LangFlow 节点（Node）

LangFlow 作为可视化 LLM 工作流工具，其核心是 节点（Node），节点按功能可划分为几大类，覆盖从输入、模型调用、数据处理到输出的全流程。以下是官方核心节点类型的详细梳理（基于最新稳定版，不同版本可能略有增减）：

一、核心基础节点（必需组件）

这类节点是搭建任何工作流的“骨架”，负责基础数据传递和流程控制。

1. Input（输入节点）

   • 功能：接收外部输入数据（文本、文件、参数等），作为工作流的起点。
   • 常见子类型：
     • Text Input：手动输入文本（最常用，比如用户提问）；
     • File Input：上传文件（如 TXT、PDF、CSV，需配合文件解析节点使用）；
     • Parameter Input：定义变量参数（如 API 密钥、模型温度值，支持动态调整）；
     • Chat Input：模拟对话输入（带历史对话上下文支持）。

2. Output（输出节点）

   • 功能：展示或保存工作流的最终结果。
   • 常见子类型：
     • Text Output：直接显示文本结果（如 LLM 回答）；
     • File Output：将结果保存为文件（如 TXT、CSV 下载）；
     • Chat Output：展示对话式结果（关联历史上下文）；
     • Webhook Output：将结果推送到指定 Webhook 接口（对接外部系统）。

3. Flow Control（流程控制节点）

   • 功能：控制工作流的执行逻辑（分支、循环、条件判断）。
   • 常见子类型：
     • Condition：条件判断（如“结果包含关键词 A 则走分支 1，否则走分支 2”）；
     • Loop：循环执行（如“遍历列表中所有元素，逐个处理”）；
     • Switch：多分支路由（按输入参数匹配不同分支）；
     • Merge：合并多个分支的结果（如汇总多轮 LLM 输出）。

二、模型调用节点（核心能力载体）

负责对接各类 AI 模型（LLM、Embedding、工具调用模型等），是工作流的“大脑”。

1. LLM Nodes（大语言模型节点）

   • 功能：调用大语言模型生成文本、对话、推理等。
   • 支持的模型类型：
     • 开源模型：Llama 2/3、Mistral、Qwen（通义千问）、LlamaCpp（本地部署）等；
     • 闭源 API 模型：OpenAI（GPT-3.5/4）、Anthropic（Claude）、Google Gemini、Azure OpenAI、阿里云通义千问 API 等；
   • 核心配置：模型名称、API 密钥、温度（temperature）、最大 tokens、Top-P 等。

2. Embedding Nodes（嵌入模型节点）

   • 功能：将文本转换为向量（用于检索、语义匹配）。
   • 常见子类型：
     • OpenAI Embeddings、Cohere Embeddings、Hugging Face Embeddings（如 BERT、Sentence-BERT）；
     • 本地嵌入模型（如 LlamaCpp 嵌入、Sentence-BERT 本地部署）。

3. Tool Calling Nodes（工具调用节点）

   • 功能：让 LLM 调用外部工具（API、数据库、函数等），扩展模型能力。
   • 常见子类型：
     • Function Call：调用自定义 Python 函数（需提前定义函数签名）；
     • API Call：直接调用 HTTP/HTTPS API（支持 GET/POST，配置请求头、参数、认证）；
     • 内置工具节点：Search（对接 Google/Bing 搜索）、Calculator（计算工具）、Database Query（数据库查询，支持 SQL/NoSQL）。

4. Image Model Nodes（图像模型节点）

   • 功能：处理图像相关任务（生成、分析）。
   • 常见子类型：DALL·E、Stable Diffusion、CLIP（图像语义分析）。

三、数据处理与转换节点

负责对输入/输出数据进行清洗、格式转换、提取等操作，衔接不同节点的数据格式。

1. Text Processing（文本处理）

   • 子类型：Split Text（按字符/段落分割文本，适配长文本）、Join Text（合并多个文本）、Replace Text（替换文本中的关键词）、Extract Text（从字符串/文件中提取指定内容，如正则提取）。

2. Data Conversion（数据转换）

   • 子类型：Text to JSON（文本转 JSON）、JSON to Text（JSON 转文本）、CSV to List（CSV 文件转列表）、List to Text（列表转字符串）、Base64 Encode/Decode（Base64 编解码）。

3. Vector Processing（向量处理）

   • 子类型：Vector Store（将嵌入向量存入向量数据库，如 Pinecone、Chroma、FAISS）、Vector Search（从向量库中检索相似向量对应的文本）。

4. Context Processing（上下文处理）

   • 子类型：Chat History（管理对话历史，控制上下文长度）、Extract Context（从历史对话中提取关键信息）。

四、工具与外部服务节点

对接外部系统、工具或服务，扩展工作流的实用性（除了工具调用节点，还包括以下专项节点）。

1. Database Nodes（数据库节点）

   • 功能：连接数据库执行查询/写入操作。
   • 支持类型：MySQL、PostgreSQL、SQLite、MongoDB 等；
   • 子类型：SQL Query（执行 SQL 查询）、SQL Insert/Update（写入/更新数据）。

2. File Handling Nodes（文件操作节点）

   • 子类型：Read File（读取本地/云端文件内容）、Write File（将结果写入文件）、Convert File（文件格式转换，如 PDF 转 TXT）。

3. Notification Nodes（通知节点）

   • 功能：将结果通过消息渠道推送。
   • 子类型：Email（发送邮件）、Slack（Slack 消息推送）、Telegram（Telegram 机器人消息）、SMS（短信通知，需对接运营商 API）。

4. Cloud Service Nodes（云服务节点）

   • 子类型：AWS S3（操作 S3 存储桶文件）、Google Cloud Storage（谷歌云存储）、Azure Blob Storage（Azure 存储）。

五、自定义与扩展节点

LangFlow 支持用户自定义节点，满足个性化需求：

1. Custom Python Node（自定义 Python 节点）

   • 功能：编写自定义 Python 代码逻辑（如复杂数据处理、专属工具调用），支持导入第三方库（如 pandas、requests），灵活扩展节点能力。

2. Community Nodes（社区节点）

   • 功能：LangFlow 社区贡献的第三方节点（如特定 API 对接、行业专属工具），可通过插件市场安装使用。

节点使用核心逻辑

1. 数据流：所有节点通过“输入端口（Input Port）”和“输出端口（Output Port）”连接，数据从输入节点流向模型/处理节点，最终通过输出节点呈现；
2. 兼容性：节点间连接需匹配数据格式（如文本→LLM 节点、向量→向量库节点），数据处理节点用于解决格式不兼容问题；
3. 扩展性：通过自定义节点或社区节点，可对接任意外部系统或实现专属逻辑。