Langflow

소개

주요 기능

• 드래그앤드롭 컴포넌트 → 다단계 에이전트 플로를 몇 분 안에 프로토타입
• Slack·Gmail·Notion·벡터스토어 연결 → 에이전트가 도구와 데이터 활용
• ‘Flow as an API’ 클릭 → 앱에 연결 가능한 REST 엔드포인트 생성
• MCP 서버 추가 → Model Context Protocol로 외부 툴 노출
• 사전 제작 템플릿 사용 → 보일러플레이트 없이 RAG·챗봇 즉시 실행

이런 상황에 추천

• 데이터 엔지니어가 여러 단계 검증을 포함한 Text-to-SQL 파이프라인을 조립할 때
• 프로덕트 매니저가 Slack과 Notion에 연결된 고객 지원 분류 봇을 시연용으로 목업할 때
• ML 엔지니어가 같은 워크플로에서 OpenAI, Mistral, 로컬 Ollama 모델을 비교할 때

이렇게 써보세요

1. 1
   RAG 챗봇 빠른 프로토타입

   로그인하거나 로컬에 Langflow 설치 → Retriever, 벡터 스토어, QA 노드를 드래그해 연결 → 모델을 교체해 테스트한 뒤 'Flow as an API'로 REST 엔드포인트를 발급해 앱에 연결합니다.

2. 2
   Slack 연동 도구 에이전트 만들기

   호스트형 또는 로컬 Langflow에 Slack 통합 노드 추가 → 메시지 파서 → 인텐트 분류 → Slack API 호출 노드로 구성해 시뮬레이터에서 동작을 확인 → 배포합니다.

3. 3
   Text-to-SQL 다중 에이전트 구성

   멀티스텝 템플릿을 불러오거나 정제자→스키마 매퍼→SQL 생성기→검증기 노드를 배치 → DB 커넥터에 연결해 각 에이전트의 출력과 검증을 반복 개선합니다.

4. 4
   한 워크플로에서 모델 비교

   OpenAI, Mistral, 로컬 Ollama 같은 여러 모델 노드를 병렬 배치 → 동일 입력을 흘려 레이턴시·토큰·응답 품질을 UI에서 비교 → 코드 변경 없이 결과를 평가합니다.

5. 5
   MCP로 외부 도구 노출하기

   워크플로에 MCP 서버 노드를 추가해 외부 도구 엔드포인트 등록 → 입력/출력을 에이전트 노드에 매핑 → 에이전트가 Model Context Protocol을 통해 도구를 호출하는지 확인한 뒤 API로 배포합니다.

장단점

시작하는 법

1. 1 오픈소스 Langflow를 설치하거나 Langflow Cloud에서 무료 계정 생성
2. 2 템플릿을 열고 모델 키(예: OpenAI)를 입력한 뒤 벡터스토어나 데이터 소스 연결
3. 3 플로를 실행하고 API 엔드포인트로 퍼블리시해 앱에서 호출

가격 정보