Langflow es un constructor visual de código abierto donde montas un agente de IA arrastrando bloques y conectándolos con líneas, sin escribir apenas código. Cada bloque es un modelo, una herramienta, una base de datos o un fragmento de lógica, y el lienzo resultante se puede ejecutar, depurar y publicar como API o como servidor MCP. En esta guía verás qué es Langflow, cómo desplegarlo con Docker en tu propia máquina, cómo construir tu primer flujo de agente y cómo compararlo con su rival directo, Flowise. La misma explicación está disponible en inglés.

Puntos clave

  • Langflow es una herramienta de código abierto (licencia MIT) para construir agentes y flujos de IA de forma visual; supera las 151 900 estrellas en GitHub y su versión estable es la 1.10.2, publicada el 7 de julio de 2026.
  • Es autoalojable: un solo contenedor de Docker levanta el lienzo web en el puerto 7860, así que tus datos y tus claves nunca salen de tu red.
  • El flujo se monta arrastrando bloques: modelos, prompts, herramientas, cargadores de documentos y bases de datos vectoriales se conectan como piezas de un diagrama.
  • Cualquier flujo se publica como API (POST /api/v1/run/$FLOW_ID) o como servidor MCP, de modo que otra aplicación o agente puede invocarlo como una herramienta más.
  • Está escrito en Python (compatible con las versiones 3.10 a 3.14) y pertenece a IBM desde la compra de DataStax en 2025, aunque sigue siendo software libre.

¿Qué es Langflow?

Langflow es un entorno visual para diseñar aplicaciones basadas en modelos de lenguaje. Su repositorio lo define como «una herramienta potente para construir y desplegar agentes y flujos de trabajo basados en IA». En lugar de programar la orquestación a mano, arrastras bloques a un lienzo y los enlazas: la salida de un bloque alimenta la entrada del siguiente. El resultado es un grafo que representa, de un vistazo, todo el recorrido de una petición.

El proyecto nació en febrero de 2023 como una capa visual sobre LangChain y ha crecido hasta convertirse en uno de los repositorios de IA más populares, con más de 151 900 estrellas en GitHub. En 2025 lo adquirió DataStax, que a su vez pasó a manos de IBM, pero el núcleo se mantiene bajo licencia MIT y puedes autoalojarlo entero sin pagar nada.

Su público natural son dos perfiles. Por un lado, quien prototipa deprisa y prefiere ver la lógica antes que leerla: analistas, diseñadores de producto o desarrolladores que quieren validar una idea en una tarde. Por otro, el equipo que ya trabaja en Python y busca acelerar la fase de diseño sin renunciar a exportar el flujo a código cuando llegue el momento de llevarlo a producción.

Desplegarlo con Docker

La gran ventaja de Langflow frente a un servicio en la nube es que corre entero en tu propia máquina, así que ni tus documentos ni tus claves de API abandonan tu red. La forma más rápida de arrancarlo es un único contenedor:

# Levanta el lienzo web en http://localhost:7860
docker run -p 7860:7860 -e LANGFLOW_AUTO_LOGIN=true \
    langflowai/langflow:1.10.2

Para un despliegue algo más serio, el repositorio incluye un docker compose listo para usar que separa la aplicación de su base de datos Postgres, donde se guardan los flujos y el historial:

git clone https://github.com/langflow-ai/langflow.git
cd langflow/docker_example

    # Arranca Langflow + Postgres en segundo plano
docker compose up -d

Con el contenedor arriba, abre http://localhost:7860 en el navegador y ya tienes el lienzo. Antes de exponerlo fuera de tu equipo, desactiva LANGFLOW_AUTO_LOGIN y define LANGFLOW_SUPERUSER y LANGFLOW_SUPERUSER_PASSWORD para proteger la interfaz con usuario y contraseña. Si prefieres no usar Docker, también puedes instalarlo como paquete de Python con uv pip install langflow y arrancarlo con uv run langflow run, siempre que tengas una versión de Python entre la 3.10 y la 3.14.

Construir un flujo de agente arrastrando bloques

Con el lienzo abierto, la manera más rápida de entender Langflow es partir de una de sus plantillas. La plantilla «Simple Agent» ya trae los bloques esenciales conectados y lista para que solo cambies unos pocos valores. Un flujo de agente típico encadena cuatro piezas:

  • Chat Input: recoge el mensaje del usuario y es el punto de entrada del grafo.
  • Agent: el bloque central. Contiene el modelo (por ejemplo, un GPT de OpenAI o un modelo servido con Ollama en tu propia máquina), las instrucciones del sistema y la lista de herramientas que puede usar.
  • Tools: bloques que el agente invoca cuando los necesita, como una búsqueda web, una calculadora o una consulta a una base de datos vectorial para responder con tus documentos.
  • Chat Output: devuelve la respuesta final al usuario.

Arrastras cada bloque desde la barra lateral, tiras de un puerto a otro para conectarlos y rellenas los parámetros en un panel: la clave de API del modelo, la temperatura o el texto del prompt. En cuanto pulsas «Playground», Langflow ejecuta el grafo y puedes conversar con el agente ahí mismo, viendo qué herramientas invoca en cada turno. Ese bucle visual de montar, probar y ajustar es lo que hace que un prototipo funcional salga en minutos, no en horas. Si más adelante el flujo se vuelve complejo, siempre puedes migrar la lógica a código con un framework como LangGraph.

Exponerlo como API

Un flujo bonito en el lienzo no sirve de nada si no puedes llamarlo desde tu aplicación. Aquí está el segundo gran acierto de Langflow: todo flujo es, automáticamente, un servicio HTTP. En el botón «Share» o «API access» del editor obtienes fragmentos ya generados para Python, JavaScript y curl. La llamada básica es una petición POST al identificador del flujo, autenticada con una clave de API:

curl -X POST \
    "http://localhost:7860/api/v1/run/$FLOW_ID" \
    -H "x-api-key: $LANGFLOW_API_KEY" \
    -H "Content-Type: application/json" \
    -d '{"input_value": "Hola, agente", "output_type": "chat", "input_type": "chat"}'

El campo tweaks del cuerpo permite sobrescribir parámetros de cualquier bloque en tiempo de ejecución (por ejemplo, cambiar el modelo o la temperatura sin editar el flujo), lo que convierte un mismo grafo en una plantilla reutilizable. Además, cada proyecto expone un servidor MCP que publica sus flujos como herramientas; así, un cliente que hable el Model Context Protocol puede descubrir tu flujo y usarlo sin conocer sus detalles. Si quieres saber más sobre ese protocolo, tenemos una guía para instalar un servidor MCP paso a paso.

Langflow frente a Flowise

Langflow no está solo: su alternativa más citada es Flowise, otro constructor visual de agentes de código abierto que ronda las 54 700 estrellas en GitHub. Ambos comparten la misma idea (un lienzo de bloques que se publica como API), así que la elección se reduce a un detalle técnico decisivo: el lenguaje.

  • Langflow está escrito en Python. Encaja de forma natural si tu equipo ya trabaja con el ecosistema de datos y aprendizaje automático de Python, y si algún día quieres exportar el flujo a código, aterrizas en LangChain.
  • Flowise está escrito en TypeScript sobre Node.js. Es la opción lógica para equipos de JavaScript que despliegan sobre Node y prefieren integrarlo en una pila web sin salir de su lenguaje.

En capacidades visuales van muy parejos. La regla práctica es sencilla: elige el que hable el lenguaje de tu equipo, porque es el que podrás extender con bloques propios y depurar cuando algo falle. Para prototipar y validar ideas, cualquiera de los dos te ahorra días de andamiaje frente a escribir la orquestación desde cero.

Preguntas frecuentes

¿Es Langflow gratis y de código abierto?

Sí. Todo el núcleo de Langflow es software libre bajo licencia MIT y puedes autoalojarlo sin coste, sin límite de flujos ni de usuarios. La empresa detrás (hoy IBM, tras comprar DataStax) ofrece además una versión gestionada en la nube de pago para quien no quiera mantener la infraestructura, pero no la necesitas: la versión que despliegas con Docker es la misma herramienta completa.

¿Necesito saber programar para usar Langflow?

Para construir y probar un flujo, no. El montaje es visual y las plantillas cubren los casos habituales, así que un perfil no técnico puede tener un agente funcionando en una tarde. Ahora bien, para llevarlo a producción de forma sólida sí conviene entender conceptos como las claves de API, las variables de entorno y la seguridad del despliegue. Langflow baja mucho la barrera de entrada, pero no elimina del todo la parte de ingeniería.

¿Puedo pasar de Langflow a código cuando el proyecto crezca?

Sí, y es una de sus mejores bazas. Como Langflow se apoya en el ecosistema de LangChain, la lógica que diseñas en el lienzo tiene un equivalente directo en código Python. Muchos equipos lo usan como pizarra: prototipan la idea de forma visual, la validan con usuarios reales y, cuando el flujo se estabiliza, reescriben la parte crítica en un framework de código como LangGraph para tener más control sobre el estado y los errores.

Conclusión

Langflow cubre el hueco entre la idea y el prototipo funcional: en lugar de escribir la orquestación de un agente desde cero, la dibujas, la pruebas en el mismo lienzo y la publicas como API o como servidor MCP en cuestión de minutos. Con un solo docker run tienes en tu propia máquina una herramienta de código abierto con licencia MIT, más de 151 900 estrellas de comunidad detrás y la puerta abierta a exportar tu flujo a código Python cuando el proyecto lo pida. El siguiente paso es levantar el contenedor, abrir la plantilla «Simple Agent» y arrastrar tu primer bloque.

Fuentes: [1] Documentación oficial de Langflow[1], [2] Langflow en GitHub[2], [3] Sitio del proyecto Langflow[3], [4] Paquete langflow en PyPI[4].

Visitas: 0

Fuentes

  1. Documentación oficial de Langflow
  2. Langflow en GitHub
  3. Sitio del proyecto Langflow
  4. Paquete langflow en PyPI

Ruta: Ecosistema de agentes: MCP, gateways y plataformas