Héberger Langflow : prototyper des agents IA sur LangChain en visuel

Prototyper un agent IA avec LangChain demande souvent d’assembler un modèle, des prompts, des outils, une mémoire et parfois une base vectorielle. Langflow simplifie cette phase grâce à un canvas visuel où chaque brique devient un noeud connecté aux autres. Il permet ainsi de construire rapidement des agents, des chains et des pipelines RAG sans écrire toute l’orchestration dès le départ.

Open source et étroitement lié à l’écosystème Python et LangChain, Langflow fournit aussi un playground pour tester les conversations et observer les résultats. Une fois le flux validé, il peut être appelé par API depuis une application web, un service métier ou un script. L’auto-hébergement apporte en plus le contrôle de l’infrastructure, des secrets et des données traitées.

Langflow ou Flowise

Langflow et Flowise répondent à un besoin proche : concevoir visuellement des workflows basés sur des modèles de langage et des composants LangChain. Tous deux permettent de connecter un prompt, un LLM, des outils, des sources documentaires et une mémoire avant de tester le résultat.

Langflow reste particulièrement proche de l’univers Python et LangChain. Ses composants, son playground et son approche exportable conviennent bien aux équipes qui veulent explorer visuellement une architecture, puis reprendre certaines parties dans du code Python. Il constitue également une bonne interface de prototypage pour des data scientists déjà familiers avec LangChain.

Flowise peut être préféré par des équipes à l’aise avec son interface et son environnement JavaScript. Il n’existe pas de mauvais choix universel : la décision dépend surtout de la pile technique, des habitudes de développement et du niveau d’intégration recherché. Pour un prototype destiné à évoluer vers du Python et LangChain, Langflow forme un chemin particulièrement naturel.

Comprendre les composants de Langflow

Le canvas est l’espace principal de conception. On y dépose des composants représentant une entrée utilisateur, un prompt, un modèle, un retriever, une base vectorielle, un outil ou une sortie. Les connexions entre les noeuds décrivent la circulation des données.

Le playground permet ensuite d’exécuter le flux comme une conversation. Il sert à ajuster le prompt, vérifier les réponses du modèle et identifier une connexion incorrecte avant toute intégration applicative.

Chaque flux enregistré possède un identifiant. Langflow peut l’exécuter au moyen de son API, ce qui sépare le prototype visuel du client qui le consomme. Une application peut ainsi envoyer une question et récupérer la réponse sans reproduire toute la chaîne.

Enfin, les variables globales et les mécanismes de credentials évitent de placer des clés sensibles directement dans les composants. Cette séparation facilite la maintenance et limite les fuites lors d’un export ou d’un partage de flux.

Prérequis pour auto-héberger Langflow

Un déploiement durable nécessite une machine Linux disposant de Docker, du plugin Docker Compose (voir installer Docker sur un VPS), d’un nom de domaine et d’un reverse proxy. Prévoyez aussi suffisamment de mémoire pour Langflow, PostgreSQL et les éventuels services associés.

Les VPS TalCloud constituent une base adaptée à ce type de service grâce à des serveurs situés en France, du stockage NVMe, une protection Anti-DDoS Netrix et un support humain. L’offre ne comprend pas de GPU. Un modèle local lourd devra donc être exécuté sur une autre machine adaptée, tandis qu’un petit modèle Ollama peut éventuellement fonctionner sur CPU avec des performances variables.

Déployer Langflow avec Docker Compose

PostgreSQL est recommandé pour conserver durablement les utilisateurs, les flux et les paramètres. Sans URL de base explicite, Langflow peut utiliser SQLite, une solution pratique pour un essai mais moins adaptée à un service persistant.

Créez un fichier .env avec des secrets longs et uniques :

POSTGRES_PASSWORD=remplacer-par-un-secret-long
LANGFLOW_SUPERUSER=admin
LANGFLOW_SUPERUSER_PASSWORD=remplacer-par-un-autre-secret-long

Créez ensuite compose.yaml :

services:
  postgres:
    image: postgres:16-alpine
    restart: unless-stopped
    environment:
      POSTGRES_DB: langflow
      POSTGRES_USER: langflow
      POSTGRES_PASSWORD: ${POSTGRES_PASSWORD}
    volumes:
      - postgres_data:/var/lib/postgresql/data
    healthcheck:
      test: ["CMD-SHELL", "pg_isready -U langflow -d langflow"]
      interval: 10s
      timeout: 5s
      retries: 5

  langflow:
    image: langflowai/langflow:latest
    restart: unless-stopped
    depends_on:
      postgres:
        condition: service_healthy
    environment:
      LANGFLOW_DATABASE_URL: postgresql://langflow:${POSTGRES_PASSWORD}@postgres:5432/langflow
      LANGFLOW_SUPERUSER: ${LANGFLOW_SUPERUSER}
      LANGFLOW_SUPERUSER_PASSWORD: ${LANGFLOW_SUPERUSER_PASSWORD}
      LANGFLOW_AUTO_LOGIN: "false"
    ports:
      - "127.0.0.1:7860:7860"
    volumes:
      - langflow_data:/app/langflow

volumes:
  postgres_data:
  langflow_data:

Démarrez les services :

docker compose up -d
docker compose ps
docker compose logs -f langflow

L’écoute sur 127.0.0.1:7860 empêche un accès direct depuis Internet. Le reverse proxy sera le seul point d’entrée public.

Se connecter pour la première fois

Ouvrez Langflow à travers le domaine configuré en HTTPS. Comme LANGFLOW_AUTO_LOGIN vaut false, l’interface demande une authentification. Connectez-vous avec les identifiants définis dans .env.

Modifiez immédiatement les secrets si le fichier a été exposé, copié dans un dépôt Git ou transmis par un canal non sécurisé. Le superuser doit rester un compte d’administration, pas un identifiant partagé entre tous les développeurs.

Construire un premier flux avec Ollama

Dans Langflow, créez un nouveau projet puis ajoutez une entrée de chat, un composant de prompt, un composant compatible Ollama et une sortie. Reliez l’entrée au prompt, le prompt au modèle, puis le modèle à la sortie.

Dans le composant Ollama, indiquez l’URL du service et le nom du modèle déjà installé. Si Ollama tourne dans un autre conteneur du même réseau Docker, utilisez son nom de service. S’il fonctionne sur une autre machine privée, utilisez son adresse interne et contrôlez le pare-feu. Notre guide pour héberger un LLM avec Ollama aide à préparer ce service.

Ajoutez au prompt une instruction système claire ainsi qu’une variable destinée au message utilisateur. Lancez ensuite le playground, envoyez plusieurs requêtes et observez la stabilité des réponses. Pour un RAG, insérez un chargeur de documents, un modèle d’embeddings, une base vectorielle et un retriever avant le prompt ou la chain.

Exposer le flux par API

Enregistrez le flux et récupérez son identifiant dans Langflow. Créez ensuite une clé API depuis les paramètres du compte. Cette clé doit rester côté serveur et ne jamais être intégrée dans le JavaScript public d’un navigateur.

L’appel prend généralement cette forme :

curl -X POST "https://langflow.example.fr/api/v1/run/FLOW_ID" \
  -H "Content-Type: application/json" \
  -H "x-api-key: VOTRE_CLE_API" \
  -d '{
    "input_value": "Résume les documents disponibles.",
    "input_type": "chat",
    "output_type": "chat"
  }'

La structure exacte de la réponse dépend des composants de sortie et de la version déployée. Validez donc le contrat JSON dans un client de test avant de l’intégrer. L’application consommatrice doit aussi gérer les délais d’attente, les erreurs du modèle et les réponses incomplètes.

Protéger les clés et les credentials

Ne saisissez pas une clé d’API fournisseur directement dans un prompt ou un composant destiné à être partagé. Utilisez les variables globales, les credentials de Langflow ou des variables d’environnement injectées au démarrage.

Limitez chaque clé aux permissions nécessaires et utilisez une clé différente par environnement. Une rotation régulière réduit l’impact d’une fuite. Les fichiers .env, sauvegardes PostgreSQL et volumes Docker doivent être protégés, car ils peuvent contenir des informations sensibles. Notre guide sur la gestion des secrets détaille ces pratiques.

Garder le contrôle sur les données

Un déploiement en France facilite une architecture cohérente avec les objectifs de souveraineté et de conformité RGPD, mais la localisation du serveur ne suffit pas. Si un composant appelle une API externe, les prompts, documents ou extraits transmis sortent de l’infrastructure TalCloud.

Pour maximiser la maîtrise des données, reliez Langflow à un serveur Ollama local ou privé et à une base vectorielle auto-hébergée. Analysez également les journaux, la télémétrie éventuelle, les durées de conservation et les données personnelles injectées dans les flux.

L’absence de GPU chez TalCloud impose de dimensionner cette architecture avec réalisme. Langflow, PostgreSQL et une base vectorielle peuvent être hébergés sur le VPS, tandis que l’inférence peut rester sur CPU pour de petits modèles ou être confiée à un serveur privé distinct.

Ajouter HTTPS et maintenir le service

Placez Nginx, Caddy ou Traefik devant Langflow. Le reverse proxy doit terminer TLS, transmettre les requêtes vers 127.0.0.1:7860 et préserver les en-têtes nécessaires. N’exposez jamais directement le port 7860 sur Internet et ne désactivez pas l’authentification.

Avant une mise à jour, sauvegardez PostgreSQL et le volume langflow_data. Évitez aussi de dépendre indéfiniment du tag latest : après validation du prototype, fixez une version d’image connue et testez chaque montée de version sur un environnement séparé. Notre guide sur les sauvegardes chiffrées avec restic aide à automatiser ces exports.

Surveillez les journaux, l’espace disque, la disponibilité de PostgreSQL et les temps de réponse des modèles. Avec des sauvegardes restaurables, une authentification active, HTTPS et des secrets correctement isolés, Langflow devient une plateforme efficace pour passer d’une expérimentation visuelle à une API IA maintenable.