Сегодня мы ищем всё более удобные решения в сфере ИИ-агентов. Речи о том, чтобы руками писать хотя бы значительную часть агентных систем — не идёт.

Однако, при работе с популярными фреймворками Langchain и Langraph мы имеем дело с графами, и было бы удобно видеть их структуру и работать по большей части не с кодом, а непосредственно с графом.

В данной статье мы поговорим о LangFlow. Это визуальный редактор для оркестрации ИИ агентов, с поддержкой локального развёртывания, вайбкодинг-инструментами, и интеграцией MCP и внешних api.

Архитектура и принцип работы

Langflow по сути своей открытая среда разработки на Python. В ней приложения собираются как графы из готовых блоков (так называемые «ноды»). Писать бэкенд вручную не нужно. Вы перетаскиваете компоненты на холст, соединяете их и сразу видите результат.

Поддерживается не только визуальное редактирование, но и с помощью кода (каждый компонент редактируем, далее рассмотрим это свойство). Если вы когда-то работали с blueprints из Unreal Engine, или учились в детстве в Scratch, то освоение Langflow — не составит для вас труда. 

Основная единица работы — поток или Flow. Он берёт входные данные, прогоняет их через цепочку языковых моделей, обращается к базам данных и агентам, и в итоге выдаёт готовый ответ. В итоге собранный в редакторе прототип можно сразу превратить в API и использовать в работе. Основное взаимодействие внутри UI приложения происходит через чат.

Точкой же входа служит Langflow. В вывод же чата вы можете выводить любую текстовую информацию, что удобно для тестирования семантического функционала (к примеру, RAG), или для дебага тулзов/субагентов. 

Визуальный редактор интуитивно понятен. В нём удобно строить рабочие процессы из промптов, LLM, баз данных и агентов. Поток можно создать с нуля, импортировать, скопировать или собрать из шаблона.

Шаблоны решают типовые задачи. С ними можно создавать чат-ботов, анализировать документы или генерировать контент. Например, шаблон Basic Prompting показывает базовую работу с LLM. Шаблон Vector Store RAG содержит два связанных процесса — один наполняет векторную базу, второй ищет по ней данные. Потоки полностью сериализуемы (под сериализуемостью потока я имею в виду возможность импортировать и экспортировать любой поток в .json формат), их можно сохранять и переносить.

Не только потоки в отдельности, но и весь созданный проект можно экспортировать в .json формате, что также открывает возможности по изучению и изменению извне с помощью LLM.

Также весь построенный в проекте пайплайн можно отследить во вкладке Traces. Время выполнения, вход/выход, подмодули и субагенты — вся информация о выполнении. 

Компоненты и кастомизация

Разберёмся с компонентами. Их можно разделить на 2 группы: базовые и пакеты интеграций (Bundles). У каждого компонента есть входы, выходы и параметры. При выборе блока открывается панель со всеми настройками.

Компоненты можно адаптировать. Например:

• Заморозить выполнение блока вместе с его предшественниками.

• Отредактировать Python-код компонента прямо в редакторе.

• Выполнить только один выбранный узел с помощью кнопки «Run component». Это помогает при отладке, так как зависимости выше по потоку не затрагиваются.

Если стандартных блоков не хватает, вы можете создать свои.

Пользовательский компонент — это Python-класс, наследуемый от Component. В нём указываются атрибуты display_name, description и icon для меню редактора.

Списки входов и выходов определяют направление потока данных. Созданный файл с кодом кладёте в нужную папку, и Langflow сам подхватит его при следующем запуске.

Однако, при отладке компонента, вы можете столкнуться с ограничениями: вы НЕ сможете работать с кодом компонента напрямую и подключать Langflow как библиотеку, по сути вы сможете подключить внешнее логирование из Langflow, и дебажить байт-код из Langflow, но не сам код.

И этой оболочки над кодом никак не избежать. Другой вариант — расставить логирование внутри самого кода компонента, что является также достаточно неудобным, или, на крайний случай, в самом Langflow и отслеживать выполнение в Traces.

Сам код несколько отличается от Langchain и Langraph, но не кардинальным образом, легко перенести фичи или целый проект на Langflow.

От себя рекомендую, прежде всего, vLLM и vLLM Embeddings, так как стандартные компоненты настроены под популярные зарубежные API-провайдеры, а эти два — под любые вам удобные.

Также хочу отметить ChromaDB под быстрые эксперименты с эмбеддингами, без запуска сервера векторной БД.

Из стандартных компонентов хочу отметить весь блок Flow control, потому что именно он позволяет добиться контроля над вашей системой оркестрации агентов.

Система также включает Langflow Assistant. Это встроенный вайб-код инструмент, позволяющий генерировать потоки и код компонентов по описанию на естественном языке. Своего рода рекурсия — агент пишет агентов. Попросите ассистента создать компонент для проверки списка URL — он выдаст готовый Python-класс. Только не забудьте настроить LLM и разрешить создание кастомных компонентов через переменную LANGFLOW_ALLOW_CUSTOM_COMPONENTS=true.

Агенты и инструменты

Агент — это обёртка над языковой моделью, которая даёт ей доступ к инструментам. Агент принимает текст или файлы. LLM определяет дальнейшие шаги. Она может сгенерировать ответ, запустить скрипт, вызвать API или изменить файлы. Эту базу уже знают даже школьники.

Агенты и субагенты — это фундамент Langflow. Можно описать промпт каждому агенту, и подключить к нему любые инструменты. Также можно модифицировать названия и описания каждого инструмента внутри самого агента во вкладке Actions, чтобы у агента было больше контекста использования того или иного инструмента. Это позволяет без изменения оригинального инструмента определить разное назначение использования у специфического агента.

Любой компонент можно превратить в инструмент. Для этого достаточно включить в его настройках Tool Mode и соединить с портом Tools у агента. Эта система работает рекурсивно. Один агент может использовать другого как инструмент — так строятся мультиагентные системы.

Работа с API и внешними сервисами

Внешние API подключаются тремя способами:

• API Request: Формирует HTTP-запросы по URL или команде curl.

• Webhook: Открывает эндпоинт для входящих POST-запросов. JSON разбирается парсером по ключам {payload_key} и передаётся дальше по потоку.

• Пользовательские компоненты: Позволяют написать сложную логику API-вызовов на Python.

Langflow поддерживает интеграцию с Model Context Protocol (MCP) в роли клиента и сервера.

Как MCP-клиент, платформа подключается к внешним серверам через компонент MCP Tools. Доступно три режима подключения: через JSON-конфигурацию, запуск локального сервера (STDIO) или удалённый HTTP/SSE-сервер. Агент в потоке получает инструменты подключённого сервера. Компонент поддерживает кеширование и проверку SSL.

В роли MCP-сервера Langflow отдаёт ваши потоки как инструменты внешним клиентам. Для этого в потоке должен быть компонент Chat Output. Система автоматически добавляет его в конфигурацию. В настройках MCP Server можно выбрать экспортируемые потоки и задать им названия. Используется транспорт streamable HTTP с резервным SSE.

Тестирование и развёртывание

Для тестирования есть встроенная среда Playground — там можно общаться с потоком в реальном времени. Вы отправляете запрос и видите, какие инструменты вызывает агент. Память сессии хранит историю сообщений. Её можно редактировать или удалять. Сессии разделяются по session_id, что позволяет изолировать разных пользователей или тесты.

Запустить систему локально можно через приложение Langflow Desktop для macOS и Windows. Работа осуществляется через Docker, запускается просто в отдельном контейнере, что позволяет развернуть приложение на своём сервере. Разработчики также могут установить Python-пакет или собрать проект из исходного кода.

Взаимодействие с созданными потоками происходит по api. В меню Share -> API access вы сможете найти куски кода для использования. Локальное API работает по адресу http://localhost:порт/api, а интерактивная документация — на /docs.

Для переноса в production среду есть набор инструментов Flow DevOps Toolkit — он помогает с версионированием, управлением переменными окружения и тестированием. 

Заключение

Обязательно попробуйте Langflow. Это достаточно новый и активно развивающийся инструмент. Вам он подойдёт для быстрого создания прототипов и тестирования новых идей, а также уже способен служить основой для ваших проектов, наравне с Langchain + Langraph.

Если вам нравится высокий уровень абстракции и архитектуры, которые даёт вайбкодинг, но при этом хочется иметь больше контроля и понимания осуществляемых в проекте процессов, то этот запрос данный фреймворк качественно реализует.

Делитесь в комментариях мнением о Langflow, а также какие ещё фреймворки с визуальным программированием в приложении к ИИ-агентам вы знаете.

© 2026 ООО «МТ ФИНАНС»