用可视化工作流驱动 QQ、微信、Telegram、Discord 等平台的聊天机器人，无需编写代码。

LangBot 是一个开源即时通讯机器人平台，可以连接 Langflow、n8n、Dify、FastGPT、Coze 等 AI 工作流引擎，以及微信、QQ、飞书、钉钉、Telegram、Discord、Slack、LINE 等消息平台。本教程演示如何将 Langflow 的可视化工作流作为 LangBot 的对话引擎。

为什么选择这套方案

  • 真正的多平台：一个工作流同时驱动 8+ 个消息平台
  • 可视化编排：拖拽式对话设计，支持条件分支、多轮对话、外部 API 调用
  • 灵活的 AI 模型：支持 OpenAI、Claude、Gemini、DeepSeek 以及本地模型
  • 完全开源：LangBot 和 Langflow 都是开源项目，可免费部署和二次开发

准备工作

  • Python 3.10+
  • Docker（推荐用于快速部署）
  • OpenAI API Key 或其他 LLM 服务的 API Key

第一步：部署 LangBot

用 uvx 一行命令启动：

uvx langbot

首次运行会自动初始化并打开浏览器访问 http://127.0.0.1:5300。

LangBot Initial Page

注册后登录进入控制台：

LangBot Dashboard

第二步：部署 Langflow

用 Docker 快速部署：

docker run -d --name langflow -p 7860:7860 langflowai/langflow:latest

访问 http://localhost:7860 进入 Langflow：

Langflow Welcome Page

第三步：创建 Langflow 工作流

在 Langflow 中选择 “Basic Prompting” 模板快速开始：

Langflow Template Selection

这个模板包含四个基础组件：

  • Chat Input：接收用户消息
  • Prompt：设置系统提示词
  • Language Model：调用 LLM 生成回复
  • Chat Output：返回结果

Langflow Workflow Editor

配置语言模型

点击 Language Model 组件进行配置：

  1. Model Provider：选择 OpenAI（或其他兼容的提供商如 SiliconFlow、New API）
  2. Model Name：选择 gpt-4o-mini 或 deepseek-chat
  3. OpenAI API Key：填入你的 API Key

Langflow OpenAI API Key Configured

提示：你可以使用 OpenAI 兼容的 API 服务，比如 SiliconFlow 或 New API，只需修改 Base URL 即可。

配置完成后保存工作流。

第四步：获取 Langflow API 信息

生成 API Key

在 Langflow 右上角：Settings → API Keys，进入 API Keys 页面：

Langflow API Keys Page

点击 Create New Key：

Langflow Create API Key Dialog

生成并保存 API Key：

Langflow API Key Generated

格式：sk-xxxxxxxxxxxxxxxxxxxxxxxx

获取 Flow ID

从工作流编辑器的 URL 中提取：

http://localhost:7860/flow/{flow-id}

记录这个 flow-id。

第五步：在 LangBot 中配置 Langflow

回到 LangBot 控制台，进入 Pipelines 页面。

点击 ChatPipeline 进行编辑，在 AI 标签页：

LangBot Pipeline AI Tab

配置 Runner，选择 Langflow API：

LangBot Runner Dropdown

填写 Langflow 配置：

LangBot Langflow Config Form

配置项：

  • Base URL：http://localhost:7860（本地）或 http://langflow:7860（Docker 网络）
  • API Key：在 Langflow 中生成的 API Key
  • Flow ID：之前记录的 Flow ID

LangBot Langflow Config Filled

Docker 提示：如果两个服务都在容器中运行，确保它们在同一个网络，并使用容器名作为 Base URL。

点击 Save 保存配置。

第六步：测试对话

在 Pipelines 页面点击 Debug Chat 打开调试对话界面：

LangBot Debug Chat Interface

输入测试消息如 “Hello”，查看 AI 回复：

LangBot Chat Test Success

工作原理

  1. 用户在消息平台发送消息
  2. LangBot 接收并传递给 Pipeline
  3. Pipeline 调用 Langflow API
  4. Langflow 执行工作流：接收输入 → 添加提示词 → 调用 LLM → 返回结果
  5. LangBot 将回复发送给用户

常见问题

无法连接 Langflow？

检查 Base URL。如果是 Docker 部署，确保容器在同一个网络：

docker network create langbot_network
docker network connect langbot_network langflow
docker network connect langbot_network langbot

使用容器名：http://langflow:7860

API 调用失败？

  • 确认 API Key 和 Flow ID 正确
  • 验证 Langflow 中的 Language Model 已配置有效的 LLM API Key

高级应用场景

Langflow 的强大之处在于可以可视化编排复杂的 AI 工作流：

  • 多轮记忆：添加 Memory 组件实现上下文理解
  • 条件分支：根据用户输入执行不同逻辑
  • 外部 API 集成：连接数据库、搜索引擎、第三方服务
  • 多 Agent 协作：多个 LLM 模型协同工作
  • RAG 应用：集成向量数据库实现知识库问答

所有这些都可以通过拖拽完成，无需编写代码。

总结

通过 LangBot + Langflow，你可以快速构建强大的多平台 AI 聊天机器人。Langflow 提供可视化工作流编排，LangBot 负责消息平台接入，两者结合形成了从工作流设计到多平台部署的完整闭环。

这套方案特别适合：

  • 需要在多个平台提供相同 AI 能力的场景
  • 团队希望快速迭代和测试不同对话流程
  • 开发者希望在不深入编码的情况下构建复杂 AI 应用

相关资源

本文基于 LangBot 最新版本编写。LangBot 还支持集成 Dify、n8n、FastGPT、Coze 等 AI 平台，可根据需求选择合适的工作流引擎。