就会沿着线流动。
3. 配置：点击每个节点，在右侧面板填写或选择必要的参数（比如模型名称、提问内容）。
4. 运行：点击“运行”按钮，立刻就能在界面上看到每一步的处理结果。

整个过程就像在画一个数据处理的流程图，直观、清晰，完全屏蔽了底层代码的复杂性。

1.2 核心价值：快速实验与协作

LangFlow的核心价值在于“快速实验”和“降低协作成本”。

• 对开发者：可以快速验证一个新的AI流程想法，比如“先用A模型总结，再用B模型润色”是否有效，几分钟就能搭出原型看到结果，而不用花几小时写代码。
• 对非技术同事：产品经理可以直接调整提示词（Prompt）的节点，看看生成的文案是否符合要求；业务人员可以理解整个AI应用的逻辑，甚至参与设计。
• 对团队：一个设计好的工作流可以保存为模板，分享给其他成员直接使用或修改，极大地提升了知识复用的效率。

简单来说，LangFlow让AI应用的构建从“黑盒”变成了“白盒”，从“专家专属”变成了“全民参与”。

2. 环境准备：在CSDN星图一键启动LangFlow

理论说再多，不如动手试一试。好消息是，在CSDN星图镜像广场，LangFlow已经为我们准备好了开箱即用的环境，省去了繁琐的安装和配置步骤。

2.1 找到并启动LangFlow镜像

1. 访问 CSDN星图镜像广场。
2. 在搜索框中输入“LangFlow”，找到对应的镜像。镜像描述通常会写着“低代码、可视化的AI应用构建工具”。
3. 点击“部署”或类似的按钮。星图平台会自动为你创建一个包含LangFlow及其所有依赖的云环境实例。
4. 等待实例启动完成，通常只需要一两分钟。状态变为“运行中”后，点击提供的访问链接（通常是一个URL）。

这时，你的浏览器会打开LangFlow的Web操作界面。恭喜，最复杂的环境部署部分已经完成了！你现在拥有的是一个完全配置好的、随时可用的LangFlow开发环境。

2.2 认识LangFlow的操作界面

第一次打开界面，你可能会看到一些默认的节点和连线。别慌，我们先来快速认识一下主要区域：

• 左侧组件库：这里是所有可用的“积木块”，分类存放，比如Chains（链）、LLMs（大语言模型）、Prompts（提示词）、Memory（记忆）等。
• 中间画布：你的主战场。在这里拖放组件并连接它们。
• 右侧属性面板：当你选中画布上的某个节点时，这里会显示该节点的详细配置选项。
• 底部运行/输出区：点击“运行”按钮后，每个节点的处理结果会在这里显示，方便你调试。
• 顶部工具栏：保存、加载工作流，调整视图等。

界面可能略有不同，但核心区域大致如此。现在，让我们清空画布，从零开始搭建。

3. 动手实践：三步搭建你的第一个对话应用

我们的目标是创建一个最简单的应用：你向它提问，它基于一个强大的开源模型来回答你。我们将使用镜像内已经部署好的Ollama服务来提供模型能力。

Ollama是一个可以让你在本地轻松运行大模型（如Llama 3）的工具。我们的镜像已经集成了它，所以你可以直接调用，无需自己下载几十GB的模型文件。

3.1 第一步：放置核心节点

我们要搭建的流程极其简单，只需要三个核心节点：

1. 输入节点：接收我们提的问题。
2. 大模型节点：负责思考并生成答案。
3. 输出节点：把模型的答案展示给我们。

在左侧组件库中找到并拖拽以下三个节点到画布上：

• 从Inputs分类中拖出ChatInput节点。它代表用户的输入框。
• 从LLMs分类中拖出Ollama节点。它将连接我们本地的Ollama服务。
• 从Outputs分类中拖出ChatOutput节点。它用来显示对话结果。

现在你的画布上应该有三个独立的节点。

3.2 第二步：连接节点，构建流程

逻辑是：输入 → 模型 → 输出。我们用“线”来表示这个数据流。

1. 点击ChatInput节点右侧的输出点（通常是一个小圆点）。
2. 按住鼠标，拖出一条线，连接到Ollama节点左侧的输入点。这表示把用户输入的问题发送给模型。
3. 点击Ollama节点右侧的输出点，拖出一条线，连接到ChatOutput节点左侧的输入点。这表示把模型生成的答案发送给输出框。

连接完成后，你的画布上应该有一个清晰的链条：ChatInput→Ollama→ChatOutput。

3.3 第三步：配置模型并运行

最关键的一步是告诉Ollama节点使用哪个模型。

1. 点击画布上的Ollama节点，右侧属性面板会展开。
2. 在配置项中，找到model这一栏。你需要在这里输入你想用的模型名称。
   • 镜像预装的Ollama里有哪些模型，可能需要查看镜像文档。一个常见且强大的选择是llama3.2，它是Meta最新推出的轻量级但能力出色的模型。你可以尝试输入llama3.2:1b（10亿参数版本，响应快）或llama3.2:3b（30亿参数版本，能力更强）。
   • 如果模型不存在，Ollama会自动尝试从网上下载，但这可能需要一些时间。你也可以在镜像文档或社区中查找推荐的、已预装的模型名。
3. （可选）你可以调整其他参数，比如temperature（创造性，值越高回答越随机，通常0.7-0.9之间），num_predict（最大生成长度）。

配置完成后，点击画布上方或下方的“运行”按钮。

激动人心的时刻到了！

1. 在ChatInput节点对应的输入框里（可能在属性面板或底部输出区），输入你的问题，比如：“用一句话介绍你自己。”
2. 按下回车或点击发送。
3. 稍等几秒钟，你就能在ChatOutput节点对应的输出区域，看到模型生成的回答了！

你刚刚完成了第一个AI应用的搭建和运行！整个过程没有写任何代码。

4. 更进一步：打造一个简易的“知识库问答”应用

只会简单对话还不够酷？我们来稍微升级一下，创建一个能基于特定文档内容进行回答的“知识库问答”应用。这需要增加几个节点，但流程依然直观。

新流程是：上传文档 → 拆分文档 → 向量化并存储 → 根据问题检索相关文本 → 组合成提示词 → 发送给模型 → 输出答案。

4.1 扩展你的工作流

在原有流程的基础上，我们需要在ChatInput和Ollama之间插入处理文档的环节。

1. 添加文档加载与处理链：
   • 拖入一个TextLoader节点（在Document Loaders分类下）。用它来上传你的TXT或PDF文档。
   • 拖入一个RecursiveCharacterTextSplitter节点（在Text Splitters分类下）。把它连接到TextLoader后面，用于把长文档切成小块。
2. 添加向量存储与检索：
   • 拖入一个OpenAIEmbeddings节点。但因为我们用本地模型，可以改用OllamaEmbeddings（如果组件库有）或继续用Ollama节点并选择嵌入模式。这里为了简化，我们假设使用OllamaEmbeddings。
   • 拖入一个Chroma节点（在Vector Stores分类下）。把它连接到TextSplitter和OllamaEmbeddings后面，它会自动将文本块向量化并存储。
   • 拖入一个Retriever节点（在Retrievers分类下）。把它连接到Chroma节点，它将负责根据问题从向量库中查找最相关的文本块。
3. 重构提示词与连接：
   • 拖入一个PromptTemplate节点（在Prompts分类下）。我们需要修改它的模板。
   • 双击或通过属性面板编辑PromptTemplate的内容。模板可以这样写：

     请根据以下背景信息回答问题。如果背景信息中没有答案，请直接说“根据提供的信息，我无法回答这个问题”。 背景信息： {context} 问题：{question} 答案：

     这里的{context}和{question}是占位符，会被自动替换。
   • 断开之前ChatInput直接连Ollama的线。
   • 重新连接：ChatInput→Retriever。Retriever的输出（检索到的文本）和ChatInput的输出（原始问题）一起连接到PromptTemplate的输入。PromptTemplate的输出再连接到Ollama。最后Ollama连接ChatOutput。

4.2 运行你的知识库助手

1. 在TextLoader节点上传一个文档（比如一份产品说明书或一篇技术文章）。
2. 点击“运行”。系统会先处理文档，构建向量数据库（这可能需要一点时间）。
3. 处理完成后，在ChatInput中输入关于该文档内容的问题。
4. 观察结果！模型会先检索文档中的相关段落，然后结合这些段落来生成答案，而不是凭空想象。

通过这个例子，你就能体会到LangFlow的强大：通过简单地排列组合节点，就能构建出相当复杂的AI应用流水线。

5. 总结

回顾一下我们今天完成的事情：

1. 理解了LangFlow的价值：它将代码驱动的AI开发转变为可视化、流程化的搭建，极大降低了门槛，促进了快速实验和团队协作。
2. 学会了环境搭建：利用CSDN星图镜像，我们免配置地获得了一个完整的LangFlow开发环境。
3. 完成了从零到一的实践：我们搭建了两个应用：
   • 一个基础的、与Ollama模型对话的聊天助手。
   • 一个进阶的、能够基于自有文档进行问答的知识库助手。
4. 掌握了核心操作：拖拽组件、连线定义流程、配置节点参数、运行并查看结果。

LangFlow就像AI领域的“乐高”。它提供的每一个组件都是一个功能明确的积木，而你则是建筑师，通过自由的组合来创造无限可能。今天你搭建的是对话和问答应用，明天你就可以尝试搭建自动摘要、内容分类、数据提取等更复杂的流程。

最重要的是，你无需担心背后的Python代码如何编写，只需专注于业务逻辑和流程设计。这，正是LangFlow带给开发者和非开发者的最大礼物。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。