Der übliche Stolperstein, wenn aus einer KI-Idee etwas Lauffähiges werden soll, ist der Ablauf selbst: Ein Modellaufruf funktioniert, dann wechselt man das Modell und schreibt alles neu. Langflow geht anders heran. Der erste Satz auf der Seite lautet, man solle aufhören, gegen seine Werkzeuge zu arbeiten, und das Produkt beschreibt sich als Weg, KI-Agenten und MCP-Server zu bauen und auszuliefern, mit eingebauter Unterstützung für die gängigen Modellanbieter, Vektorspeicher und eine wachsende Bibliothek von KI-Werkzeugen. Zwei Knöpfe stehen oben: kostenlos starten und auf GitHub einen Stern geben.

Ziehen, vergleichen, und das Python behalten

Die Argumente sind ungewöhnlich direkt gruppiert. Unter der Überschrift, die schwarzen Kästen hinter sich zu lassen, stehen drei Versprechen: Komplexität beherrschen, tauschen und vergleichen, und Python darunter. Ein Satz sagt ausdrücklich, man könne mit Python alles und jedes anpassen. Das ist die Antwort auf den naheliegenden Einwand gegen visuelle Baukästen, nämlich dass sie einsperren. Die Komponenten sind Python, also lässt sich jede öffnen und ändern.

Die nächste Gruppe heißt ziehen, ablegen, ausliefern: visuelle Zustandsabläufe, wiederverwendbare Komponenten und schnelle Iteration, ohne Boilerplate, mit Hunderten Vorlagen als Startpunkt. Danach Agenten zu Diensten, also ein Agent oder eine ganze Gruppe, wobei jede Komponente als Werkzeug dient. Und schließlich der Ablauf als API, wo ein fertiger Ablauf zur Schnittstelle wird, mit einem kostenlosen Cloud-Konto, um ihn online zu stellen.

Die Integrationswand ist breit statt tief: Datenquellen, Modellanbieter und Vektorspeicher, und die Namen darauf sind die, die in jedem ernsthaften RAG-Aufbau auftauchen. Drei Kundenstimmen folgen, von einer Coaching-Plattform, einem Webdienstleister und einem KI-Start-up, und alle drei sprechen von denselben zwei Dingen: visuellen Abläufen und RAG-Entwicklung.

Die Dokumentation zieht die Grenze in vier Gruppen

Gegliedert wird in bauen, entwickeln und ausliefern, Referenz und Gemeinschaft. Die Baugruppe enthält einen Einstieg mit Überblick, Installation, Schnellstart und Anleitungen sowie eigene Kapitel zu Abläufen, Agenten und dem Model Context Protocol. Entwickeln und ausliefern deckt Entwicklung, Auslieferung und die Desktop-Werkzeuge ab, die Referenz hält Komponenten- und API-Nachschlagewerk, die Gemeinschaft Beitrag und Unterstützung.

Die Überblicksseite ist erfrischend klar darüber, was das ist: ein offenes, auf Python basierendes und anpassbares Framework zum Bauen von KI-Anwendungen, das Agenten und das Model Context Protocol unterstützt und an kein bestimmtes Modell und keinen bestimmten Vektorspeicher gebunden ist. Die Fähigkeitsliste darunter geht durch Anwendungsentwicklung und Prototyping, Abläufe in Minuten, Tests in Echtzeit, Ausführen und Ausliefern, unbegrenzte Erweiterung und Integration, Agenten- und MCP-Unterstützung sowie Erweiterbarkeit.

Installation: ein Befehl für einen lokalen Dienst

Der lokale Weg hat eine niedrige Schwelle. Er braucht eine aktuelle Python-3-Version und den Paketmanager uv; danach das neueste Paket installieren und den Starter ausführen, und der Dienst kommt auf dem lokalen Port 7860 hoch. Wer kein Terminal möchte, nimmt die Desktop-Fassung, die als drei Installationspakete für Apple Silicon, Intel-Macs und Windows x64 erscheint; die Anleitung vermerkt, dass die Desktop-Version alle Abhängigkeiten mitbringt und man keine Python-Umgebung selbst pflegen muss.

Teams, die es auf einen Server bringen, gehen über einen Container und bilden den Container-Port auf 7860 ab; wer den Quellcode ändern will, klont das Repository und nutzt das make-Ziel für den Kommandozeilenlauf.

Das Repository selbst lohnt einen Blick. MIT-Lizenz, rund 155 000 Sterne, etwa 10 100 Abzweigungen, 415 Mitwirkende und 309 Veröffentlichungen, überwiegend in Python mit einem beträchtlichen TypeScript-Anteil. Die Funktionsliste umfasst den visuellen Baukasten, eigene Komponenten in Python, einen schrittweise debuggbaren Spielplatz, Orchestrierung mehrerer Agenten mit Sitzungsverwaltung und Abruf, Export als API oder JSON, Veröffentlichung als MCP-Server, Beobachtbarkeit über zwei externe Tracing-Dienste sowie Sicherheit und Skalierbarkeit für Unternehmen.

Für wen es passt

Drei Gruppen passen zur Struktur. Wer eine KI-Idee schnell prüfen will, zieht einen Ablauf zusammen und entscheidet danach, ob überhaupt Code nötig ist. Teams, die den Ablauf in ein bestehendes System einhängen wollen, weil ein Ablauf als API exportiert und zusätzlich als MCP-Werkzeug für andere Clients veröffentlicht werden kann. Und Lernende, die sehen wollen, wie Orchestrierung tatsächlich zusammengesetzt wird, weil die Dokumentation Abläufe, Agenten, MCP und das Komponentenhandbuch ungewöhnlich fein trennt.

Wo die Fläche aufhört, der Punkt zu sein

Die interessante Frage bei jedem visuellen Baukasten ist nicht, ob die Fläche gut aussieht, sondern was passiert, nachdem der letzte Knoten verbunden ist. Langflows Antwort ist architektonisch und nicht kosmetisch: Der Ablauf ist ein Python-Objekt, er exportiert als JSON, und er lässt sich als API oder als MCP-Server ausliefern. Das macht die Zeichnung im Betrieb verteidigbar, weil das, was man debuggt hat, auch das ist, was man ausliefert. Die Kehrseite: Laufzeit, Container, Schlüssel und Aktualisierungen bleiben beim Team, und die visuelle Schicht nimmt davon nichts ab.

Zwei ehrliche Anmerkungen

Erstens gibt es keine öffentliche Preisseite: Der Preispfad liefert nichts, und das Cloud-Angebot wird nur als kostenloses Cloud-Konto und Enterprise-Cloud beschrieben. Jede Zahl wäre erst im Konto nach der Registrierung zu lesen, und hier wird keine zitiert. Zweitens verweist der Datenschutzhinweis in der Fußzeile auf die Datenschutzerklärung eines Dritten, weshalb Fragen zu Eigentümerschaft und weiterer Entwicklung besser über offizielle Mitteilungen beantwortet werden als aus der Website abgeleitet.

Die eigentliche Trennlinie bei visuellen Werkzeugen ist nicht, ob die Fläche hübsch ist, sondern ob das Gezeichnete ohne eine einzige geänderte Codezeile in Produktion gehen kann.