โลโก้ Langflow
AI, Machine Learning และ LLMMIT (โอเพนซอร์ส)

Langflow คืออะไร และวิธีติดตั้งบน Cloud Server

Langflow คือเครื่องมือสร้างเวิร์กโฟลว์ของแอปที่ใช้โมเดลภาษาแบบลากวางบนหน้าจอ ทำให้ทดลองออกแบบขั้นตอนการทำงานได้เร็วก่อนนำไปเขียนเป็นระบบจริง

หมวดหมู่
AI, Machine Learning และ LLM
ติดตั้งบนเซิร์ฟเวอร์เองได้
ได้
สเปกเริ่มต้นที่แนะนำ
2 vCPU · RAM 4 GB
ไลเซนส์
MIT (โอเพนซอร์ส)
เว็บทางการ
เปิดเว็บไซต์
สร้าง Cloud Server เดี๋ยวนี้
  • ISO/IEC 27001
  • ISO 22301
  • ISO 20000-1
  • CSA-STAR

Data Center ในไทย มาตรฐาน TIA-942 Tier 3+ ข้อมูลอยู่ในประเทศไทย

Langflow คืออะไร

การสร้างแอปที่ใช้โมเดลภาษาไม่ได้จบที่การเรียก API เพราะระบบจริงต้องมีขั้นตอนหลายอย่าง ทั้งการดึงเอกสารที่เกี่ยวข้องมาประกอบคำถาม การเรียกเครื่องมือภายนอก และการจัดการบริบทของบทสนทนา

Langflow ให้ประกอบขั้นตอนเหล่านี้เป็นแผนภาพบนหน้าจอ ลากวางส่วนประกอบมาต่อกันแล้วทดสอบผลได้ทันที ซึ่งเร็วกว่าการเขียนโค้ดทดลองมากในช่วงออกแบบ

เมื่อได้ขั้นตอนที่ต้องการแล้ว ระบบส่งออกเป็นโค้ดหรือเปิดเป็น API ให้แอปเรียกใช้ได้ ทีมจึงใช้เป็นเครื่องมือออกแบบและต้นแบบก่อนพัฒนาระบบจริง

แผนผังการวางระบบ Langflow บน Cloud Server หนึ่งเครื่องที่ Data Center ในประเทศไทย ผู้ใช้เข้าถึงผ่านไฟร์วอลล์ที่เปิดเฉพาะพอร์ต 443, 7860 ตัว Langflow และข้อมูลอยู่บนเครื่องเดียวกัน เริ่มต้นที่ 2 vCPU แรม 4 GB และมีสำเนาสำรองเขียนออกไปเก็บอีกไซต์หนึ่ง
Langflow ทำงานบน Cloud Server เครื่องเดียวได้ครบ เปิดเฉพาะพอร์ตที่จำเป็น ข้อมูลและสำเนาสำรองอยู่ใน Data Center ในประเทศไทย

ความสามารถเด่นของ Langflow

ประกอบเวิร์กโฟลว์แบบลากวาง

ทดลองออกแบบขั้นตอนได้เร็วโดยไม่ต้องเขียนโค้ดทดลอง

ทดสอบผลได้ทันทีในหน้าจอ

เห็นผลของแต่ละขั้นตอนเพื่อหาจุดที่ต้องปรับ

ต่อกับฐานข้อมูลเวกเตอร์ได้

สร้างระบบตอบคำถามจากเอกสารขององค์กร

ใช้กับโมเดลที่รันเองได้

ชี้ไปที่เซิร์ฟเวอร์โมเดลของตัวเองแทนบริการภายนอก

เปิดเวิร์กโฟลว์เป็น API

ให้แอปเรียกใช้ผลลัพธ์ที่ออกแบบไว้ได้

ใช้ Langflow ทำอะไรได้บ้าง

  • ทำต้นแบบระบบตอบคำถามจากเอกสารขององค์กร
  • ทดลองออกแบบขั้นตอนก่อนพัฒนาเป็นระบบจริง
  • ทีมที่ต้องการให้คนที่ไม่ใช่นักพัฒนาร่วมออกแบบขั้นตอน
  • ระบบภายในที่ต้องต่อโมเดลกับฐานข้อมูลขององค์กร

สเปก Cloud Server ที่แนะนำ

แผนภาพเทียบสเปก Cloud Server สำหรับ Langflow 3 ระดับ เริ่มจาก 2 vCPU แรม 4 GB ดิสก์ NVMe 40 GB ไปจนถึง 8 vCPU ขึ้นไป แรม 16 GB ขึ้นไป ดิสก์ NVMe 200 GB ขึ้นไป โดยเทียบขนาดแยกตามแต่ละคอลัมน์
เริ่มจากระดับที่ตรงกับการใช้งานตอนนี้ แล้วเพิ่ม CPU และ RAM ทีหลังได้บนเครื่องเดิม
ระดับการใช้งานvCPURAMDisk
เริ่มต้นทดลองและทำต้นแบบ2 vCPU4 GBNVMe 40 GB
แนะนำทีมที่ใช้ร่วมกันหลายคน4 vCPU8 GBNVMe 100 GB
ใช้งานหนักเปิดเวิร์กโฟลว์เป็น API ให้ระบบอื่นเรียกใช้8 vCPU ขึ้นไป16 GB ขึ้นไปNVMe 200 GB ขึ้นไป

ดูราคาตามสเปกได้ที่ ราคา Cloud Compute หรือให้ทีมงานช่วยประเมินสเปกจากปริมาณผู้ใช้จริงของคุณ

วิธีติดตั้ง Langflow บน Cloud Server ของ THAI DATA CLOUD

ขั้นตอนด้านล่างใช้กับ Cloud Server ที่เพิ่งสร้างใหม่จากหน้าจัดการของ THAI DATA CLOUD ได้ทันที ถ้าไม่สะดวกทำเอง ทีมวิศวกรของเราติดตั้งและตั้งค่าให้ฟรีสำหรับลูกค้า Cloud Server

สิ่งที่ต้องเตรียม

  • Python หรือ Docker
  • เซิร์ฟเวอร์โมเดลหรือคีย์สำหรับเรียกใช้บริการโมเดล
  • ฐานข้อมูลเวกเตอร์ถ้าต้องทำระบบตอบคำถามจากเอกสาร
  • Nginx พร้อมใบรับรอง SSL

ทดสอบบน Ubuntu Server 24.04 LTS ที่ติดตั้ง Docker แล้ว

  1. 1

    รัน Langflow

    docker run -d --name langflow \
      -p 127.0.0.1:7860:7860 \
      -v /srv/langflow:/app/langflow \
      -e LANGFLOW_AUTO_LOGIN=false \
      -e LANGFLOW_SUPERUSER=admin \
      -e LANGFLOW_SUPERUSER_PASSWORD=ChangeThisStrongPassword \
      --restart unless-stopped \
      langflowai/langflow:latest
  2. 2

    ตั้ง Nginx และ HTTPS

    sudo certbot --nginx -d flow.example.com
  3. 3

    เชื่อมกับโมเดลที่รันเอง

    ตั้งค่าส่วนประกอบโมเดลให้ชี้ไปที่เซิร์ฟเวอร์ที่รัน Ollama หรือ vLLM ในวงเดียวกัน ทำให้ข้อมูลไม่ออกนอกองค์กร

    # ตัวอย่างค่าที่ใช้ตั้งในส่วนประกอบโมเดล
    Base URL: http://10.10.0.60:11434/v1
    Model: llama3.1
  4. 4

    ต่อกับฐานข้อมูลเวกเตอร์

    เพิ่มส่วนประกอบสำหรับ Qdrant หรือ Milvus ที่รันในวงเดียวกัน เพื่อสร้างระบบตอบคำถามจากเอกสารขององค์กร

  5. 5

    สร้างเวิร์กโฟลว์แรกและทดสอบ

    ลากส่วนประกอบมาต่อกันเป็นขั้นตอนที่ต้องการ แล้วทดสอบด้วยคำถามจริงเพื่อดูว่าผลลัพธ์ตรงตามที่คาดหรือไม่

  6. 6

    เปิดเป็น API ให้แอปเรียกใช้

    เมื่อได้ขั้นตอนที่ต้องการแล้ว เปิดเวิร์กโฟลว์เป็น API พร้อมสร้างคีย์สำหรับให้แอปเรียกใช้

ปิดการเข้าใช้งานโดยไม่ต้องเข้าสู่ระบบเสมอ เพราะหน้าจอนี้เข้าถึงคีย์และข้อมูลที่ตั้งค่าไว้ทั้งหมด

พอร์ตที่ต้องเปิดบน Firewall

พอร์ตโปรโตคอลใช้ทำอะไร
443TCPHTTPS สำหรับหน้าจอและ API
7860TCPพอร์ตภายในของแอป

สิ่งที่ควรทำต่อหลังติดตั้งเสร็จ

  • ปิดการเข้าใช้งานโดยไม่ต้องเข้าสู่ระบบและตั้งรหัสผ่านที่แข็งแรง
  • ไม่เก็บคีย์ของบริการภายนอกไว้ในเวิร์กโฟลว์ที่แชร์ให้คนอื่น
  • จำกัดไอพีที่เข้าหน้าจอได้ถ้าเป็นระบบภายใน
  • ตรวจว่าข้อมูลที่ส่งเข้าโมเดลไม่มีข้อมูลส่วนบุคคลที่ไม่จำเป็น

ทำไมควรรัน Langflow บน Cloud Server ของ THAI DATA CLOUD

Data Center ในประเทศไทย มาตรฐาน ISO/IEC 27001 และ ISO 22301 พร้อมทีมวิศวกรคนไทยดูแลตลอด 24 ชั่วโมง

รันคู่กับ Ollama หรือ vLLM ใน Private Network ทำให้ข้อมูลที่ส่งเข้าโมเดลไม่ออกนอกองค์กร

ต่อกับฐานข้อมูลเวกเตอร์ที่รันบน Cloud Server เครื่องอื่นในวงเดียวกัน

ใช้ทรัพยากรน้อยเพราะงานประมวลผลหนักอยู่ที่เซิร์ฟเวอร์โมเดล

คำถามที่พบบ่อยเกี่ยวกับ Langflow

Langflow ต่างจาก Flowise อย่างไร

ทั้งคู่เป็นเครื่องมือสร้างเวิร์กโฟลว์แบบลากวางที่แนวคิดใกล้เคียงกัน Langflow อยู่บน Python จึงเข้ากับระบบนิเวศของงาน AI ได้ตรงกว่า ส่วน Flowise อยู่บน Node.js การเลือกจึงมักขึ้นกับภาษาที่ทีมถนัด

ใช้กับโมเดลที่รันเองได้ไหม

ได้ โดยชี้ส่วนประกอบโมเดลไปที่เซิร์ฟเวอร์ที่รัน Ollama หรือ vLLM ในวงเดียวกัน ซึ่งทำให้ข้อมูลขององค์กรไม่ต้องส่งออกไปยังบริการภายนอกเลย

ใช้ทำระบบงานจริงได้ไหม

ใช้เปิดเป็น API ได้ แต่ทีมส่วนใหญ่ใช้เป็นเครื่องมือออกแบบและทำต้นแบบ แล้วนำขั้นตอนที่ได้ไปเขียนเป็นโค้ดของระบบจริง ซึ่งควบคุมและทดสอบได้ดีกว่าในระยะยาว

ให้เราติดตั้ง Langflow ให้ฟรี บน Cloud Server ในไทย

แจ้งความต้องการสั้น ๆ ทีมวิศวกรจะช่วยประเมินสเปก ติดตั้ง และตั้งค่าความปลอดภัยให้พร้อมใช้งาน ปรึกษาฟรี ไม่มีข้อผูกมัด