我最近一直在探索一個(gè)叫Langflow的工具。

如果你曾經(jīng)試著把LLMs、APIs和各種工具連起來，你就會知道那種挫敗感——太亂了。

一大堆樣板代碼，好多問題像“為什么這個(gè)不工作”，通常花太多時(shí)間在設(shè)置上。

Langflow試圖讓這一切變得更容易。

它基本上就是一個(gè)AI工作流的視覺構(gòu)建器。

拖動?xùn)|西，連接塊，突然你就有一個(gè)agent，能執(zhí)行任務(wù)比如抓取URL或解決數(shù)學(xué)問題。

當(dāng)你準(zhǔn)備好了，你可以直接把它跑成一個(gè)API。

初印象

那么你到底能得到什么？一個(gè)畫布，你可以把組件拖進(jìn)去：LLMs、inputs、outputs和tools。你把它們連起來。就完了。

好的部分：如果你不喜歡被限制，你可以打開Python那邊自定義東西。所以它不只是拖拽——它還可hack。

它支持最受歡迎的工具，包括OpenAI、vector databases和Groq，還有其他。它內(nèi)置了observability，這通常是我等到出問題才想起來要加的。

安裝方法

這里是我一開始有點(diǎn)卡住的地方，因?yàn)橛写蟾潘姆N安裝方式。

最簡單的路徑，抓Langflow Desktop。下載，點(diǎn)擊，就好了。適用于macOS 13+和Windows。

如果你喜歡容器，就跑Docker image：

docker run -p 7860:7860 langflowai/langflow:latest

打開??http://localhost:7860，你就進(jìn)去了。??

我的選擇？Python package。更靈活。這里是我需要的最基本的東西：

uv venv myenv
source myenv/bin/activate   # Mac/Linux
myenv\Scripts\activate      # Windows

uv pip install langflow
uv run langflow run

然后它在http://127.0.0.1:7860 啟動了。

大概花了兩分鐘。

探索Simple Agent的實(shí)際運(yùn)行

我從“Simple Agent”模板開始。它基本上是：

Chat input → Agent → Tools (Calculator + URL fetch) → Chat output

我問它：“Add 4 and 4?！?/p>

它回復(fù)：“The answer is 8?！?/p>

然后我問當(dāng)前新聞，它從URL tool拉取。沒什么驚天動地的，但它展示了這些部分是怎么拼起來的。

我最喜歡什么？你可以看到agent的推理一步一步。它不覺得像個(gè)黑箱。

通過代碼應(yīng)用

一旦我讓一個(gè)flow跑起來，我想從Python調(diào)用它。幸好Langflow讓這變得容易。

import requests

url = "http://localhost:7860/api/v1/run/FLOW_ID"
payload = {
    "output_type": "chat",
    "input_type": "chat",
    "input_value": "hello world!"
}
headers = {
    "Content-Type": "application/json",
    "x-api-key": "YOUR_LANGFLOW_API_KEY"
}
res = requests.post(url, jsnotallow=payload, headers=headers)
print(res.json())

就是這樣。你打/run endpoint，flow就干活了。

一個(gè)聊天循環(huán)

為了好玩，我把它包成一個(gè)終端chatbot。沒什么花哨的。

def ask_agent(q):
    payload = {"output_type": "chat", "input_type": "chat", "input_value": q}
    headers = {"Content-Type": "application/json", "x-api-key": "YOUR_KEY"}
    res = requests.post(url, jsnotallow=payload, headers=headers)
    data = res.json()
    return data["outputs"][0]["outputs"][0]["outputs"]["message"]["message"]

prev = None
while True:
    q = input("Ask something: ")
    if q == "quit":
        break
    elif q == "compare":
        print("Last answer:", prev if prev else "none")
        continue
    ans = ask_agent(q)
    print("Agent:", ans)
    prev = ans

現(xiàn)在我可以問它問題，然后打“compare”看它上次說什么。傻乎乎的，但挺有趣。

一個(gè)巧妙的技巧：你可以只為單次運(yùn)行覆蓋東西。比如，如果我通常跑OpenAI但想為一個(gè)query試Groq，我加一個(gè)“tweaks”對象到payload。

payload = {
    "output_type": "chat",
    "input_type": "chat",
    "input_value": "hello world!",
    "tweaks": {
        "Agent-ZOknz": {
            "agent_llm": "Groq",
            "api_key": "GROQ_API_KEY",
            "model_name": "llama-3.1-8b-instant"
        }
    }
}

它是臨時(shí)的，所以我不搞亂原flow。

Langflow達(dá)到了一個(gè)不錯(cuò)的平衡：簡單到你可以點(diǎn)來點(diǎn)去幾分鐘建好東西，但又靈活到能真正集成進(jìn)app。

如果你是AI agents的新手，從Desktop或Docker開始。如果你更像開發(fā)者，我推薦用Python package。

雖然它不完美——偶爾需要點(diǎn)耐心啟動?xùn)|西，documentation還在趕上——但它仍是我用過的最無縫的AI工作流工具之一。

本文轉(zhuǎn)載自??AI大模型觀察站??，作者：AI研究生