Langflow: Construa Agentes IA Visualmente em 1 Clique

Você sabe que o RAG do seu cliente vai mudar 5 vezes na próxima sprint. Reescrever Python toda vez é insano. Langflow resolve isso: você arrasta blocos no canvas, conecta com fios, e tem um pipeline LangChain rodando — exportável para código quando quiser. No GPUBrasil, deploy em 1 clique.

O que é o Langflow?

Langflow é um IDE visual para construir aplicações com LangChain e LangGraph. Cada bloco no canvas é uma component Python — você conecta inputs/outputs com cabos, configura props no painel lateral, e tem um pipeline executável.

Características principais

• 100+ componentes: OpenAI, Anthropic, Ollama, vLLM, Qdrant, Pinecone, Astra DB, etc
• Custom components: escreva Python, exponha como bloco
• Versionamento: flows são JSON exportável
• Playground: teste o flow ali mesmo
• API auto-gerada: cada flow vira endpoint REST
• Folders + permissions: organização por projeto/equipe
• Multi-usuário: SSO, autenticação
• Apache 2.0

Casos de uso brasileiros

• Agência de IA: entregue 5 RAGs por mês sem time grande de eng
• Produto não-tech: COO/marketing protótipa fluxos sem dev
• Atendimento: chatbot multi-step com handoff humano
• Análise de documentos: upload PDF → extrair → resumir → notificar Slack
• Multi-agent: 3 LLMs colaborando (researcher, writer, critic)
• RPA com IA: automação que entende texto/contexto

Hardware recomendado

Langflow é leve. Se rodar LLM local junto:

• RTX A4000 / 4090: Langflow + LLM 7B + embeddings
• L40S / A100: múltiplos modelos simultâneos
• Apenas Langflow + APIs externas: RTX A4000 ou CPU

Deploy em 1 clique

Passo 1: Iniciar template

1. Console → Templates → 🔀 Agentes & Workflows
2. Selecione Langflow
3. GPU: RTX A4000 (recomendado)
4. Clique em Iniciar

Template usa imagem oficial langflowai/langflow:latest, persiste flows em volume e expõe UI na porta 7860.

Passo 2: Criar primeiro flow (RAG simples)

1. Acesse https://<sua-instancia>.gpubrasil.com.br
2. Clique em New Project
3. Adicione blocos do menu lateral:
   • File Loader → upload PDFs
   • Text Splitter → chunks 512 tokens
   • HuggingFace Embeddings → BGE-M3
   • Qdrant Vector Store → URL: outra instância GPUBrasil
   • OpenAI Compatible LLM → URL: vLLM no GPUBrasil
   • Chat Input → Prompt → LLM → Chat Output
4. Conecte os blocos com cabos
5. Clique em Run → teste no playground

Passo 3: Expor como API

Clique em API no canto superior. Langflow gera curl/Python pronto:

import requests

r = requests.post(
    "https://sua-instancia.gpubrasil.com.br/api/v1/run/<flow_id>",
    headers={"x-api-key": "SUA_KEY"},
    json={
        "input_value": "Quais são os direitos do consumidor segundo o CDC?",
        "output_type": "chat",
        "input_type": "chat"
    }
)
print(r.json()["outputs"][0]["outputs"][0]["results"]["message"]["text"])

Passo 4: Custom component em Python

from langflow.custom import Component
from langflow.io import StrInput, MessageTextInput, Output
from langflow.schema import Message

class CnpjValidator(Component):
    display_name = "CNPJ Validator"
    description = "Valida CNPJ via Receita BR"

    inputs = [
        MessageTextInput(name="cnpj", display_name="CNPJ", required=True)
    ]
    outputs = [
        Output(name="result", display_name="Result", method="check")
    ]

    def check(self) -> Message:
        import requests
        cnpj = self.cnpj.text.replace(".","").replace("/","").replace("-","")
        r = requests.get(f"https://receitaws.com.br/v1/cnpj/{cnpj}")
        data = r.json()
        return Message(text=f"{data.get('nome')} - {data.get('situacao')}")

Salve em ~/langflow/custom_components/ e ele aparece no menu lateral.

Templates prontos

Langflow vem com 30+ templates iniciais:

• Vector Store RAG: RAG básico
• Multi-agent: orquestração de agentes
• Document QA: Q&A em PDFs
• SQL Agent: agente que consulta DB
• Web Search RAG: RAG com SerpAPI
• Memory Chatbot: chatbot com contexto persistente

Langflow vs alternativas

• Langflow vs Flowise: Langflow tem mais blocos LangChain; Flowise é mais leve em recursos
• Langflow vs n8n: n8n é generalista; Langflow é purpose-built para LLMs
• Langflow vs Dify: Dify é app builder completa; Langflow é mais flow-builder/LangChain
• Langflow vs LangChain code puro: visual quebra menos; código tem mais controle

Dicas de produção

• Postgres: habilite DB externo para flows persistentes em produção
• Auth: ative JWT/SSO antes de expor pra clientes
• Rate limiting: coloque LiteLLM proxy entre Langflow e LLM real
• Versioning: exporte flows JSON para git
• Observabilidade: integre com Langfuse/Helicone via webhook

Conclusão

Langflow é a melhor ponte entre prototipagem rápida e produção em IA. Combinado com vLLM + Qdrant no GPUBrasil, dá pra entregar sistemas de IA corporativa em dias em vez de semanas, com infra brasileira e custo previsível.

Compare: AutoGen Studio · n8n