LangFlow 설치 및 기본 사용방법(feat GPT없이, ollama로 챗봇 만들기)

안녕하세요! 갓대희 입니다. :- )

 

평소에 이런저런 AI를 활용한 업무 관련하여 이런 저런 컨셉을 n8n으로 활용하곤 한다.

이번에는 Dify, n8n 등과 유사하게 gui 방식으로 노코드 로우코드로 작업을 해볼 수 있는 툴이 있는데, 최근 설치형으로 쉽게 써볼수 있게 된 것 같아서 간단하게 리뷰 정도만 하고 넘어 가려고 한다. 

 

제일먼저 공식 문서를 남겨 놓으려 한다.

https://docs.langflow.org/

 

LangFlow란?

LangFlow는 한마디로 "LangChain을 드래그 앤 드롭으로 만들 수 있게 해주는 도구"다. React Flow 기반의 시각적 편집기로 AI 워크플로우를 그림 그리듯 만들 수 있다.

 

조금 어렵게 풀어 내자면..

LangFlow는 Python 기반의 로우코드 AI 워크플로우 빌더로,

React Flow를 기반으로 한 시각적 편집기를 통해 복잡한 AI 애플리케이션을 코딩 없이 구축할 수 있게 해준다.

 

핵심은 Directed Acyclic Graph(DAG) 실행 모델로, 노드(컴포넌트)와 엣지(연결)로 구성된 워크플로우를 JSON으로 직렬화하여 저장하고 실행한다.

 

LangChain과의 관계 : 편의성 vs 제어력

LangFlow는 LangChain 위에 구축된 시각적 추상화 레이어이다.

LangChain의 모든 컴포넌트를 지원하지만, 코드 중심 개발을 시각적 워크플로우로 대체한다.

 

항목	LangFlow	순수 LangChain
개발 속도	빠른 프로토타이핑	코드 기반 반복 개발
학습 곡선	비개발자도 접근 가능	Python 숙련도 필수
유연성	컴포넌트 제한	완전한 프로그래밍 제어
디버깅	시각적 플로우 검사	코드 레벨 디버깅
팀 협업	혼합 기술 팀에 유리	Python 개발자 중심

 

첫 번째(설치전 주의 사항) : 설치 지옥

공식 문서를 보면 `pip install langflow` 한 줄이면 끝날 것 같았다. 그런데...

문제 상황
pip install이 의존성 해결에서 무한 대기 상태로 빠지고, Windows에서는 C++ Build Tools가 없다고 에러가 나고, macOS에서는 cargo 관련 에러가 터졌다. 심지어 설치가 되어도 `langflow run` 명령어가 먹통이었다.

해결 방법
pip 대신 uv를 사용하니까 훨씬 빨라졌다. 그리고 langflow run 대신 python -m langflow run으로 실행하면 대부분 문제가 해결된다.

// 가장 추천하는 안정적인 설치 방법

# uv 설치 (pip보다 훨씬 빠름)
curl -LsSf https://astral.sh/uv/install.sh | sh

# 가상환경 생성
uv venv langflow-env
source langflow-env/bin/activate  # Linux/Mac
# langflow-env\Scripts\activate  # Windows

# LangFlow 설치
uv pip install langflow

# 실행 (중요: python -m 사용)
python -m langflow run --host 127.0.0.1 --port 7860
    

💡 팁
Windows 사용자라면 WSL2를 쓰거나 아예 Docker로 가는 방법도 있을 것 같다.
다만 시간이 좀 걸려도 괜찮다라면 내가 하기에 작성하는 것처럼 gui 방식으로 진행해 보자.

 

두 번째(설치 시작) : 설치 프로그램을 통해 쉽게 설치 하기

1. desktop 설치 파일 다운로드 url 접속 : https://www.langflow.org/desktop

2. 간단한 정보 입력 후 Download Langflow 버튼 클릭

 

3. 본인의 환경에 맞는파일 다운로드 ( 해당글 적성 환경은 windows )

 - windows를 지원함에도 아직 메일 템플릿에는 반영이 안되었나보다.

 

4. 다운로드된 파일을 실행하여 설치 / 설치 후 실행

5. 약관 확인 이후 문제가 없다면, Continue 버튼 클릭.

 

6. 일정시간 대기가 필요하다.

 

7. Visual C++ Build Tools 설치를 안내 한다.

 - 위에 말했던 상황인데 관련 Tools를 설치하는데 꽤 많은 시간이 소요 된다.

 

8. Visual C++ Build Tools 설치 ( 현재 기준 하기 url )

 - url : https://visualstudio.microsoft.com/ko/visual-cpp-build-tools/

 

9. 다시 langflow 실행하여 위 약관 동의 과정부터 진행해 보자. (이후 단계로 진행되는 것을 확인 가능 )

 

10. 정상설치가 된 것을 볼 수 있다. (최근 치명적인 보안 취약점이 있었느니 꼭 버전 업데이트도 진행하자.)

 - 업데이트까지 해서 한번 해 보는데 꽤 많은 시간이 걸린 다는 점에서 아쉽다.

 

11. 정말로 설치가 완료 되었다.

 

Docker로 안정성 확보하기

혹시 다른 환경이라면 다음과 같이 Docker 기반으로 바로 가버리는것도 방법일 것 이다.

docker-compose.yml

version: '3.8'
services:
  langflow:
    image: langflowai/langflow:latest
    ports:
      - "7860:7860"
    environment:
      - LANGFLOW_DATABASE_URL=sqlite:///./langflow.db
      - LANGFLOW_AUTO_LOGIN=false
    volumes:
      - ./langflow_data:/app/langflow
    restart: unless-stopped

 

간단히 사용해보기

1. 하단 "Create first flow" 클릭

 

2. Simple Agent 클릭

 - 이미 어느정도 구현된걸 사용해도되지만. 지금은 처음부터 사용해보자. 

 

3. GUI 확인( n8n, make 와 유사하게 workflow를 시각화 하여 drop & down 방식으로 작업 가능 하도록 되어있다. )

 

여기서부터 선택지를 가져가자. 

 - Case1. Open AI API key(gpt또는 gemini, claude 등)가 있다면 > 간단히 채팅 모델로 먼저 사용 해보자.

 

 - Case2. Case1은 이미 다 해보고 질렸으니, local llm(ollama를 사용해보겠다.) 라는 플랜에 맞춰 하기 내용을 봐주시면 좋을 것 같다.

※ Case2는 Ollama를 설치 하고 돌아 오자.

2025.08.03 - [AI/Tech Lounge: IT 이슈와 생각들] - Ollama 설치 및 기초 사용방법 (feat 로컬 LLM 환경 구축해보기)

 

 

Case1. Open AI API Key 연동

 - 기본적으로 생성된 모델을 확대 해보면 이렇게 생겼을 것 이다. 

 - 지금 좌상단의 URL 컴포넌트, 계산기 컴포넌는 필요 없으니 삭제 / 불필요한 text 박스도 다 삭제 한다.

 

 - 이 모델의 OpenAI API key 필드를 클릭해서 본인의 OpenAI API Key를 세팅해주자.

   Global Variables에 등록하여 사용 하도록 하자. 

 

 - model은 비용이 적은 4o mini 모델

 

  - system prompt는 다음과 같이 작성하여 줄 것 이다.

너의 이름은 "갓댐봇"이야. 

다음과같은 인사말을 꼭 붙여줘.
"안녕하세요! 갓댐봇 입니다. :-)"

모든 대화에는 친근한 말투로 친구처럼 대해 주길 바래.
대답은 꼭 한국어로 해줘.

 

 

  - 우측 상단의 "play ground" 클릭.

 

  - 간단한 인사를 해보자.

 

  - 나만의 "Chat 갓댐 GPT"가 생긴것을 볼 수 있다.

 

 

Case2. 이제 GTP API키 없이 Local LLM을 통해 챗봇을 한번 만들어 보자.

 - 다시 Simple Agent 클릭

 

 - 좌측 Components에서 ollama 검색 및 추가 

 

5. 본인 PC에 다운로드한 모델중 선택

 - 나의 경우 구글의 gemma3:4b를 사용해보겠다.

 

 - Base URL : ollama를 설치하면 기본적으로 localhost:11434에서 api 통신을 할수 있게 되어 있다. (https가 아닌 http로 하자) 

 - Model은 나의 경우 이전 포스팅에서 한글 지원이 가능한 gemma3 모델로 설치 하였다.
   (Refresh list를 눌러 갱신하고 조금 기다려야 조회 및 선택이 가능하다. )

 

  - 시스템 message는 다음과 같이 입력하여 준다.

너의 이름은 "갓댐봇"이야. 

다음과같은 인사말을 꼭 붙여줘.
"안녕하세요! 갓댐봇 입니다. :-)"

모든 대화에는 친근한 말투로 친구처럼 대해 주길 바래.
대답은 꼭 한국어로 해줘.

 

 - 불필요한건 다 지워버리고 input / output을 연결 시켜 준다.

 

 - 우측 상단의 Playground를 접속해보자.

 

 - 나의 챗봇이 생긴것을 볼 수 있다. 

 

 

 

이후엔 이 Langchain을 이용해 RAG를 구축 해볼 예정이다. 

분명 매력적인 도구지만 한계도 명확했다. 프로토타이핑이나 학습용으로는 훌륭하지만, 프로덕션 환경에서는 신중하게 접근해야 한다. 특히 팀 협업이 중요한 프로젝트라면 다른 대안을 고려하는 게 좋다.

 

결국 도구는 목적에 맞게 써야 한다. LangFlow도 마찬가지다. 화려한 데모에 현혹되지 말고, 실제 요구사항과 팀 상황을 고려해서 선택하자.

무엇보다 최근 이슈가 되는 보안 이슈를 조심해야할 것 같다. 워낙 오픈 소스가 많아지다보니, 반대로 뚫리는 오픈소스툴들도 요즘 종종 보이곤 한다. 보안 업데이트는 꼼꼼히 챙기지 않으면 나로인해 회사에 큰일이 발생할 수도 있을 것 같으니조심하자!!! 

 

 - 혹시 langflow로 rag를 테스트 해본다면 다음글을 참고 가능 하다.

2025.08.04 - [AI/Workflow : 자동화] - LangFlow 사용 방법(feat Rag + LangFlow 실습해보기 )

 

다음과 같은 이슈가 있다고 한다.

Q: langflow.db 파일이 계속 커지는데 괜찮나요?

A: 절대 괜찮지 않습니다! InMemoryStateService에서 메모리 누수가 있어서 시간이 지날수록 성능이 떨어집니다. 정기적으로 데이터베이스를 정리하거나 PostgreSQL로 마이그레이션하세요.

Q: API 호출이 Playground보다 훨씬 느린 이유는?

A: 알려진 이슈입니다. API 엔드포인트 최적화가 아직 부족해서 같은 플로우도 API로 호출하면 2-3배 느려집니다. 중요한 서비스라면 이 점을 고려해야 합니다.

Q: 팀에서 같이 작업하려면 어떻게 해야 하나요?

A: 솔직히 말하면 팀 협업 기능이 거의 없습니다. JSON 파일을 GitHub으로 관리하거나 공유 계정을 쓰는 수밖에 없어요. 이 부분이 가장 아쉽습니다.

 

보안 이슈: CVE-2025-3248

올해 5월에 터진 보안 취약점이 매우 치명적인 취약점이 있었다. (CVSS 9.8점)

문제 상황
CVE-2025-3248: 원격 코드 실행 취약점으로 인해 악의적인 사용자가 서버 전체를 장악할 수 있었다. 인터넷에 노출된 인스턴스 중 361개에서 실제 공격이 감지되었다.

// 즉시 취해야 할 조치

# 현재 버전 확인
python -c "import langflow; print(langflow.__version__)"

# 1.3.0 미만이면 즉시 업그레이드
uv pip install "langflow>=1.3.0" --upgrade

# 방화벽 설정으로 외부 접근 차단
--host 127.0.0.1  # 로컬만 접근 허용
    

 

대안들과 비교해본 후기

클로드와 나와 같이 평가를 준 점수이니 참고만 하자.

도구	학습 곡선	팀 협업	성능	종합 점수
LangFlow	⭐⭐⭐⭐	⭐⭐	⭐⭐⭐	7/10
Dify	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐	8.5/10
순수 LangChain	⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	8/10

 

정리

• 프로토타이핑용으로는 최고: 아이디어를 빠르게 테스트하고 검증하는 데는 정말 좋다
• 팀 협업은 포기: 현재로서는 개인 프로젝트나 소규모 팀에서만 쓸 만하다
• 보안은 필수: 항상 최신 버전을 유지하고 외부 접근을 차단해야 한다
• 성능 이슈 인지: 프로덕션 환경에서는 충분한 테스트가 필요하다
• 마이그레이션 계획: 언젠가는 다른 도구로 옮겨갈 가능성을 염두에 두자

 

자주 묻는 질문 ❓

Q: 지금 당장 LangFlow를 도입해도 괜찮을까요?

A: 프로토타이핑이나 학습 목적이라면 추천합니다. 하지만 프로덕션 환경이라면 Dify를 먼저 고려해보세요. 더 안정적이고 팀 협업 기능이 훨씬 좋습니다.

Q: 순수 LangChain 대신 LangFlow를 쓸 이유가 있나요?

A: 팀에 비개발자가 있거나 빠른 실험이 필요하다면 LangFlow가 좋습니다. 하지만 세밀한 제어가 필요하거나 성능이 중요하다면 순수 LangChain이 낫습니다.

Q: 앞으로 LangFlow가 더 좋아질까요?

A: GitHub 활동을 보면 꾸준히 개발되고 있어요. 특히 팀 협업 기능과 성능 개선에 집중하고 있는 것 같습니다. 하지만 당장 급한 프로젝트라면 다른 대안을 고려하세요.

참고 자료

• LangFlow 공식 문서 - 설치부터 배포까지 가이드
• LangFlow GitHub - 최신 이슈와 해결책 확인
• Milvus + LangFlow 연동 가이드 - 벡터 DB 연동 실습
• SK DevOcean 튜토리얼 - 한국어 실습 가이드
• Dify 공식 사이트 - LangFlow 대안 도구