Что в этом репозитории

В репозитории представлены два независимых сценария работы с Langflow:

• Вариант 1 — lfx: программное построение и запуск графов (flows) с помощью lfx и/или обращение к уже запущенному Langflow по HTTP.
• Вариант 2 — Кастомные компоненты Langflow: подключение своих Python-компонентов в интерфейс Langflow (UI), модели GigaChat.

Предусмотрены два набора компонентов под разные рантаймы:

• lfx_examples/gigachat_components_lfx/ — компонент GigaChat для lfx (используется в коде без UI).
• gigachat/ — компонент GigaChat для Langflow UI.

Требования

• Python 3.10+
• Рекомендуется менеджер пакетов uv (быстро ставит зависимости из pyproject.toml и учитывает uv.lock)

Быстрый старт (через uv)

1. Установите uvСсылка

brew install uv
# или скриптом:
# curl -LsSf https://astral.sh/uv/install.sh | sh

2. Установите зависимости проекта:

uv sync

3. Создайте файл .env в корне проекта и добавьте ключи по необходимости:

cp .env_example .env

# .env
OPENAI_API_KEY=sk-...
# OPENAI_API_BASE=https://api.openai.com/v1  # опционально, если используете прокси/совместимые API

GIGACHAT_CREDENTIALS=YOUR_GIGACHAT_TOKEN
# Доп. параметры для GigaChat (обычно значения по умолчанию подходят)
# GIGACHAT_SCOPE=GIGACHAT_API_{CORP/PERS/B2B} (по умолчанию PERS)
# GIGACHAT_BASE_URL=...
# GIGACHAT_AUTH_URL=...

# Для HTTP-запросов к запущенному Langflow
# Может быть любой, предназначен для защиты сервиса
LANGFLOW_API_KEY=0

Примечания:

• В примерах используется python-dotenv для чтения .env. Если при запуске увидите ImportError: dotenv, установите пакет: uv add python-dotenv.
• Зависимость langflow для запуска UI отдельно не входит в pyproject.toml. Ниже показано, как запустить UI без глобальной установки через uvx.
• Для использования cp.AgentComponent можно воспользоваться нашей библиотекой gpt2giga.

Вариант 1. Использование lfx

1.1. Запуск графов с помощью lfx run (без UI)

Important

На данный момент lfx работает на langchain версии <1. Учитывайте это в своих проектах.

В каталоге lfx_examples/ есть два минимальных примера:

• simple_agent_openai.py — агент на OpenAI
• simple_gigachat_flow.py — модель GigaChat как LLM-компонент

Оба файла создают Graph и читают ввод из ChatInput.

# Доступные аргументы:
uv run lfx run --help
# OpenAI пример
uv run lfx run lfx_examples/simple_agent_openai.py  -f text 'Как дела?'

# GigaChat пример (нужен GIGACHAT_CREDENTIALS в .env)
uv run lfx run lfx_examples/simple_gigachat_flow.py -f text 'Привет' 

Требуемые переменные окружения:

• Для OpenAI: OPENAI_API_KEY (и при необходимости OPENAI_API_BASE).
• Для GigaChat: GIGACHAT_CREDENTIALS (токен), GIGACHAT_SCOPE остальные параметры берутся по умолчанию из SDK.

1.2 Запуск графов с помощью lfx serve (как API)

Нужно обязательно указать LANGFLOW_API_KEY, он может быть любой

# Доступные аргументы:
uv run lfx serve --help
# OpenAI пример
uv run lfx serve lfx_examples/simple_agent_openai.py  --env-file .env

# GigaChat пример (нужен GIGACHAT_CREDENTIALS в .env)
uv run lfx serve lfx_examples/simple_gigachat_flow.py --env-file .env

Подробнее можно ознакомиться по ссылке: lfx

Вариант 2. Кастомные компоненты для Langflow (UI)

2.1 Использование Langflow Desktop

Ссылка на установку

Установка пользовательских зависимостей в Langflow Desktop

Чтобы добавить зависимости в Langflow Desktop, внесите запись в файл requirements.txt приложения:

• В macOS файл находится по пути /Users/ПОЛЬЗОВАТЕЛЬ/.langflow/data/requirements.txt.
• В Windows файл находится по пути C:\Users\ПОЛЬЗОВАТЕЛЬ\AppData\Roaming\com.Langflow\data\requirements.txt.

В requirements.txt нужно добавить библиотеку langchain-gigachat

Начальная страница

Использование компонент

В нижнем левом углу экрана выберите + New Custom Component:

Нажмите на кнопку Code и скопируйте нужный компонент(chat_model, embeddings)

Подключите модель коннекторами

Во вкладке Playground можно протестировать работу:

Также в папке flow_examples/ лежат примеры, которые можно импортировать: Простой чат-бот, RAG по загруженному документу и простой агент.

Чтобы импортировать flow, нужно нажать на кнопку Upload a flow

2.2 Использование Langflow с помощью uv run

uv add langflow
uv add langchain-gigachat

uv run langflow run --components_path PATH_TO_GIGACHAT_COMPONENTS

После запуска компоненты будут отображаться в UI:

2.3 Использование Langlow как Docker контейнер

В репозитории приведен пример Dockerfile и docker-compose.yaml

docker compose up --build -d

Или:

docker build . -f components.Dockerfile -t gigachat-langflow:latest
docker run -p 7860:7860 --name langflow_gigachat gigachat-langflow:latest

Cписок доступных ENV переменных доступен по ссылке

Структура репозитория

langflow_examples/
  ├─ flow_examples # Примеры flow, которые можно загрузить в Langflow
  ├─ gigachat/                # Кастомные компоненты для Langflow UI
  │   ├─ gigachat_chat_model.py
  │   └─ gigachat_embeddings.py
  ├─ images/ # Примеры с изображениями
  ├─ lfx_examples/                       # Примеры для lfx (без UI) и HTTP-запросов
  │   ├─ simple_agent_openai.py
  │   ├─ simple_gigachat_flow.py
  │   ├─ request_to_flow.py
  │   └─ gigachat_components_lfx/
  │       └─ gigachat_chat_model.py      # Компонент GigaChat для lfx
  ├─ components.Dockerfile # Пример Dockerfile
  ├─ docker-compose.yaml # Пример compose
  ├─ pyproject.toml                      # Основные зависимости проекта
  └─ README.md