30 分钟零代码搭建 AI 客服 Chatbot：Langflow 实战
无需编写 Python 链式调用代码，通过可视化拖拽即可搭建完整的 AI 客服应用。本文从环境安装到实战演示，带你 30 分钟内完成带知识库检索和对话记忆的 Chatbot 开发，并一键发布为 REST API。
30 分钟零代码搭建 AI 客服 Chatbot：Langflow 实战
上周团队接到一个需求：产品同事想快速验证一个带知识库的客服 Chatbot，但不想花大量时间调 Python 代码和 Prompt 模板。按传统做法——用 LangChain 写链、手动管理对话记忆、再用 Flask/FastAPI 包装——三天算快的。Langflow 让我换了一种思路：拖拖拽拽，就能搭出来。
Langflow（GitHub 38k+ 星）是一个可视化的 LLM 应用开发框架。它将「LLM」「Prompt Template」「Retriever」「Memory」等概念封装成组件节点，在浏览器里连连线就能跑出一个完整应用，无需手写链式调用代码，还能一键导出为 REST API。
读完这篇教程，你将完成：
- 在本地 5 分钟内跑起 Langflow
- 理解核心节点及其作用
- 实战搭建一个「基于文档检索 + 带对话记忆的客服 Chatbot」
- 把做好的 Flow 发布为 REST API
前置条件
| 要求 | 说明 |
|---|---|
| Python 版本 | 3.10 ~ 3.14 |
| 包管理工具 | 推荐使用 uv（比 pip 快 10 倍） |
| 操作系统 | Linux / macOS / Windows 均可 |
| LLM API Key | 任意 OpenAI 兼容接口（本文用 OpenAI 示例） |
如果还没装
uv，官方安装方式：curl -LsSf https://astral.sh/uv/install.sh | sh
5 分钟装好 Langflow
1. 安装 Langflow
shell
uv pip install langflow -U推荐 uv 是因为它使用 Rust 编写的依赖解析器，安装速度通常是 pip 的数倍到十几倍。Langflow 依赖较多时，体验差异非常明显。
2. 启动服务
shell
uv run langflow run终端打印日志后，打开浏览器访问 http://127.0.0.1:7860 即可看到 Langflow Web 界面。端口冲突可加参数 --port 8080 替换。
不想管 Python 环境？一条 Docker 命令也行：
shell
docker run -p 7860:7860 langflowai/langflow:latestWindows/macOS 用户还可以直接下载 Langflow Desktop 桌面版，依赖全部打包好。
认识核心节点
动手之前先理解 5 个最常用节点，能少走很多弯路。
| 节点类型 | 作用 | 通俗解释 |
|---|---|---|
| Prompt | 定义系统提示和用户输入模板 | 写「你是一个客服助手」的地方 |
| LLM | 连接大模型（OpenAI、DeepSeek、本地 Ollama 等） | 真正调用 AI 的开关 |
| Chat Input / Chat Output | 对话入口和出口 | 用户发消息和收回复的管道 |
| Memory | 保存对话历史 | 让 AI 记住之前聊过的内容 |
| Embeddings / Retriever | 向量化和检索知识库 | 让 AI 能查文档回答专业问题 |
实战：搭建客服 Chatbot
场景：用户上传一份产品 FAQ 文档，提问时系统先检索文档内容，再结合对话历史让 LLM 生成回答。
步骤 1：拖入 Chat 组件
- 左侧面板搜索 Chat Input，拖到画布——用户输入消息的入口。
- 搜索 Chat Output 拖入——AI 回复的输出端口。
步骤 2：配置 Prompt
拖入 Prompt 节点，双击编辑面板，填入系统提示词：
你是一个专业的产品客服助手。请根据以下检索到的文档内容回答用户问题。
如果文档中没有相关信息，请礼貌告知用户并建议联系客服团队。
检索到的上下文：
{context}
用户问题：
{question}{context} 和 {question} 是 Langflow 的输入占位符，后续节点会把检索到的文档和用户提问自动填进去。这种模板填充设计让 Prompt 管理非常清晰，无需在代码中做字符串拼接。
步骤 3：配置 LLM
拖入 OpenAI（或其他 LLM 节点）：
- 填入 API Key（或设置环境变量
OPENAI_API_KEY） - 选择模型，如
gpt-4o-mini（性价比高） - Temperature 设 0.3（客服场景需要稳定回答）
将 LLM 的输入连接到 Prompt 节点的输出。
步骤 4：加入对话记忆
拖入 ConversationBufferMemory 节点。
LLM 本身无状态。没有 Memory 时，用户说"我刚才问的那个问题"，AI 不记得之前聊过什么。Memory 节点自动把历史对话打包，追加到每次请求的上下文里。把它接在 Prompt 和 LLM 之间。
步骤 5：连接输出
按顺序连接：Chat Input → Prompt → Memory → LLM → Chat Output。点击右上角 Play 按钮（或 Ctrl+Enter），在右侧面板直接测试对话。
步骤 6（进阶）：加入知识库检索
- 拖入 File 节点 → 上传 PDF/Markdown FAQ 文档
- 拖入 Split Text 节点 → 设置 chunk size 为 500
- 拖入 OpenAI Embeddings → 做向量化
- 拖入 Vector Store（In-Memory FAISS）→ 存储向量
- 拖入 Retriever → 关联 Vector Store
- 把 Retriever 输出接回 Prompt 的
{context}输入
这就是完整的 RAG（Retrieval Augmented Generation）流程，零代码实现。
把 Flow 发布为 API
做好的 Flow 可以一键导出。画布右上角的 API 按钮点击后会提供：
- REST 端点 URL
- 自动生成的请求示例（curl / Python / JavaScript）
- JSON 格式的 Flow 定义（可导入其他 Langflow 实例）
用 curl 测试发布的 API：
shell
curl -X POST "http://127.0.0.1:7860/api/v1/run/{flow_id}" \
-H "Content-Type: application/json" \
-d '{"input_value": "你好，你们支持哪些支付方式？"}'后端（Java/Spring Boot、Node.js、Go）只需调这个接口就能拿到 AI 回复，完全不用管底层模型和Prompt拼接逻辑，前后端解耦，协作效率翻倍。
踩坑提醒
落地过程中常见的坑，提前避一下：
-
API Key 失效：LLM 节点会把 API Key 存到 Flow JSON 里。测试 Key 记得发布前换成生产 Key。建议在环境变量里配置 Key，而不是硬写进节点。
-
Memory 导致 Token 爆炸：ConversationBufferMemory 默认带全部历史消息。对话很长时 Token 消耗迅速飙升。生产环境建议换成
ConversationSummaryMemory，用 LLM 自动压缩历史记录。 -
Docker 启动后访问不到：确保
-p端口映射正确。WSL2 里跑 Docker 时用localhost:7860而不是127.0.0.1。 -
Embedding 模型不兼容：OpenAI Embedding 接口和国内部分模型不直接兼容。用智谱、通义等可选对应 Provider 节点，或用本地 Ollama 跑 Embedding 模型。
下一步
恭喜跑通完整 AI 应用！深入方向：
- 多 Agent 编排：Langflow 支持多 Agent 节点，实现"分析 Agent 判断意图 → 路由到不同专业 Agent"的工作流。
- 部署上云：配合 Docker 和 Nginx 反向代理暴露到公网，官方文档有详细部署指南。
- 自定义节点：内置组件不够用时，可用 Python 写自定义节点，源码直接在画布里编辑。
- MCP Server 集成：将 Flow 导出为 MCP Server，供 Cursor、Claude Desktop 等 AI 工具调用。
工具只是敲门砖，真正有价值的是你想用它解决什么问题。希望这篇教程帮你省下三天调代码的时间，去打磨更有意义的东西。
有问题欢迎在评论区交流 🤝