Langflow: criação e orquestração de fluxos e agentes de IA

Langflow: instalação, fundamentos e primeiros fluxos - Intro

Apresentando o instrutor e o curso

Olá! Meu nome é Victor. Gostaríamos de dar as boas-vindas a este curso.

Audiodescrição: Victor é uma pessoa negra, com bigode e cabelo curto e crespo. Ele está em um ambiente com iluminação azulada misturada com magenta e utiliza uma cadeira de escritório preta.

Possuo pós-graduação em inteligência artificial e aprendizado de máquina. Atualmente, trabalho no mercado como engenheiro de IA, com foco em produtos orientados à inteligência artificial. Também já atuei na área de QA, em testes de qualidade e testabilidade, sempre com foco no mercado de inteligência artificial. Fui vencedor do maior hackathon de inteligência artificial no Brasil, que foi focado em Langflow, e por isso hoje temos o prazer de oferecer este curso.

Introduzindo o conteúdo do curso

Neste curso, aprenderemos como utilizar o Langflow e em que aspectos ele se destaca.

Aprenderemos sobre boas práticas de low-code (baixo código), componentes essenciais no Langflow. Afinal, o Langflow possui vários componentes, e aprenderemos a usar desde os básicos até os avançados, de forma muito eficiente.

Explorando fluxos e manipulação de dados

Vamos criar fluxos com agentes e tipos de dados que existem no Langflow, para que possamos realizar toda a parte de manipulação de dados. Também abordaremos boas práticas no tratamento de dados, como tratamos esses dados para enviá-los aos nossos agentes, aos nossos modelos de IA, ou até mesmo para realizar nosso famoso RAG (Retrieval-Augmented Generation, ou Geração Aumentada por Recuperação), que também aprenderemos durante o curso.

Criando componentes personalizados e explorando o ecossistema de IA

Vamos à criação de componentes personalizados, ou seja, componentes personalizados para potencializar o Langflow. Veremos todo o ecossistema de IA, incluindo engenharia de prompts, engenharia de contexto, toCalling, laços, e também todo o comportamento de agentes que envolve o Langflow.

Convidando à participação e exploração

Abordaremos todos esses temas de forma visual, justamente com o low-code. Em cada etapa, também utilizaremos a própria IA para nos guiar nas demais tarefas que encontrarmos pelo caminho.

Convidamos todos a participar desta jornada e explorar o Langflow conosco.

Langflow: instalação, fundamentos e primeiros fluxos - Conhecendo o Langflow

Apresentando a plataforma Langflow

Olá, bem-vindo. Meu nome é Victor Corrêa. Sou engenheiro em inteligência artificial. Vamos apresentar a introdução à plataforma Langflow. Esta plataforma é low-code (baixo código), permitindo que criemos chatbots, técnicas de RAGs e agentes de inteligência artificial sem a necessidade de escrever código, embora seja possível. A plataforma oferece essa flexibilidade.

O que é Langflow e por que utilizá-lo? Atualmente, no mercado, encontramos diversas plataformas low-code. Durante o curso, exploraremos os detalhes dessa plataforma. Por que usar Langflow? Em que ela se destaca? Primeiro, precisamos entender quais problemas o low-code resolve. De forma rápida, o low-code nos auxilia quando temos muitos passos em nosso pipeline. Temos nossas integrações com APIs, versionamento, volume de dados e queremos entregar um MVP, testar um conceito de forma rápida, sem exigir tanta complexidade técnica. Algo que possamos prototipar e comunicar visualmente à nossa equipe. Isso é o que o low-code pode oferecer com muita facilidade e agilidade. O low-code resolve justamente esse problema ao trabalhar com orquestração e agentes de inteligência artificial.

Explorando as funcionalidades do Langflow

Langflow é um framework visual, open source (código aberto), para criar aplicações de IA. Possui uma interface de arrastar e soltar, permitindo que arrastemos e soltemos no canvas nossos pequenos componentes, proporcionando uma interação via playground, onde podemos interagir com nossos agentes, observando a conversa e toda a manipulação.

Vamos explorar os componentes personalizados, que são exatamente esses blocos de código em Python que podemos escrever, trazendo um maior nível de complexidade e flexibilidade à plataforma. Como mencionado, é open source, desenvolvido atualmente pela IBM, com mais de 145 mil estrelas no GitHub, sendo uma comunidade extremamente ativa. O código é construído em Python, o que é importante destacar, pois grande parte dos projetos de inteligência artificial desse ecossistema é criada e mantida em Python. Portanto, se quisermos interagir com projetos já existentes junto com Langflow, isso é possível, pois compartilham o mesmo idioma e possuem a parte visual de arrastar e soltar, facilitando muitas coisas.

Criando componentes personalizados

Para ilustrar como podemos criar componentes personalizados, vamos ver um exemplo de código que define um componente chamado AnalisadorDeTexto. Este componente analisa texto e retorna estatísticas sobre ele.

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

class AnalisadorDeTexto(Component):
    display_name = "Analisador de Texto"
    description = "Analisa texto e retorna estatísticas"

    inputs = [
        MessageTextInput(
            name="input_value",
            display_name="Texto",
            tool_mode=True, # Isso transforma o componente em Tool!
        ),
    ]

    outputs = [
        Output(
            display_name="Resultado",
            name="output",
            method="analyze",
        ),
    ]

    def analyze(self) -> Message:
        text = self.input_value
        result = f"""
            #Caracteres: {len(text)}\n
            #Palavras: {len(text.split())}\n
            #Maiusculo: {text.upper()}
        """
        return Message(text=result)

Esse componente personalizado permite que qualquer pessoa interaja com ele, chamando funções e APIs conforme necessário. Podemos reutilizar esses componentes em diferentes projetos, o que é uma grande vantagem do Langflow.

Aplicações práticas e comparação com outras plataformas

Aplicações práticas com Langflow incluem chatbots, que acredito ser a parte principal. Todos que começam no ramo de IA geralmente querem iniciar criando um chatbot com personalidade e memória. Também podemos criar assistentes e técnicas com RAG. Por exemplo, podemos realizar uma conversa com um documento especializado de nossa empresa, com dados especializados. Isso também é possível. Além disso, Langflow fornece uma série de componentes para manipulação de dados, um ETL, uma pipeline mais extensa, tudo isso pode ser feito dentro de Langflow.

Aqui estão nossas alternativas mencionadas no mercado e como Langflow se destaca em relação a elas. Temos o Flowwise, que é visual, mas bastante similar na parte interativa com Langflow, porém não possui os componentes personalizados. Vamos aprofundar um pouco sobre eles, mas é precisamente essa capacidade de, quando necessário, escrevermos código. Gostaríamos de reiterar essa parte de escrever código, pois mesmo dentro de Langflow, podemos criar flows que geram esses componentes para nós, que geram esse código para nós. Raramente precisamos escrever nosso próprio componente, pois o próprio Langflow nos proporciona essas capacidades.

Destacando os componentes personalizados e integração com outras ferramentas

Temos o AgentBuilder da OpenAI, que está gerando bastante expectativa, mas está limitado apenas ao ecossistema da OpenAI. Atualmente, não é possível utilizar outros modelos fora desse ecossistema. O próprio N8n, que é muito bom para pipeline e manipulação de dados, também não é especializado em IA. No N8n, faltam muitos recursos para quem deseja se aprofundar mais em IA e personalizar melhor esse agente. Se quisermos fazer uma integração com algumas aplicações externas de inteligência artificial, hoje em dia, não teríamos essa possibilidade dentro do N8n.

Chegamos, então, ao que consideramos a grande força do Langflow, que são os componentes personalizados. Trata-se da capacidade de pegar qualquer lógica em Python e transformá-la em um componente visual, onde qualquer pessoa pode interagir com esse componente, chamar funções, uma API, enfim, conforme decidirmos. Esses componentes seriam blocos reutilizáveis. É interessante falar sobre reutilização, pois podemos baixar esses blocos e até mesmo enviá-los para outras pessoas. O Langflow possui um marketplace onde podemos compartilhar nossos componentes personalizáveis com outras pessoas. Esse compartilhamento de componentes é muito poderoso. Às vezes, temos um problema que estamos tentando resolver, e isso já foi criado por outra pessoa, já existe uma solução pronta e muito boa.

Outra vantagem do Langflow são os componentes como ferramentas. Os componentes seriam justamente esses blocos de código do Langflow. Podemos, dentro do Langflow, transformar qualquer componente em uma ferramenta para um agente. Imagine um componente personalizado que criamos, seja uma lógica em Python ou uma API que desenvolvemos. Ao clicar em um botão, ativamos o modo ferramenta e, pronto, toda a lógica personalizada em Python se transforma em uma ferramenta que podemos conectar ao nosso agente, permitindo que ele decida como e quando utilizá-la.

Explorando casos de uso e capacidades do Langflow

Um caso de uso interessante que desenvolvemos foi utilizando o Google Drive e o Google Docs para criar uma interação que gera exames personalizados para professores, armazenando-os em pastas por tema, como ciências e matemática. Podemos usar esse componente dentro do Langflow manualmente, mas, se durante uma conversa pedirmos a um agente para fazê-lo, ele também pode realizar essa tarefa. Isso é extremamente poderoso.

A capacidade recursiva do Langflow é outro ponto forte. Por exemplo, ele possui um componente chamado runFlow, que pode invocar outro fluxo. Podemos criar toda uma lógica dentro do Langflow, depois criar outro fluxo do zero e reutilizar essa lógica, fazendo um fluxo chamar outro. Podemos até pedir a um agente para fazer isso. A própria plataforma oferece essa recursividade.

Configurando o Langflow como servidor MCP

Uma característica muito boa é que o Langflow não se isola. Ele funciona como um servidor MCP. Isso significa que todos os fluxos criados dentro da plataforma funcionam como um cliente MCP. Podemos pegar esse fluxo e conectá-lo a qualquer outra ferramenta, como Cloud Code, Cursor, Windsurf ou qualquer outra plataforma que aceite o cliente MCP. Isso é interessante porque nossos agentes ganham mais vida. Podemos criar um fluxo dentro do Langflow, criar nossos agentes e usá-los dentro do Cursor, do Cloud Code, entre outros. Isso proporciona a capacidade de usar essa ferramenta em qualquer lugar.

Para configurar o Langflow como um servidor MCP, podemos usar um arquivo de configuração JSON como o seguinte:

.mcp.json

{
  "mcpServers": {
    "langflow": {
      "url": "http://127.0.0.1:7860/api/v1/mcp/project/streamable",
      "transport": "streamable-http"
    }
  }
}

Essas são, para nós, as principais qualidades que tornam o Langflow diferente de qualquer outra plataforma que já utilizamos no mercado low-code de inteligência artificial.

Langflow: instalação, fundamentos e primeiros fluxos - Como instalar o Langflow

Introduzindo a execução do Langflow

Continuemos com nossa aula. Agora veremos como executar o Langflow. Discutiremos as formas de instalá-lo, para que serve cada instalação e em quais cenários se encaixa.

Primeiro, temos a versão de desktop, que é a forma mais simples de usar o Langflow, onde se instala diretamente como um executável em nossa máquina. Atualmente, no site do Langflow, é possível acessá-lo e baixá-lo como um aplicativo comum, sem muita burocracia. No entanto, essa versão não é recomendada para desenvolvimento, nem para produção, apresentando essa limitação.

Explorando métodos de instalação

Também temos a instalação via uv ou via pip, que é mais recomendada para desenvolvimento, pois permite o controle do ambiente. Em Python, podemos codificar e usar hot reload, o que é muito vantajoso para pessoas com esse perfil. Se formos colocar nossa aplicação em produção, recomenda-se a instalação via Docker, onde alcançaremos o melhor desempenho do Langflow para o deployment. Às vezes, nossos fluxos e componentes podem ser executados mais lentamente no ambiente de desenvolvimento, por isso a recomendação é começar a usar o ambiente de produção.

Além disso, temos a opção de colaboração. Como mencionado anteriormente, o Langflow é de código aberto. Caso queiramos fazer um fork para estudar, criar algumas funcionalidades sobre o Langflow ou simplesmente colaborar com o próprio repositório, isso seria feito via git clone, clonando o repositório em nossa máquina e fazendo nossas modificações para criar um pull request (PR) ou qualquer tipo de sugestão que queiramos adicionar ao repositório.

Preparando o ambiente de desenvolvimento

Para o ambiente uv, que é o ambiente que seguiremos nessas aulas, não há problema se alguém quiser executar a versão de desktop, mas nós seguiremos com o ambiente de desenvolvimento. Essa é a recomendação para instalar os passos que seguiremos.

Vou passar agora para o meu terminal e também mostrarei como baixar a versão de desktop. Por enquanto, não é tão necessário mostrar a parte de Docker, pois não colocaremos nada em produção, mas, ao longo das aulas, também poderemos mostrar e visualizar essa parte.

Configurando o ambiente Python

Vou mudar aqui para o meu terminal e seguiremos com a instalação do Langflow, que é algo bastante simples. O primeiro passo no ambiente Python é estabelecer o .venv. Para isso, utilizamos o seguinte comando:

uv venv .venv

Criamos aqui nosso ambiente e, ao usar uv, é recomendável no Langflow, pois ele utiliza muitos pacotes e dependências, garantindo que seja mais rápido e não haja conflitos com o ambiente.

Instalando o Langflow

Assim, quando executarmos, aparecerá um pequeno comando, que pode ser escrito manualmente, mas eu apenas o copiarei. Vamos ativar nosso ambiente Python:

source .venv/bin/activate

Ao ativá-lo, daremos o comando para instalar o Langflow. O comando correto é:

uv pip install langflow

A instalação começará. Veremos que são vários pacotes, pois o Langflow tem suporte para muitos outros pacotes, como LangWatch, Torch, FireCrawl, entre outros componentes personalizados que estão dentro do Langflow, oferecendo suporte a todos eles. Dependendo da sua máquina, esse processo pode demorar um pouco, por isso usamos uv.

Explorando as funcionalidades do Langflow

Perfeito, está demorando um pouco. E aí está o LangChain, também interessante, Kuga, IBM.

O EGUI Protocol é realmente muito bom, que interessante! Vamos falar um pouco sobre alguns dos elementos mais importantes aqui, mas podemos ver quantas integrações o Langflow possui, como Google Cloud e várias funcionalidades com a IBM. O Langflow foi adquirido pela IBM. Observamos quantos pacotes o LangChain possui. O Langflow foi construído sobre o LangChain, com o LangWatch para observabilidade e o LangRef. Atualmente, o Langflow é criado sobre grafos, o que faz muito sentido para esse tipo de estrutura.

Executando o Langflow

MinZero é uma biblioteca de memória para nós, de inteligência artificial, e temos o Matplotlib, que é muito famoso, MCP, entre outros. NumPy e várias coisas relacionadas à NVIDIA, processamento e processos. Llama é utilizado para executar LLMs locais, e OpenCV para processamento de imagem. Assim, podemos ver quantas funcionalidades o Langflow possui.

Vamos executar nosso pequeno comando:

langflow run

Agora, é só esperar, pois esse comando iniciará o backend, o frontend e o banco de dados. Isso pode demorar um pouco. É interessante ver essas dependências e como podemos usar cada uma delas. O mercado de IA é gigantesco, e sempre há uma nova tecnologia surgindo. Isso reforça por que o Langflow é tão interessante. Por funcionar em Python, ele pode ser compatível com tantas dependências. Podemos até adicionar as nossas próprias aqui, por isso trabalhamos no ambiente de desenvolvimento. Se houver alguma dependência que queiramos usar, um pacote, uma biblioteca ou um framework, podemos instalá-los diretamente dentro do repositório do Langflow e executá-los localmente na máquina. Essa personalização é muito interessante, pois outras plataformas de baixo código não permitem isso.

Baixando a versão de desktop

Enquanto instalo aqui, farei uma pequena pausa para que não precisem esperar tanto, mas já volto. Enquanto o LangFlow para desenvolvedores está sendo executado, vamos baixar a versão de desktop. Um dos motivos para isso é que a versão de desktop, às vezes, não está tão atualizada. A versão de desenvolvimento, recentemente, já está na 1.8.1, no momento em que gravo esta aula, enquanto a versão de desktop ainda está na 1.7.1.

Ao acessar www.langflow.org/desktop, é muito simples. Acesse o site do Langflow, e você será redirecionado para uma página onde poderá inserir seu nome, registro, etc. Após enviar, será redirecionado para a página onde poderá baixar o executável. Eu baixei a versão para Windows. Ao executar, aparecerá uma janela, um modal, onde clicamos em "Próximo", escolhemos onde queremos instalar o Langflow e simplesmente instalamos, sem mistério. A aplicação pedirá uma credencial, se permitido, etc. Quem fornece é a DataStax, a empresa que foi adquirida pela IBM. Não há com o que se preocupar, é realmente muito simples de instalar.

Concluindo a instalação e visualizando o Langflow

Ao clicar em "Finish" e "Launch Langflow", a versão de desktop aparecerá na tela. Demora um pouco para compilar o frontend, o backend e o banco de dados. Agora, temos essa janela. Vou mudar para nossa versão de desenvolvimento. Aqui está nosso Langflow, já rodando localmente. Basta clicar para abrir o link, e estamos na tela do Langflow. Nossa versão é a 1.8.1. Podemos ver que nosso Langflow está aqui, bonito e funcionando.

Espero que tenham entendido como instalar o Langflow. Nos vemos na próxima aula, onde aprenderemos a usar os conceitos básicos de inteligência artificial dentro do Langflow.

Sobre o curso Langflow: criação e orquestração de fluxos e agentes de IA

O curso Langflow: criação e orquestração de fluxos e agentes de IA possui 191 minutos de vídeos, em um total de 50 atividades. Gostou? Conheça nossos outros cursos de IA para Dados em Inteligência Artificial, ou leia nossos artigos de Inteligência Artificial.

Matricule-se e comece a estudar com a gente hoje! Conheça outros tópicos abordados durante o curso:

• Langflow: instalação, fundamentos e primeiros fluxos
• Construindo RAG com Langflow
• Orquestração de agentes e automação de tarefas
• Criando componentes e controlando execuções com guardrails
• Componentes customizados e embeddings multimodais