Kerwin AI Information

Langflow：用畫流程圖做自己的 AI Agent

Langflow：用畫流程圖做自己的 AI Agent

作者:

kerwin77106

分類:

📌 本文重點

  • Langflow 用拖拉節點設計 AI Agent 工作流
  • 支援記憶、工具調用與 Webhook，讓 Agent 真正能做事
  • 30 分鐘內即可做出第一個可用的內部 Bot 或自動化流程
  • 開源、可自行部署，適合技術團隊掌控環境

一句話先講清楚：Langflow 就是把「寫 Agent 程式」變成「畫流程圖」，讓你用拖拉方塊的方式，搭出自己的 AI 工作流。

Langflow GitHub 專案連結

核心功能：用方塊和線組出一個會動的 AI

1. 節點（Nodes）：把複雜任務拆成小方塊

在 Langflow 裡，你看到的是一塊畫布，左邊是各種「節點」，右邊是你畫好的流程圖。

常用節點類型：

  • LLM 節點：呼叫大語言模型（例如 OpenAI、Anthropic、Ollama 等）
  • Prompt 節點：管理提示詞模板，支援變數（如 {{question}}）
  • Memory 節點：儲存上下文，例如聊天紀錄或任務狀態
  • Tool / API 節點：呼叫外部服務，像 HTTP Request、Webhook

你可以做的動作：

  • 打開 Langflow，先拖一個 Chat Model 節點 到畫布上
  • 再拖一個 Prompt 節點，將使用者輸入包裝成模型指令
  • 把 Prompt 的輸出線接到 Chat Model 的輸入，就完成最基本的「問答 bot」骨架

💡 關鍵： 把任務拆成節點後，你可以像搭積木一樣重組、調整工作流，而不必重寫整段程式。

2. 連線（Edges）：定義資料怎麼流動

每個節點都有輸入／輸出接口，透過連線把它們接起來，就形成一個 Agent 工作流。

常見連線方式：

  • 使用者輸入 → Prompt 節點 → LLM 節點 → 回傳結果
  • 文件載入節點 → 向量資料庫節點（檢索）→ LLM 節點（基於文件回答）
  • Webhook 節點 → LLM 節點 → 再呼叫另一個 API 節點回寫結果

你可以做的動作：

  • 在畫布上嘗試把「使用者輸入」節點接到兩個不同的 Prompt 節點，再接到兩個 LLM 節點，做 A/B 測試不同指令效果

3. 記憶（Memory）：讓 Agent 不只回一題就忘記

如果只接一個 LLM 節點，你得到的是單輪對話。要做「會記得之前說過什麼」的 Agent，就要加上 Memory 節點。

在 Langflow 裡常見記憶用法：

  • 把歷史對話存入記憶，讓下一輪 LLM 接收到完整上下文
  • 在流程中保存一些關鍵變數（例如工單號碼、用戶角色），下游節點可以讀取

你可以做的動作：

  • 新增一個 Conversation Memory 節點，接在「使用者輸入」和「LLM」中間
  • 測試多輪提問，同一個 Agent 能接續前面的內容

4. 工具調用與 Webhook：讓 Agent 真的「能做事」

Langflow 不只是聊天，它可以讓 LLM 透過節點呼叫各種工具：

  • HTTP Request / Webhook 節點：連到你的 CRM、工單系統、Google Sheets 或任意 REST API
  • 資料處理節點：對 JSON、文字做轉換，讓輸入輸出更乾淨

你可以做的動作：

  • 在畫布上加一個 HTTP 節點，設定你公司內部 API URL
  • 讓 LLM 的輸出（例如「請查詢這個訂單狀態：#12345」）轉成 API 查詢，再把結果回傳給使用者

適合誰用：三個實戰場景

場景 1：客服自動回覆流程（半自動客服）

目標：讓客服人員不用自己寫回覆，改成「點選建議」或讓 Agent 先草擬。

基本流程可以這樣畫：

  1. 使用者訊息輸入節點（接 Web / 聊天介面）
  2. 記憶節點：保存同一位客戶的歷史對話
  3. FAQ 文件載入 + 向量資料庫節點：把常見問題和答案餵給系統
  4. LLM 節點：基於 FAQ 檢索結果產生回覆草稿
  5. Webhook / 前端節點：把草稿送到客服後台，讓人類按「同意 / 修改 / 拒絕」

你可以採取的行動（30 分鐘內可完成雛形）：

  • 匯入一份公司 FAQ PDF 或 Markdown
  • 建一個簡單的「文件檢索 + LLM 回覆」流程
  • 先在 Langflow 介面測試問答，確認準確率，再決定要不要跟正式客服系統串接

💡 關鍵： 只要一份 FAQ 和一個基本檢索流程，半自動客服雛形在 30 分鐘內就能跑起來。

場景 2：文件問答 Bot（內部知識庫助理）

這是最多人用 Langflow 起手式：做一個「問公司內部文件」的 Bot。

流程示意：

  1. File Loader 節點：載入 PDF、DOCX 或 Markdown
  2. Text Splitter 節點：把長文件切成小片段
  3. Embedding + Vector Store 節點：建立向量索引，支援語意搜尋
  4. Query 節點：根據提問在向量庫中檢索相關片段
  5. LLM 節點：拿檢索到的內容，組合成清楚答案

你可以採取的行動：

  • 先用幾份內部文件（例如員工手冊、產品說明）做一個小型知識庫
  • 在 Langflow 介面用「如果我請假怎麼申請？」這類問題測試
  • 看輸出是否有文件來源，確認 Agent 沒亂掰（可在 Prompt 裡要求標註來源）

場景 3：簡單內部自動化任務（通知 / 報表 / 小流程）

你不一定要做複雜 Agent，很多公司會先從「AI + 小自動化」開始：

可能流程：

  1. 定時觸發（或外部 Webhook）節點：例如每天早上 9 點跑一次
  2. API 節點：從系統拉出昨日訂單或工單資料
  3. LLM 節點：請模型整理成「今日重點三點」或「需要注意的異常」
  4. Webhook / Email 節點：把結果發到 Slack / Teams / Email

你可以採取的行動：

  • 選一個你每天手動整理的報表，先用 Langflow 做一個「拉資料 → LLM 整理 → 發通知」的簡化版
  • 先用測試環境 API，確認沒有誤發給正式頻道，再上線

怎麼開始：從安裝到第一個 Agent

1. 部署方式：本機 vs 雲端

Langflow 是開源專案（Python），你有兩種常見用法：

  • 本機部署：適合開發者、內網環境
  • 需要：Python 環境、基本命令列操作

  • 在本機跑，方便串內部服務，不用把資料丟到外部 SaaS

  • 雲端部署：適合團隊協作、多人共用

  • 可用 Docker 或自行丟到雲端 VM
  • 好處：同事可以一起進到同一個 Langflow 介面，共用工作流模板

你可以採取的行動：

  • 先在自己電腦用 Docker 跑起 Langflow，熟悉介面
  • 等你有第一個可用流程，再考慮搬到公司雲端或內網伺服器

2. 快速安裝步驟（以本機為例）

以最常見的方式示意（實際請以官方 README 為準）：

# 建議用虛擬環境或 Docker，這裡以 pip 為例
pip install langflow

# 安裝完成後啟動服務
langflow run

# 預設會在 http://localhost:7860 開一個 Web 介面

你可以採取的行動：

  • 安裝後打開瀏覽器進入 http://localhost:7860
  • 新建一個 Flow，拖一個 Chat Model 節點，接一個 Prompt 節點，測試一輪聊天

3. 接不同 LLM：商用 API 和本地模型

Langflow 支援多種模型來源：

  • 商用 API：
  • OpenAI、Anthropic 等，只要在設定中填上 API Key

  • 適合需要好的語言品質，又不介意雲端的情境

  • 本地模型：

  • 可透過像 Ollama 之類的本地推論服務來接
  • 適合零信任、不能把程式碼或資料送出公司網路的團隊

你可以採取的行動：

  • 先在 Langflow 裡設好一組「雲端模型」作為開發時使用
  • 如果公司有安全需求，再加一組「指向 Ollama / 本地推論」的 LLM 節點，測試兩種效果差異

4. 串第三方服務：Webhook / API 節點配置

要讓 Agent 動起來，最重要是「能跟外部世界互動」。在 Langflow 裡，你通常會：

  1. 新增一個 HTTP / Webhook 節點
  2. 設定 URL、HTTP 方法（GET / POST）、Headers 和 Body 模板
  3. 把 LLM 節點的輸出接到這個 HTTP 節點，讓模型決定要送什麼資料

你可以採取的行動：

  • 先串一個你熟悉的服務（例如測試用的 webhook.site 或公司內的 sandbox API）
  • 用很簡單的 payload（例如只送一行文字），確認連線和驗證沒問題

範例與社群模板：照著做就有第一個 Agent

Langflow 社群已經累積不少現成 Flow，可以直接匯入再改。

常見範例類型：

  • FAQ 問答 Bot：已經幫你設好「文件載入 → 檢索 → LLM 回覆」
  • Email 助理：模型幫你改寫、翻譯、整理郵件內容
  • 簡易客訴處理 Agent：先分類情緒，再產出回覆草稿

你可以採取的行動：

  • 在 Langflow 社群或 GitHub issue / discussions 中搜尋 templates、examples
  • 選一個 Flow 匯入，改掉其中的 API Key、文件路徑，就變成你自己的版本

延伸：跟其他 Agent 工具的差異

市面上也有不少 Agent / 工作流工具，若你同時在看其它方案，可以用下面的表格快速比較定位：

名稱 核心功能 免費方案 適合誰
Langflow 視覺化設計 AI Agent 工作流，支援 LLM、記憶、工具調用 開源，自行部署 想自己畫流程、控管部署環境的開發者與技術團隊
LangGraph 用程式碼定義 Agent 圖結構與狀態機，偏工程師導向 開源 Python 套件 喜歡用程式精細控制 Agent 狀態的後端工程師
Graphify 把程式碼與文件變成知識圖譜，配合 AI 助理檢索 開源，自行部署 想整理程式碼資產、做跨檔案查詢的開發者

如果你想要「看得見的流程圖 + 自己部署」，Langflow 是目前上手成本相對低的一條路：從拖第一個節點到完成一個能用的 Agent，控制在 30 分鐘內完全合理。

💡 關鍵： 視覺化流程加開源部署，讓技術團隊既能快速試錯，又能保有環境與資料的掌控權。

結論很簡單：先用 Langflow 畫出一個最小可行的 AI 工作流，把你手上最煩的一件重複工作丟給它。等你真正看到 Agent 每天幫你省下的時間，再來慢慢加節點、加工具，把流程做厚，這樣學習成本最低、成效也最明顯。

🚀 你現在可以做的事

  • 用 pip install langflow 或 Docker 在本機跑起 Langflow，打開 http://localhost:7860 熟悉介面
  • 匯入一份公司 FAQ 或內部文件，照文中的「文件檢索 + LLM 回覆」流程畫出第一個 Bot
  • 在 Langflow 社群 / GitHub 上搜尋並匯入一個現成 Flow 範例，改成符合你公司 API 和文件路徑的版本

留言

發佈留言

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *

更多文章