用Langflow和Streamlit构建无代码聊天机器人

用 Langflow 和 Streamlit 构建无代码聊天机器人

在生成式 AI 技术飞速演进的今天，越来越多非技术背景的用户也希望能快速构建属于自己的智能助手。然而传统 LLM 应用开发往往需要掌握 Python、LangChain 等工具链，学习成本高、试错周期长。有没有一种方式，能让产品经理、业务人员甚至教师，在不写一行核心代码的情况下，就完成一个具备知识检索能力的聊天机器人原型？

答案是肯定的——Langflow + Streamlit的组合正为此而生。

Langflow 是一个为 LangChain 框架打造的可视化开发工具，它把复杂的语言模型工作流变成了“拖拽连线”的图形操作；而 Streamlit 则能将这些流程一键封装成美观的 Web 对话界面。两者结合，几乎抹平了从想法到可交互原型之间的鸿沟。

可视化编排：让 LLM 工作流像搭积木一样简单

过去使用 LangChain 开发 RAG（检索增强生成）系统，你需要手动编写代码来拼接文档加载器、文本分割器、嵌入模型、向量数据库和问答链。整个过程不仅繁琐，还容易因参数配置不当导致效果不佳。

Langflow 改变了这一点。它基于 React Flow 构建了一个直观的节点式编辑器，将 LangChain 中的核心组件封装成可复用的 UI 模块：

• Document Loader：支持 PDF、Word、Markdown、网页等多种格式
• Text Splitter：自动切分长文本，避免上下文溢出
• Embeddings：集成 OpenAI、HuggingFace、Ollama 等多种嵌入服务
• Vector Store：Chroma、Pinecone、FAISS 等主流向量库一键接入
• LLM & Chains：预置 ConversationalRetrievalQA、AgentExecutor 等常用链结构

你只需要把这些模块从左侧边栏拖到画布上，用鼠标连线定义数据流向，就能构建出完整的 RAG 流程。每个节点都支持独立测试，输入后立刻看到输出结果，调试效率大幅提升。

更关键的是，整个流程可以导出为.json文件，便于版本管理与跨环境部署。无论是本地调试还是 Docker 容器化运行，都能无缝衔接。

快速实战：搭建企业 FAQ 智能客服

我们以“企业内部常见问题助手”为例，走一遍完整流程。

第一步：准备知识源

假设公司有一份company_faq.pdf，包含入职指南、报销政策、假期制度等内容。我们的目标是让用户通过自然语言提问，如“新员工试用期多久？”，系统能精准返回答案并附带出处。

第二步：在 Langflow 中构建流程

启动 Langflow（默认地址http://localhost:7860），新建一个 flow，依次添加以下节点：

1. PyPDFLoader
   设置路径/data/company_faq.pdf

2. RecursiveCharacterTextSplitter
   配置chunk_size=500,chunk_overlap=50，确保语义完整性

3. OpenAIEmbeddings 或 HuggingFaceEmbeddings
   根据是否联网选择云端或本地嵌入模型

4. Chroma Vector Store
   创建名为faq_db的集合，用于存储向量化后的文本块

5. ConversationalRetrievalQA Chain
   连接 retriever 和 LLM（如 ChatOpenAI 的 gpt-3.5-turbo），开启 memory 实现多轮对话

连接完成后保存流程，Langflow 会自动生成唯一的FLOW_ID（例如abc123-def456），并通过内置 API 服务暴露该流程。

调用流程 API：实现前后端解耦

Langflow 内部集成了 FastAPI，每个 flow 都可通过 REST 接口调用。你可以使用 cURL 直接测试：

curl -X POST http://localhost:7860/api/v1/process/abc123-def456 \ -H "Content-Type: application/json" \ -d '{ "inputs": { "question": "年假怎么计算？" } }'

响应示例：

{ "result": { "answer": "正式员工每年享有10天带薪年假，工作满五年后增加至15天。", "source_documents": [ { "page_content": "年假规定：连续工作满一年的员工可享受10天年假...", "metadata": { "source": "/data/company_faq.pdf", "page": 8 } } ] } }

这个 JSON 输出包含了答案和引用来源，非常适合用于构建可信的企业级问答系统。

前端展示：用 Streamlit 打造专业对话界面

虽然 Langflow 自带简易聊天窗口，但要发布给更多用户使用，仍需更友好的前端体验。这时候，Streamlit 就派上了大用场。

它仅需几十行 Python 代码，就能构建出媲美商业产品的对话应用。

安装依赖

pip install streamlit streamlit-chat requests -Uq

注：streamlit-chat提供了类似微信风格的气泡式聊天 UI，社区维护活跃。

核心代码实现

import logging import sys import requests import streamlit as st from streamlit_chat import message # 日志配置 logging.basicConfig( format="%(asctime)s - %(levelname)s - %(message)s", level=logging.INFO, stream=sys.stdout ) # 配置项 LANGFLOW_API_URL = "http://localhost:7860/api/v1/process" FLOW_ID = "abc123-def456" # 替换为你的实际 Flow ID AVATAR_USER = "https://raw.githubusercontent.com/garystafford-aws/static-assets/main/static/people-64px.png" AVATAR_BOT = "https://raw.githubusercontent.com/garystafford-aws/static-assets/main/static/robot-64px.png" def call_langflow(question: str) -> str: """调用 Langflow API 获取回答""" try: payload = { "inputs": {"question": question}, "tweaks": {} } response = requests.post(f"{LANGFLOW_API_URL}/{FLOW_ID}", json=payload) response.raise_for_status() data = response.json() return data["result"]["answer"] except Exception as e: logging.error(f"API 调用失败: {e}") return "抱歉，我暂时无法获取答案，请稍后再试。" # 页面初始化 st.set_page_config(page_title="企业FAQ助手", layout="centered") st.title("💬 企业内部智能客服") st.caption("基于 Langflow 与 Streamlit 构建的无代码聊天机器人") # 初始化会话状态 if "messages" not in st.session_state: st.session_state.messages = [] # 显示历史消息 for msg in st.session_state.messages: message( msg["content"], is_user=msg["role"] == "user", avatar_style="initials", seed="AI" if msg["role"] == "assistant" else "U", key=str(id(msg)) ) # 用户输入 if prompt := st.chat_input("请输入您的问题..."): # 添加用户消息 st.session_state.messages.append({"role": "user", "content": prompt}) message(prompt, is_user=True, avatar_style="initials", seed="U", key=f"user_{len(st.session_state.messages)}") # 显示机器人思考动画 with st.spinner("正在查询知识库..."): response = call_langflow(prompt) # 添加并显示机器人回复 st.session_state.messages.append({"role": "assistant", "content": response}) message(response, is_user=False, avatar_style="initials", seed="AI", key=f"ai_{len(st.session_state.messages)}")

运行命令：

streamlit run chatbot_app.py

访问http://localhost:8501即可看到清晰的对话界面，支持连续对话、自动滚动、错误提示等完整交互功能。

进阶技巧：提升灵活性与安全性

动态调整组件行为（Tweaks）

你可以在请求中通过tweaks字段临时修改某个节点的参数，比如切换不同模型进行 A/B 测试：

TWEAKS = { "ChatOpenAI-XXXXX": { "model_name": "gpt-4-turbo", "temperature": 0.7 } }

这样无需重新部署流程，即可对比不同配置下的生成质量。

支持多类型文档输入

Langflow 的 Document Loader 支持多种格式：
- PDF → PyPDFLoader
- Word → Docx2txtLoader
- Markdown → UnstructuredMarkdownLoader
- 网页 → WebBaseLoader

只需更换加载器组件，即可适配 HR 手册、技术文档、课程资料等各种知识源。

全本地化部署：保护敏感数据

对于金融、医疗等行业，数据隐私至关重要。此时可完全避开 OpenAI，改用本地模型：

• 使用Ollama运行llama3、mistral等开源 LLM
• 配合HuggingFace Embeddings生成本地向量
• 向量库存储于Chroma本地实例

整套流程可在内网环境中闭环运行，无需任何外部网络请求，真正实现数据不出域。

实际应用场景一览

这些场景都可以遵循“上传文档 → Langflow 编排 → Streamlit 展示”三步法，在几小时内完成原型验证。

写在最后：AI 应用开发的新范式

Langflow 与 Streamlit 的结合，标志着 AI 应用开发进入了一个更高效、更民主化的阶段。

• Langflow扮演“逻辑引擎”的角色，让你零代码完成复杂工作流编排；
• Streamlit则负责“交互呈现”，用极简语法构建专业前端；
• 二者通过 API 解耦，形成“后端流程 + 前端界面”的标准架构。

这种模式的优势非常明显：

✅开发极快：半天内即可完成从零到一的原型
✅维护简单：流程以 JSON 存储，易于共享与迭代
✅扩展性强：支持多模型、多数据源、混合部署
✅协作友好：产品、运营、研发可共同参与设计与测试

更重要的是，它降低了 AI 技术的准入门槛。现在，哪怕你不会写代码，也能亲手搭建一个真正可用的智能体。这正是 AI 民主化的体现——让每一个有想法的人，都有能力创造属于自己的数字助手。

未来，随着更多可视化工具涌现，我们或将迎来“人人皆可编程”的新时代。而 Langflow + Streamlit，无疑是通向这一未来的最佳起点之一。