灿海星图指南--低代码工具Langflow，151K星可视化拖拽建Agent+一键导出MCP服务器
上周我在n8n里搭了一个客服Agent的工作流——从接收消息到查询知识库到生成回复，十几个节点拖拖拽拽花了半小时。然后我发现Langflow做这件事比我快三倍——而且它能一键把做好的Agent导出成MCP服务器。
本文是一篇实操指南，预计12分钟完成。已核实GitHub仓库存在(151K星)。
核心操作
Langflow是Python项目，基于React的WebUI。核心逻辑是"节点→连线→运行"——每个节点是一个组件（LLM调用/记忆存储/工具调用/条件判断），连线定义数据流向。
1. 安装（一行命令）
pip install langflow
langflow run
打开 http://localhost:7860 进入可视化编辑器。
2. 接入灿海星图API
在Langflow的Settings里添加模型提供商：
| 字段 | 值 |
|---|---|
| Provider | OpenAI Compatible |
| Base URL | https://你的灿海星图endpoint/v1 |
| API Key | 你的灿海星图key |
| Model | deepseek-ai/DeepSeek-V4-Pro |
同一个工作流里可以添加多个模型——文案节点用DeepSeek，推理节点用Claude Sonnet。
3. 搭一个Agent（3分钟）
- 拖一个 Chat Input 节点（输入框）
- 拖一个 LLM 节点（配置灿海星图API）
- 拖一个 Tool 节点（比如搜索工具）
- 连线：Chat Input → LLM → Tool → 返回
- 点 Run ——Agent可以了
4. 一键导出MCP服务器
搭好的Agent，点右上角 Export as MCP Server——它会生成一个MCP配置。把这段配置加到Claude Code的mcp.json里：
{
"mcpServers": {
"my-agent": {
"command": "langflow",
"args": ["serve", "--flow-id", "your-flow-id"]
}
}
}
然后Claude Code就能直接调用这个Agent了。
踩坑实录
| 现象 | 原因 | 解决 |
|---|---|---|
| MCP导出后Claude Code找不到 | flow文件路径不对 | 用绝对路径指定flow-id |
| LLM节点报timeout | 模型选得太慢 | 用DeepSeek-V4-Flash，不要用V4-Pro做Agent |
| 工具调用的参数不对 | Tool节点的Schema没配好 | 每个Tool节点要点开Details→手动设置input/output schema |
常见疑问
Q1：和n8n的区别？
n8n是工作流自动化（定时触发、HTTP端点、连接第三方服务）。Langflow是AI应用构建（LLM调用、Agent逻辑、知识库检索）。两者不是竞争关系——可以组合：Langflow做Agent，n8n做定时调度和分发。
Q2：搭好的Agent能分享给别人吗？
可以。导出flow JSON文件，对方导入即可。MCP服务器模式更方便——搭好导出为MCP，对方一行命令就能调用。
Q3：支持中文吗？
WebUI全英文，但LLM节点支持中文。如果要中文WebUI——目前没有，但节点参数都可以写成中文prompt。
我为什么不用XX替代它
Dify(144K星)是更完整的LLM应用平台（含RAG、Agent、知识库），但Langflow在"快速搭Agent→导出MCP"这条路上更轻更快。Dify适合做产品，Langflow适合做原型和MCP工具。Flowise(53K星)功能类似但社区更小、MCP导出不成熟。
本文数据来源于GitHub公开仓库(langflow-ai/langflow)，数据截至2026年7月5日。