快速入门

通过加载模板流程、运行它，然后在 /run API 端点上提供服务，开始使用 Langflow。

前提条件

• 安装并启动 Langflow

• 创建 OpenAI API 密钥

• 创建 Langflow API 密钥

  创建 Langflow API 密钥

  Langflow API 密钥是您可以与 Langflow 一起使用的用户特定令牌。

  要创建 Langflow API 密钥，请执行以下操作：

  1. 在 Langflow 中，点击您的用户图标，然后选择 设置。

  2. 点击 Langflow API 密钥，然后点击 添加新。

  3. 为您的密钥命名，然后点击 创建 API 密钥。

  4. Replicate API 密钥并安全存储。

  5. 要在请求中使用您的 Langflow API 密钥，请在终端中设置 LANGFLOW_API_KEY 环境变量，然后在请求中包含一个 x-api-key 头部或查询参数。 例如：

     
     

     _13

     # 设置变量

     _13

     export LANGFLOW_API_KEY="sk..."

     _13

     _13

     # 发送请求

     _13

     curl --request POST \

     _13

     --url "http://LANGFLOW_SERVER_ADDRESS/api/v1/run/FLOW_ID" \

     _13

     --header "Content-Type: application/json" \

     _13

     --header "x-api-key: $LANGFLOW_API_KEY" \

     _13

     --data '{

     _13

     "output_type": "chat",

     _13

     "input_type": "chat",

     _13

     "input_value": "Hello"

     _13

     }'

     
     

运行简单代理模板流程

1. 在 Langflow 中，点击 新建流程，然后选择 简单代理 模板。

简单代理 模板由一个 代理 组件 连接到 聊天输入 和 聊天输出 组件，一个 计算器 组件，和一个 URL 组件 组成。当您运行此流程时，您通过 聊天输入 组件向代理提交查询，代理使用 计算器 和 URL 工具生成响应，然后通过 聊天输出 组件返回响应。

许多组件都可以作为代理的工具，包括 模型上下文协议 (MCP) 服务器。代理根据给定查询的上下文决定调用哪些工具。

2. 在 代理 组件中，直接输入您的 OpenAI API 密钥，或点击 全局 来创建一个 全局变量。

   本指南使用 OpenAI 模型进行演示。如果您想使用其他提供商，请更改 模型提供商 和 模型名称 字段，然后为您选择的提供商提供凭据。

3. 要运行流程，点击 游乐场。

4. 要测试 计算器 工具，向代理询问一个简单的数学问题，例如 我想把 4 和 4 相加。 为了帮助您测试和评估流程，游乐场 显示代理的推理过程，包括它分析提示、选择工具，然后使用工具生成响应。 在这种情况下，数学问题导致代理选择 计算器 工具并使用类似 evaluate_expression 的操作。

5. 要测试 URL 工具，向代理询问当前事件。 对于此请求，代理选择 URL 工具的 fetch_content 操作，然后返回当前新闻标题的摘要。

6. 完成流程测试后，点击 关闭。

下一步

既然您已经运行了第一个流程，请尝试以下下一步：

• 通过附加不同的工具或向流程添加更多 组件 来编辑您的 简单代理 流程。
• 从头开始或修改其他模板流程来 构建您自己的流程。
• 将流程集成到您的应用程序中，如 从外部应用程序运行您的流程 中所述。

从外部应用程序运行您的流程

Langflow 是一个 IDE，但也是一个运行时，您可以通过 Langflow API 使用 Python、JavaScript 或 HTTP 调用它。

当您在本地启动 Langflow 时，可以向本地 Langflow 服务器发送请求。 对于生产应用程序，您需要部署一个稳定的 Langflow 实例来处理 API 调用。

例如，您可以使用 /run 端点运行流程并获取结果。

Langflow 提供代码片段帮助您开始使用 Langflow API。

1. 编辑流程时，点击 Share，然后点击 API access。

   API 访问面板中的默认代码会使用 Langflow 服务器的 url、headers 和请求数据的 payload 构造请求。 代码片段会自动包含该流程的 LANGFLOW_SERVER_ADDRESS 和 FLOW_ID 值，以及一个包含您 LANGFLOW_API_KEY 的脚本（如果您已在终端会话中将其设置为环境变量）。 如果您使用代码连接到不同的服务器或流程，请替换这些值。 默认的 Langflow 服务器地址是 http://localhost:7860。

   Python

   
   

   _29

   import requests

   _29

   _29

   url = "http://LANGFLOW_SERVER_ADDRESS/api/v1/run/FLOW_ID" # 此流程的完整 API 端点 URL

   _29

   _29

   # 请求负载配置

   _29

   payload = {

   _29

   "output_type": "chat",

   _29

   "input_type": "chat",

   _29

   "input_value": "hello world!"

   _29

   }

   _29

   _29

   # 请求头

   _29

   headers = {

   _29

   "Content-Type": "application/json",

   _29

   "x-api-key": "$LANGFLOW_API_KEY"

   _29

   }

   _29

   _29

   try:

   _29

   # 发送 API 请求

   _29

   response = requests.request("POST", url, json=payload, headers=headers)

   _29

   response.raise_for_status() # 对错误状态码引发异常

   _29

   _29

   # 打印响应

   _29

   print(response.text)

   _29

   _29

   except requests.exceptions.RequestException as e:

   _29

   print(f"Error making API request: {e}")

   _29

   except ValueError as e:

   _29

   print(f"Error parsing response: {e}")

   
   

   JavaScript

   
   

   _20

   const payload = {

   _20

   "output_type": "chat",

   _20

   "input_type": "chat",

   _20

   "input_value": "hello world!",

   _20

   "session_id": "user_1"

   _20

   };

   _20

   _20

   const options = {

   _20

   method: 'POST',

   _20

   headers: {

   _20

   'Content-Type': 'application/json',

   _20

   'x-api-key': 'LANGFLOW_API_KEY'

   _20

   },

   _20

   body: JSON.stringify(payload)

   _20

   };

   _20

   _20

   fetch('http://LANGFLOW_SERVER_ADDRESS/api/v1/run/FLOW_ID', options)

   _20

   .then(response => response.json())

   _20

   .then(response => console.log(response))

   _20

   .catch(err => console.error(err));

   
   

   curl

   
   

   _11

   curl --request POST \

   _11

   --url 'http://LANGFLOW_SERVER_ADDRESS/api/v1/run/FLOW_ID?stream=false' \

   _11

   --header 'Content-Type: application/json' \

   _11

   --header "x-api-key: LANGFLOW_API_KEY" \

   _11

   --data '{

   _11

   "output_type": "chat",

   _11

   "input_type": "chat",

   _11

   "input_value": "hello world!"

   _11

   }'

   _11

   _11

   # 200 响应确认调用成功。

   
   

2. Replicate代码片段，将其粘贴到脚本文件中，然后运行该脚本以发送请求。 如果您使用的是 curl 代码片段，可以直接在终端中运行该命令。

如果请求成功，响应将包含有关流程运行的许多详细信息，包括会话 ID、输入、输出、组件、持续时间等。 以下是运行 Simple Agent 模板流程的响应示例：

结果

_163

{

_163

"session_id": "29deb764-af3f-4d7d-94a0-47491ed241d6",

_163

"outputs": [

_163

{

_163

"inputs": {

_163

"input_value": "hello world!"

_163

},

_163

"outputs": [

_163

{

_163

"results": {

_163

"message": {

_163

"text_key": "text",

_163

"data": {

_163

"timestamp": "2025-06-16 19:58:23 UTC",

_163

"sender": "系统",

_163

"sender_name": "OpenAI",

_163

"session_id": "29deb764-af3f-4d7d-94a0-47491ed241d6",

_163

"text": "你好世界！🌍 今天有什么可以帮您的吗？",

_163

"files": [],

_163

"error": false,

_163

"edit": false,

_163

"properties": {

_163

"text_color": "",

_163

"background_color": "",

_163

"edited": false,

_163

"source": {

_163

"id": "Agent-ZOknz",

_163

"display_name": "代理",

_163

"source": "gpt-4o-mini"

_163

},

_163

"icon": "bot",

_163

"allow_markdown": false,

_163

"positive_feedback": null,

_163

"state": "complete",

_163

"targets": []

_163

},

_163

"category": "message",

_163

"content_blocks": [

_163

{

_163

"title": "代理步骤",

_163

"contents": [

_163

{

_163

"type": "text",

_163

"duration": 2,

_163

"header": {

_163

"title": "输入",

_163

"icon": "MessageSquare"

_163

},

_163

"text": "**输入**：hello world!"

_163

},

_163

{

_163

"type": "text",

_163

"duration": 226,

_163

"header": {

_163

"title": "输出",

_163

"icon": "MessageSquare"

_163

},

_163

"text": "你好世界！🌍 今天有什么可以帮您的吗？"

_163

}

_163

],

_163

"allow_markdown": true,

_163

"media_url": null

_163

}

_163

],

_163

"id": "f3d85d9a-261c-4325-b004-95a1bf5de7ca",

_163

"flow_id": "29deb764-af3f-4d7d-94a0-47491ed241d6",

_163

"duration": null

_163

},

_163

"default_value": "",

_163

"text": "你好世界！🌍 今天有什么可以帮您的吗？",

_163

"sender": "系统",

_163

"sender_name": "OpenAI",

_163

"files": [],

_163

"session_id": "29deb764-af3f-4d7d-94a0-47491ed241d6",

_163

"timestamp": "2025-06-16T19:58:23+00:00",

_163

"flow_id": "29deb764-af3f-4d7d-94a0-47491ed241d6",

_163

"error": false,

_163

"edit": false,

_163

"properties": {

_163

"text_color": "",

_163

"background_color": "",

_163

"edited": false,

_163

"source": {

_163

"id": "Agent-ZOknz",

_163

"display_name": "代理",

_163

"source": "gpt-4o-mini"

_163

},

_163

"icon": "bot",

_163

"allow_markdown": false,

_163

"positive_feedback": null,

_163

"state": "complete",

_163

"targets": []

_163

},

_163

"category": "message",

_163

"content_blocks": [

_163

{

_163

"title": "代理步骤",

_163

"contents": [

_163

{

_163

"type": "text",

_163

"duration": 2,

_163

"header": {

_163

"title": "输入",

_163

"icon": "MessageSquare"

_163

},

_163

"text": "**输入**：hello world!"

_163

},

_163

{

_163

"type": "text",

_163

"duration": 226,

_163

"header": {

_163

"title": "输出",

_163

"icon": "MessageSquare"

_163

},

_163

"text": "你好世界！🌍 今天有什么可以帮您的吗？"

_163

}

_163

],

_163

"allow_markdown": true,

_163

"media_url": null

_163

}

_163

],

_163

"duration": null

_163

}

_163

},

_163

"artifacts": {

_163

"message": "你好世界！🌍 今天有什么可以帮您的吗？",

_163

"sender": "系统",

_163

"sender_name": "OpenAI",

_163

"files": [],

_163

"type": "object"

_163

},

_163

"outputs": {

_163

"message": {

_163

"message": "你好世界！🌍 今天有什么可以帮您的吗？",

_163

"type": "text"

_163

}

_163

},

_163

"logs": {

_163

"message": []

_163

},

_163

"messages": [

_163

{

_163

"message": "你好世界！🌍 今天有什么可以帮您的吗？",

_163

"sender": "系统",

_163

``````json

_163

"sender_name": "AI",

_163

"session_id": "29deb764-af3f-4d7d-94a0-47491ed241d6",

_163

"stream_url": null,

_163

"component_id": "ChatOutput-aF5lw",

_163

"files": [],

_163

"type": "text"

_163

}

_163

],

_163

"timedelta": null,

_163

"duration": null,

_163

"component_display_name": "Chat Output",

_163

"component_id": "ChatOutput-aF5lw",

_163

"used_frozen_result": false

_163

}

_163

]

_163

}

_163

]

_163

}

在生产应用中，你可能想要选择这个响应中的部分内容返回给用户、存储在日志中等等。接下来的步骤演示了如何从Langflow API响应中提取数据以便在你的应用中使用。

从响应中提取数据

以下示例基于 API 窗格的示例代码，创建一个在终端中运行的问答聊天，并存储代理之前的回答。

1. 将您的 Simple Agent 流程的 /run 代码片段整合到以下脚本中。 此脚本在您的终端中运行问答聊天，并存储代理之前的回答，以便您进行比较。

   Python

   
   

   _59

   import requests

   _59

   import json

   _59

   _59

   url = "http://LANGFLOW_SERVER_ADDRESS/api/v1/run/FLOW_ID"

   _59

   _59

   def ask_agent(question):

   _59

   payload = {

   _59

   "output_type": "chat",

   _59

   "input_type": "chat",

   _59

   "input_value": question,

   _59

   }

   _59

   _59

   headers = {

   _59

   "Content-Type": "application/json",

   _59

   "x-api-key": "LANGFLOW_API_KEY"

   _59

   }

   _59

   _59

   try:

   _59

   response = requests.post(url, json=payload, headers=headers)

   _59

   response.raise_for_status()

   _59

   _59

   # Get the response message

   _59

   data = response.json()

   _59

   message = data["outputs"][0]["outputs"][0]["outputs"]["message"]["message"]

   _59

   return message

   _59

   _59

   except Exception as e:

   _59

   return f"Error: {str(e)}"

   _59

   _59

   def extract_message(data):

   _59

   try:

   _59

   return data["outputs"][0]["outputs"][0]["outputs"]["message"]["message"]

   _59

   except (KeyError, IndexError):

   _59

   return None

   _59

   _59

   # Store the previous answer from ask_agent response

   _59

   previous_answer = None

   _59

   _59

   # the terminal chat

   _59

   while True:

   _59

   # Get user input

   _59

   print("\nAsk the agent anything, such as 'What is 15 * 7?' or 'What is the capital of France?')")

   _59

   print("Type 'quit' to exit or 'compare' to see the previous answer")

   _59

   user_question = input("Your question: ")

   _59

   _59

   if user_question.lower() == 'quit':

   _59

   break

   _59

   elif user_question.lower() == 'compare':

   _59

   if previous_answer:

   _59

   print(f"\nPrevious answer was: {previous_answer}")

   _59

   else:

   _59

   print("\nNo previous answer to compare with!")

   _59

   continue

   _59

   _59

   # Get and display the answer

   _59

   result = ask_agent(user_question)

   _59

   print(f"\nAgent's answer: {result}")

   _59

   # Store the answer for comparison

   _59

   previous_answer = result

   
   

   JavaScript

   
   

   _74

   const readline = require('readline');

   _74

   _74

   const rl = readline.createInterface({

   _74

   input: process.stdin,

   _74

   output: process.stdout

   _74

   });

   _74

   _74

   const url = 'http://LANGFLOW_SERVER_ADDRESS/api/v1/run/FLOW_ID';

   _74

   _74

   // Store the previous answer from askAgent response

   _74

   let previousAnswer = null;

   _74

   _74

   // the agent flow, with question as input_value

   _74

   async function askAgent(question) {

   _74

   const payload = {

   _74

   "output_type": "chat",

   _74

   "input_type": "chat",

   _74

   "input_value": question

   _74

   };

   _74

   _74

   const options = {

   _74

   method: 'POST',

   _74

   headers: {

   _74

   'Content-Type': 'application/json',

   _74

   'x-api-key': 'LANGFLOW_API_KEY'

   _74

   },

   _74

   body: JSON.stringify(payload)

   _74

   };

   _74

   _74

   try {

   _74

   const response = await fetch(url, options);

   _74

   const data = await response.json();

   _74

   _74

   // Extract the message from the nested response

   _74

   const message = data.outputs[0].outputs[0].outputs.message.message;

   _74

   return message;

   _74

   } catch (error) {

   _74

   return `Error: ${error.message}`;

   _74

   }

   _74

   }

   _74

   _74

   // the terminal chat

   _74

   async function startChat() {

   _74

   console.log("\nAsk the agent anything, such as 'What is 15 * 7?' or 'What is the capital of France?'");

   _74

   console.log("Type 'quit' to exit or 'compare' to see the previous answer");

   _74

   _74

   const askQuestion = () => {

   _74

   rl.question('\nYour question: ', async (userQuestion) => {

   _74

   if (userQuestion.toLowerCase() === 'quit') {

   _74

   rl.close();

   _74

   return;

   _74

   }

   _74

   _74

   if (userQuestion.toLowerCase() === 'compare') {

   _74

   if (previousAnswer) {

   _74

   console.log(`\nPrevious answer was: ${previousAnswer}`);

   _74

   } else {

   _74

   console.log("\nNo previous answer to compare with!");

   _74

   }

   _74

   askQuestion();

   _74

   return;

   _74

   }

   _74

   _74

   const result = await askAgent(userQuestion);

   _74

   console.log(`\nAgent's answer: ${result}`);

   _74

   previousAnswer = result;

   _74

   askQuestion();

   _74

   });

   _74

   };

   _74

   _74

   askQuestion();

   _74

   }

   _74

   _74

   startChat();

   
   

2. 要查看代理之前的回答，请输入 compare。要关闭终端聊天，请输入 exit。

使用调整项(flow tweaks)为流程运行应用临时覆盖

您可以在请求中包含调整项(tweaks)，以临时修改流程参数。 调整项被添加到API请求中，并临时更改您流程中的组件参数。 调整项仅覆盖流程组件的设置，仅对单次运行有效。 它们不会修改底层的流程配置，也不会在运行之间保持。

调整项被添加到/run端点的payload中。 为了辅助格式化，您可以在Replicate代码片段之前，在Langflow的**输入模式(Input Schema)**面板中定义调整项。

1. 要打开输入模式(Input Schema)面板，从API访问(API access)面板中，点击输入模式(Input Schema)。
2. 在**输入模式(Input Schema)面板中，选择您要在下次请求中修改的参数。 在输入模式(Input Schema)**面板中启用参数不会永久更改列出的参数。它只会将参数添加到示例代码片段中。
3. 例如，要将LLM提供商从OpenAI更改为Groq，并在请求中包含您的Groq API密钥，请选择模型提供商(Model Providers)、**模型(Model)和Groq API密钥(Groq API Key)**的值。 Langflow根据您的输入参数更新代码片段中的tweaks对象，并包含默认值以指导您。 在您的脚本中使用更新后的代码片段，以使用您的覆盖项运行流程。

_12

payload = {

_12

"output_type": "chat",

_12

"input_type": "chat",

_12

"input_value": "hello world!",

_12

"tweaks": {

_12

"Agent-ZOknz": {

_12

"agent_llm": "Groq",

_12

"api_key": "GROQ_API_KEY",

_12

"model_name": "llama-3.1-8b-instant"

_12

}

_12

}

_12

}

下一步

• 使用Langflow API触发流程
• 将Langflow用作模型上下文协议(MCP)服务器
• 容器化Langflow应用程序
• 文件管理