Langflow 是采用 MIT 许可证的可视化 AI 工作流平台，可把模型、数据和工具组成 Flow，并发布为 API 或 MCP Server。普通用户可选 Windows/macOS Desktop；Linux 与服务器用户应使用 Python 或 Docker。
Desktop、Python、Docker 怎么选
- Desktop：适合不想配置命令行的个人用户，官方当前提供 Windows 和 macOS 版本，macOS 要求 13 或更高版本。
- Python：适合本机开发和组件调试，官方当前支持 Python 3.10–3.14，并推荐使用 uv 安装和运行。
- Docker：适合服务器或需要固定环境的团队，默认从 7860 端口访问。
- Linux：官方没有 Linux Desktop，应选择 Python 包或 Docker，不要把源码仓库当成桌面安装包。
Flow 能发布成什么
模型、提示词、检索、工具和自定义组件可以组成可测试的 Flow。每个 Flow 还能作为 API 或 MCP Server 提供给其他应用调用；能读文件、访问数据库或执行工具的 Flow 也会成为权限入口。
本机安装需要注意什么
Python 方式应建立独立环境。连接云模型通常仍需相应账号、API Key 和费用，本地模型也要另行安装。
Docker 与数据库如何持久化
单容器可使用 SQLite，正式服务更适合按官方 Compose 示例配置持久化 PostgreSQL。数据库、上传数据和配置都要持久化；只备份容器镜像不能恢复工作流。
密钥为什么必须一起备份
LANGFLOW_SECRET_KEY 用于加密数据库中的全局变量和凭据。迁移或恢复时必须把相同密钥与数据库一起保留，否则已保存的敏感值可能无法解密。密钥不要提交到 Git 仓库、正文或公开日志。
公网部署要补哪些保护
- 官方 Docker 镜像当前默认关闭自动登录，但升级或自定义部署后仍应实际检查认证状态。
- 使用 JWT、API Key 或外部认证保护管理界面，并通过反向代理启用 HTTPS。
- 给每个公开 API 或 MCP Flow 设置独立授权、限速、模型预算和最小工具权限。
- 限制组件能访问的文件、网络和数据库账号，日志中不要记录完整提示词与凭据。
下载结论
Windows/macOS 个人试用优先选 Desktop；Linux 和 Python 开发者按安装文档使用 uv；服务器部署按 Docker 文档配置数据库、认证和固定密钥。GitHub 适合查看源码、许可证与版本记录，不等同于普通用户安装包。
