Langflow

Instalacja lokalna przez pip: wymagany Python 3.10-3.12 (sprawdź wersję: python --version). Instalujesz: pip install langflow. Uruchamiasz: langflow run. Otwierasz przeglądarkę na localhost:7860. Całość zajmuje 5-10 minut przy dobrej instalacji Pythona. Przez Docker: docker pull langflowai/langflow, docker run -p 7860:7860 langflowai/langflow. Docker jest prostszy jeśli masz go zainstalowanego. Po uruchomieniu tworzysz konto lokalne (dane zapisywane lokalnie). Pierwsze flow możesz zbudować korzystając z gotowych szablonów z Marketplace — kliknij New Flow, wybierz template Basic RAG lub Simple Chatbot i zacznij eksperymentować. Wymagania minimalne: 4 GB RAM, 2 GB wolnego miejsca na dysku, Python 3.10+ lub Docker.

Chatbot RAG (Question Answering na dokumentach) w Langflow: tworzysz nowy flow, dodajesz komponenty. Krok 1: File component (źródło PDF) → Text Splitter (dzielenie na chunki) → Embedding model (OpenAI Embeddings) → Chroma DB (vectorstore). Krok 2: Chat Input → Embedding model (ten sam) → Retriever (pobiera relevantne chunki z Chroma). Krok 3: Prompt template (łączysz question i context) → LLM (ChatOpenAI z kluczem API) → Chat Output. Łączysz komponenty strzałkami zgodnie z przepływem. Klikasz Run i testujesz w wbudowanym chacie. Gotowy chatbot odpowiada na pytania na podstawie wgranych dokumentów. Eksport do Python generuje gotowy kod. API endpoint pozwala wywołać chatbota z zewnętrznej aplikacji. Cały setup zajmuje 30-60 minut przy pierwszym razie.

Trzy różne narzędzia do automatyzacji AI i workflow. Langflow skupia się na pipeline'ach LLM, RAG i agentach AI — najlepszy do budowania aplikacji Q&A, chatbotów z wiedzą i agentów autonomicznych. Głęboka integracja z ekosystemem LangChain. n8n ($20/mc lub self-hosted) to narzędzie do automatyzacji workflow i integracji między SaaS — setki konektorów (Gmail, Slack, HubSpot, Airtable), wyzwalacze i akcje. Lepszy gdy automatyzujesz procesy biznesowe łączące wiele aplikacji. Flowise (open source) jest prostszym, mniej konfigurowalnym narzędziem do budowania chatbotów LLM — łatwiejszy start, mniej możliwości niż Langflow. Wybór: budujesz chatbota na dokumentach lub agenta AI? Langflow. Automatyzujesz workflow między aplikacjami biznesowymi? n8n. Potrzebujesz prostego chatbota bez zaawansowanych funkcji? Flowise.

Langflow jest używany produkcyjnie przez wiele firm, ale wymaga odpowiedniego podejścia. Kluczowe aspekty: self-hosting na VPS z min. 8 GB RAM dla flow obsługujących 10+ równoczesnych użytkowników, PostgreSQL jako baza danych zamiast domyślnego SQLite dla trwałości danych, Nginx jako reverse proxy z SSL, monitoring przez Sentry lub Grafana. DataStax Cloud eliminuje część tych wymagań, ale przy wysokim ruchu koszty rosną. Dla systemów wymagających SLA 99.9%+: Langflow bez dodatkowej infrastruktury nie jest gotowy — potrzebujesz load balancer i redundancji. Dla wewnętrznych narzędzi firmowych obsługujących 5-20 użytkowników: self-hosted Langflow jest wystarczający i bardzo ekonomiczny. Warto zacząć od małej skali i skalować wraz z potrzebami.

Export flow do Python: po zbudowaniu i przetestowaniu flow w UI klikasz przycisk Code w prawym górnym rogu. Langflow generuje kompletny skrypt Python który uruchamia ten sam pipeline — z wszystkimi komponentami, połączeniami i konfiguracją. Kod jest czytelny i modyfikowalny: każdy komponent staje się instancją odpowiedniej klasy LangChain lub Langflow. Możesz uruchomić skrypt bezpośrednio (python flow.py) lub zintegrować z istniejącą aplikacją. Export jako JSON zapisuje strukturę flow do pliku — możesz go importować na innej instancji Langflow lub udostępniać innym. API endpoint: każde flow automatycznie ekspozuje REST API pod adresem /api/v1/run/{flow-id}. Wywołujesz przez HTTP POST z pytaniem w body. To pozwala integrować chatbota RAG zbudowanego w Langflow z dowolną aplikacją bez dodatkowego kodu.