🤖 تثبيت Langflow — أداة بصرية لبناء تطبيقات LLM

انشر Langflow على Ubuntu بواسطة Docker — أداة بصرية بالسحب والإفلات لبناء تطبيقات ووكلاء نماذج اللغة الكبيرة، تتيح لك بناء نماذج أولية لخطوط ذكاء اصطناعي دون كتابة كود، على المنفذ 7860.

⚠️ راجع أي سكريبت دائمًا قبل تشغيله على سيرفرك، واختبره في بيئة تجريبية أولاً.

📦 الملفات والأكواد المطلوبة

قبل البدء، يرجى التأكد من تحميل الأكواد المطلوبة من مستودعنا على GitHub لتتمكن من تطبيق الخطوات مع الفيديو بسهولة.

سكريبت تثبيت آلي — أمر واحد ينشر Langflow على المنفذ 7860. ابنِ خطوط LLM بصرياً، ثم اكشفها كواجهات برمجية.
عرض على GitHub

التثبيت السريع:

wget https://raw.githubusercontent.com/mhmdali94/Docker/main/ai/langflow/langflow-ubuntu.sh
chmod +x langflow-ubuntu.sh
sudo bash langflow-ubuntu.sh

خطوات التنفيذ

1 تحميل السكريبت

wget https://raw.githubusercontent.com/mhmdali94/Docker/main/ai/langflow/langflow-ubuntu.sh

2 منحه صلاحية التنفيذ

chmod +x langflow-ubuntu.sh

3 تشغيل المثبّت

يثبّت السكريبت Docker إن لزم ويشغّل Langflow على المنفذ 7860، مع الاحتفاظ بالخطوط والإعدادات في حجم ./data.

sudo bash langflow-ubuntu.sh

4 فتح الأداة البصرية

تصفّح Langflow وابدأ ببناء خط عمل بسحب المكوّنات إلى اللوحة وربطها معاً:

http://<your-server-ip>:7860

المنافذ المستخدمة

المنفذالغرض
7860Visual builder + exposed flow APIs (host → container 7860)
./dataFlows and configuration (holds API keys)

نظرة عامة

Langflow أداة بصرية مفتوحة المصدر منخفضة الكود لبناء تطبيقات نماذج اللغة الكبيرة وسير عمل الوكلاء. بدلاً من كتابة كود بايثون لربط الطلبات والنماذج وخطوات الاسترجاع والأدوات يدوياً، تسحب مكوّنات إلى لوحة وتربطها — الخط الذي ترسمه يصبح التطبيق الفعلي. تحت الغطاء، كل عقدة كود بايثون قابل للتعديل، وتكشف خلفية FastAPI كل خط كواجهة REST برمجية، وسيرفر MCP، ونقطة نهاية متوافقة مع OpenAI، بحيث يصبح النموذج الأولي البصري نظاماً خلفياً حقيقياً دون إعادة كتابة.

لماذا تستخدمه

يختصر Langflow الفجوة بشكل كبير بين الفكرة وتطبيق LLM عامل — بدلاً من بناء هيكل كود جديد لكل تجربة، تجمّع خطاً بصرياً وتشغّله فوراً. ولأنه يأتي مع أكثر من 60 تكاملاً جاهزاً عبر مزودي LLM الرئيسيين وقواعد بيانات المتجهات وأدوات المراقبة، تكون معظم اللبنات الشائعة لخطوط RAG والوكلاء موجودة بالفعل كعقد سحب وإفلات. ولأن كل خط يمكن كشفه كواجهة برمجية بضغطة واحدة، يسدّ Langflow الفجوة بين النمذجة الأولية السريعة وإطلاق شيء تستطيع تطبيقات أخرى استدعاءه فعلياً.

متى تحتاجه

  • تريد بناء نماذج أولية لتطبيقات LLM أو الوكلاء أو خطوط RAG بسرعة دون كتابة كود تكامل تكراري
  • تجرّب نماذج واستراتيجيات طلب واسترجاع مختلفة وتحتاج تكراراً بصرياً سريعاً
  • تحتاج تحويل خط عامل إلى واجهة برمجية قابلة للاستدعاء أو سيرفر MCP دون إعادة كتابته في قاعدة كود تقليدية
  • تريد لوحة بصرية مشتركة يستطيع فهمها وتعديلها كل من الأعضاء التقنيين وغير التقنيين في الفريق
  • تقيّم عدة مزودي LLM أو قواعد بيانات متجهات جنباً إلى جنب وتريد استبدال المكوّنات دون إعادة كتابة الكود

من يحتاجه

  • مهندسو ومطورو الذكاء الاصطناعي الذين يبنون نماذج أولية لتطبيقات ووكلاء LLM قبل الالتزام بكود إنتاجي
  • الفرق التي تبني خطوط توليد مُعزَّز بالاسترجاع (RAG) وتريد موصلات جاهزة لقواعد بيانات المتجهات الشائعة
  • الشركات الناشئة والاستشاريون الذين يحتاجون عرض سير عمل ذكاء اصطناعي عامل بسرعة للعملاء أو أصحاب المصلحة
  • علماء البيانات وممارسو تعلم الآلة الذين يفضّلون بيئة بصرية على كتابة كل تكامل LangChain يدوياً
  • المطورون الذين يريدون تحويل نماذجهم الأولية البصرية إلى أنظمة خلفية حقيقية قابلة للاستدعاء دون خطوة إعادة كتابة منفصلة
  • عشاق المختبرات المنزلية والاستضافة الذاتية الذين يجربون نماذج LLM المحلية والسحابية في واجهة موحدة واحدة

حالات الاستخدام الشائعة

  • بناء واختبار خطوط RAG تجمع بين قاعدة بيانات متجهات ونموذج LLM للإجابة على أسئلة عبر المستندات
  • بناء نماذج أولية لوكلاء ذكاء اصطناعي متعددي الخطوات يستدعون أدوات أو يبحثون في الويب أو يستعلمون واجهات برمجية قبل نهائية المنطق في الكود
  • كشف خط عامل كواجهة REST برمجية أو نقطة نهاية متوافقة مع OpenAI لتستدعيها تطبيقات أخرى
  • مقارنة عدة مزودي LLM أو استراتيجيات طلب جنباً إلى جنب على نفس اللوحة البصرية
  • عرض سير عمل ذكاء اصطناعي لأصحاب مصلحة غير تقنيين باستخدام الخط البصري بدلاً من الكود الخام
  • بناء أدوات أتمتة داخلية تربط استدعاءات LLM بتحويلات بيانات وتكاملات خارجية

الميزات الرئيسية

  • لوحة بصرية بالسحب والإفلات مبنية على React Flow لتجميع تطبيقات LLM وسير عمل الوكلاء
  • كل عقدة بصرية كود بايثون قابل للتعديل، بحيث تستطيع تخصيص سلوك المكوّن أبعد من الإعدادات البصرية الافتراضية
  • أكثر من 60 تكاملاً جاهزاً يغطي مزودي LLM الرئيسيين وقواعد بيانات المتجهات (Pinecone وWeaviate وQdrant وChroma وpgvector) والمزيد
  • تحويل الخط إلى واجهة برمجية بضغطة واحدة، يكشف أي خط كنقطة نهاية REST أو سيرفر MCP أو واجهة Responses متوافقة مع OpenAI
  • دعم مدمج لبناء واختبار وكلاء ذكاء اصطناعي متعددي الخطوات يستطيعون استدعاء أدوات وواجهات برمجية خارجية
  • وضع ملعب (Playground) للمحادثة مع الخط وتصحيحه تفاعلياً قبل نشره
  • سجل إصدارات وتصدير/استيراد للخطوط لمشاركة وإعادة استخدام سير العمل عبر المشاريع
  • مرخّص بـ MIT ومفتوح المصدر بالكامل، يُوزَّع عبر Docker وPyPI وHelm وتطبيقات سطح مكتب أصلية

كيفية الاستخدام بعد التثبيت

  • افتح Langflow في متصفحك واستكشف خطوط الأمثلة الجاهزة لترى كيف تترابط المكوّنات
  • أضف مفاتيح API لمزود LLM لديك (OpenAI أو Anthropic أو نقطة نهاية Ollama محلية) في المتغيرات العامة أو إعدادات المكوّن
  • ابنِ خطك الأول بسحب مكوّن طلب ونموذج ومخرج إلى اللوحة وربطها معاً
  • استخدم Playground للمحادثة مع خطك والتكرار على الطلبات أو إعدادات المكوّنات قبل نهائيته
  • اكشف خطاً مكتملاً كواجهة برمجية من إعدادات الخط، ثم اختبره بطلب curl أو من تطبيق آخر
  • نظّم الخطوط ذات الصلة في مشاريع أو مجلدات مع نمو مكتبة نماذجك الأولية
  • أعدّ وكيلاً عكسياً مع HTTPS إذا كنت تخطط للوصول للأداة أو واجهاتها البرمجية المكشوفة من خارج شبكتك المحلية
  • راجع سجلات المكوّنات وتاريخ التشغيل عندما يتصرف خط بشكل غير متوقع لتحديد العقدة المسببة للفشل

أفضل ممارسات الأمان

  • يأتي Langflow بدون مصادقة مدمجة افتراضياً في هذا النشر — قيّد المنفذ 7860 على الشبكات الموثوقة
  • لا تكشف المنفذ 7860 للإنترنت العام دون حماية أبداً، لأن الخطوط تخزّن مفاتيح API لمزود LLM لديك
  • ضع Langflow خلف وكيل عكسي مع HTTPS وطبقة مصادقة قبل السماح بأي وصول عن بُعد
  • استخدم متغيرات البيئة أو إدارة الأسرار الخاصة بـ Langflow لمفاتيح API بدلاً من تضمينها مباشرة داخل عقد الخط
  • قيّد من يستطيع تعديل وتصدير الخطوط إذا كانت نسختك مشتركة بين عدة أعضاء فريق
  • راجع أي خط قبل كشفه كواجهة برمجية عامة، لأن واجهة الخط المكشوفة قابلة للاستدعاء من أي شيء يصل إليها
  • حافظ على تحديث صورة Docker لاستلام تصحيحات الأمان، خاصة نظراً لسرعة تطور منظومة الذكاء الاصطناعي
  • دقّق استخدام الواجهة البرمجية على نقاط نهاية الخطوط المكشوفة دورياً لرصد حركة مرور غير متوقعة أو سوء استخدام للمفاتيح

المنافذ وإعدادات جدار الحماية

يقدّم Langflow كلاً من واجهة الأداة البصرية وأي واجهات برمجية تكشفها من خطوطك على منفذ مضيف واحد هو 7860. ولأن الخطوط يمكن أن تحمل مفاتيح API حية لـ LLM وأي خط تكشفه كواجهة برمجية يصبح قابلاً للاستدعاء من أي شيء يصل لهذا المنفذ، يجب معاملته كحساس: قيّده بـ ufw أو جدار حماية سحابتك على المضيفين الموثوقين وشبكتك المحلية افتراضياً. إذا احتجت وصولاً عن بُعد للأداة أو لاستدعاء واجهة خط مكشوفة من خارج شبكتك، ضع المنفذ 7860 خلف وكيل عكسي يضيف HTTPS، ومن الأفضل طبقة مصادقة، بدلاً من فتحه مباشرة للإنترنت.

النسخ الاحتياطي والصيانة

  • انسخ احتياطياً حجم ./data، الذي يحمل خطوطك وإعداداتك وأي قاعدة بيانات Langflow محلية
  • احتفظ بنسخة من docker-compose.yml أو أمر التشغيل حتى يمكن إعادة إنشاء نفس النشر بالضبط على مضيف جديد
  • صدّر الخطوط الفردية كملفات JSON دورياً حتى تكون لسير العمل الحرج نسخة احتياطية محمولة مستقلة عن الحجم
  • خزّن أي مفاتيح API مستخدمة داخل الخطوط في مدير كلمات مرور منفصل، لأنها قد لا تكون قابلة للاسترجاع بسهولة من نسخة احتياطية للحجم فقط
  • قبل ترقيات إصدار Langflow الكبرى، خذ لقطة من حجم ./data حتى تستطيع التراجع إذا تعطّل خط بعد التحديث
  • اختبر دورياً استعادة نسخة احتياطية على جهاز احتياطي للتأكد أن خطوطك وإعداداتك تعود سليمة

الأخطاء الشائعة

  • كشف المنفذ 7860 للإنترنت العام دون وكيل عكسي أو مصادقة، نظراً لأن الخطوط تحمل مفاتيح API حية
  • تضمين مفاتيح API مباشرة داخل عقد الخط بدلاً من استخدام متغيرات البيئة أو إدارة الأسرار الخاصة بـ Langflow
  • معاملة خط نموذج أولي كجاهز للإنتاج دون اختباره في Playground بمدخلات واقعية أولاً
  • نسيان نسخ حجم ./data احتياطياً، ثم فقدان ساعات من العمل على بناء الخطوط بعد إعادة إنشاء حاوية
  • كشف خط كواجهة برمجية عامة دون مراجعة ما يفعله، مما يسمح لأي شخص يجد الرابط باستدعائه واستهلاك رصيد واجهتك البرمجية
  • بناء خطوط معقدة جداً على اللوحة بدلاً من تقسيم المنطق لخطوط أصغر وقابلة لإعادة الاستخدام والاختبار
  • عدم تثبيت إصدار محدد من صورة Langflow في الإنتاج، مما يؤدي لتغييرات سلوك غير متوقعة بعد تحديث تلقائي
  • تجاهل سجلات المكوّنات عندما يفشل خط بصمت، بدلاً من تتبع أي عقدة محددة أنتجت مخرجاً سيئاً

استكشاف الأخطاء وإصلاحها

  • تعذّر الوصول لواجهة الويب — تحقق أن الحاوية تعمل بـ docker ps وتأكد أن المنفذ 7860 غير محظور بواسطة ufw
  • خط يفشل عند التشغيل — افتح سجلات المكوّنات في Playground لترى أي عقدة محددة أطلقت خطأً
  • استدعاءات مزود LLM تفشل بأخطاء مصادقة — تحقق مرتين أن مفتاح API مضبوط بشكل صحيح في ذلك المكوّن أو كمتغير بيئة
  • واجهة الخط المكشوفة تعيد نتائج غير متوقعة مقارنة بـ Playground — تأكد أن حمولة طلب الواجهة البرمجية تطابق ما تتوقعه عقدة إدخال الخط
  • الخط يعمل ببطء — تحقق ما إذا كان ينتظر استدعاء واجهة برمجية خارجية بطيئاً أو استعلام قاعدة بيانات متجهات كبيراً، وفكّر بالتخزين المؤقت أو نموذج أسرع
  • أخطاء اتصال قاعدة بيانات المتجهات — تحقق من سلسلة الاتصال ومفتاح API ووصول الشبكة لنسخة Pinecone أو Weaviate أو Qdrant لديك
  • التغييرات على خط لا تُحفظ — تأكد أن حجم ./data يملك صلاحيات كتابة صحيحة ومساحة قرص كافية
  • الحاوية تعيد التشغيل بشكل متكرر — راجع docker logs لخطأ بدء تشغيل، غالباً ناتج عن قاعدة بيانات خط تالفة بعد إيقاف مفاجئ

البدائل

Flowise أقرب منافس لـ Langflow — كلاهما أداة بصرية لبناء خطوط مبنية على LangChain بنفس الفكرة الأساسية تقريباً، وغالباً يعتمد الاختيار على تفضيل الواجهة وأي المكوّنات الجاهزة يكشفها كل منهما. يذهب Dify أبعد نحو منصة تطبيقات LLM كاملة بإدارة مستخدمين مدمجة وتحليلات وتجربة بناء تطبيقات أكثر توجيهاً بدلاً من لوحة خط بصرية بحتة. n8n أداة أتمتة سير عمل عامة الغرض بقدرات ذكاء اصطناعي متنامية، وأنسب إذا كانت حاجتك الأساسية أتمتة عمليات أعمال واسعة بدلاً من بناء خطوط خاصة بـ LLM. للفرق التي تريد تحديداً لوحة بصرية قابلة للتعديل بلغة بايثون وأصلية لـ LangChain تحوّل الخطوط لواجهات برمجية وسيرفرات MCP بضغطة واحدة، يبقى Langflow أحد أقوى الخيارات مفتوحة المصدر.

متى لا تستخدمه

Langflow ليس الأداة المناسبة إذا كنت تحتاج نظاماً خلفياً إنتاجياً حرجاً مُحصَّناً بالكامل مع اختبارية ومراجعة كود صارمة — الكود المكتوب يدوياً يمنح تحكماً أكبر واختباراً وحدوياً أسهل من خط بصري، رغم أن خطوط Langflow يمكن كشفها كواجهات برمجية إنتاجية. إذا كانت حاجتك الأساسية أتمتة عمليات أعمال عامة بدلاً من سير عمل خاص بـ LLM، فقد تناسب أداة أتمتة أوسع مثل n8n بشكل أفضل. وإذا احتجت منصة تطبيقات LLM كاملة وموجَّهة بحسابات مستخدمين وتحليلات مدمجة جاهزة بدلاً من لوحة بناء مرنة، فقد يتطلب Dify عملاً مخصصاً أقل. لكن للنمذجة الأولية السريعة والتجريب وتحويل فكرة عاملة إلى واجهة برمجية قابلة للاستدعاء بسرعة، يصعب منافسة Langflow.

هل تحتاج مساعدة احترافية؟

توفر PrismaTechWork خدمات بنية تحتية شاملة — من النشر الأولي وتصليب الأمان إلى المراقبة المستمرة والنسخ الاحتياطي التلقائي والدعم المخصص. سواء كنت تحتاج إعداد سيرفر واحد أو شبكة متعددة المواقع، يضمن فريقنا بناء بنيتك التحتية بشكل صحيح وتأمينها بالشكل المناسب وصيانتها باستمرار.

  • التثبيت وتجهيز السيرفر
  • الإعداد المتقدم وإعداد التوجيه
  • تصليب الأمان وتحسين جدار الحماية
  • إعداد شهادات SSL/TLS مع Let's Encrypt
  • ربط النطاق المخصص والوكيل العكسي
  • جدولة النسخ الاحتياطي التلقائي والتعافي من الكوارث
  • المراقبة الفورية وتنبيهات الجاهزية
  • الترحيل من المنصات القائمة
  • استكشاف مشكلات الاتصال والأداء وإصلاحها
  • سكريبتات أتمتة مخصصة وعقود دعم مستمر
تواصل مع PrismaTechWork

الأسئلة الشائعة

ما هو Langflow؟

أداة بصرية منخفضة الكود لبناء تطبيقات LLM. بدلاً من كتابة كود لربط الطلبات والنماذج والاسترجاع والأدوات، تسحب مكوّنات إلى لوحة وتربطها — الخط الذي ترسمه هو التطبيق.

أي منفذ يستخدمه؟

المنفذ 7860 على المضيف، والذي يقدّم كلاً من الأداة البصرية وأي واجهات برمجية تكشفها من خطوطك. أبقه مقيداً بـ ufw، لأن الخطوط تحمل مفاتيح API الخاصة بـ LLM لديك وواجهة الخط المكشوفة قابلة للاستدعاء من أي شيء يصل إليها. فعّل المصادقة وأضف وكيلاً بـ TLS قبل أي وصول عن بُعد.

كيف يقارَن بـ Flowise؟

قريبان جداً من بعضهما — كلاهما أداة بصرية لبناء خطوط مبنية على LangChain بنفس الفكرة الأساسية. يعتمد الاختيار عادة على تفضيل الواجهة وأي المكوّنات يكشفها كل منهما لحالة استخدامك.

هل يمكنني تحويل خط إلى واجهة برمجية؟

نعم — هذه ميزة أساسية. بمجرد أن يعمل خط في الأداة، يمكنك كشفه كنقطة نهاية واجهة برمجية تستدعيها تطبيقات أخرى، محوّلاً النموذج الأولي البصري إلى نظام خلفي حقيقي دون إعادة كتابته بالكود.

هل هو للإنتاج أم للنمذجة الأولية فقط؟

أقوى ما يكون في النمذجة الأولية والتجريب، حيث تشكّل حلقة التعديل والتشغيل البصرية السريعة ميزة كبيرة. يمكنك كشف الخطوط كواجهات برمجية واستخدامها في الإنتاج، لكن للتطبيقات المعقدة والحرجة، يوفر الكود المكتوب يدوياً تحكماً واختبارية لا تضاهيها أداة بصرية بالكامل.