So erstellen Sie visuelle KI-Workflows mit Langflow und Docker

Mit Langflow können Sie KI-Workflows visuell erstellen, indem Sie Prompts, Large Language Models (LLMs), APIs, Datenquellen und Logikkomponenten auf einer Drag-and-Drop-Arbeitsfläche miteinander verbinden. Wenn Sie Langflow mit Docker ausführen, nutzen Sie eine einheitliche Umgebung für die Erstellung von Chatbots, RAG-Pipelines (Retrieval-Augmented Generation), Multi-Agenten-Workflows und API-basierten KI-Anwendungen, ohne jede Abhängigkeit manuell konfigurieren zu müssen.

Für die Installation von Langflow mit Docker benötigen Sie einen Server oder lokalen Rechner mit Docker und Docker Compose, Zugriff auf Port 7860 sowie API-Schlüssel für die gewünschten Modellanbieter. In dieser Anleitung erfahren Sie, wie Sie Langflow mit Docker ausführen, mit Docker Compose und PostgreSQL einrichten, mit der Langflow-Docker-Vorlage von Hostinger schneller bereitstellen und Ihre Workflows bei Updates dauerhaft erhalten.

Voraussetzungen für die Installation von Langflow mit Docker

Bevor Sie Langflow mit Docker installieren, benötigen Sie:

• Einen lokalen Rechner oder VPS mit ausreichenden Ressourcen für Langflow.
• Eine installierte und laufende Docker-Umgebung.
• Docker Compose für die empfohlene Konfiguration mit PostgreSQL und persistenten Volumes.
• Zugriff auf Port 7860, den Langflow standardmäßig verwendet.
• Eine PostgreSQL-Datenbank oder eine Docker-Compose-Konfiguration zum Speichern von Flows, Benutzern, Einstellungen und Anwendungsstatus.
• API-Schlüssel für die gewünschten Modellanbieter, beispielsweise OpenAI, Anthropic, Google Gemini oder lokale Modellanbieter.
• Eine Domain und ein SSL-Zertifikat, wenn Sie Langflow in einer Produktivumgebung einsetzen möchten.

Mit den folgenden Befehlen können Sie prüfen, ob Docker und Docker Compose verfügbar sind:

docker --version
docker compose version

So installieren Sie Langflow mit Docker

Sie können Langflow entweder mit einem einzelnen docker run-Befehl oder mit Docker Compose installieren. Eine Konfiguration mit nur einem Container eignet sich am besten für schnelle Tests. Docker Compose ist dagegen für die Bereitstellung auf einem VPS besser geeignet, da Sie damit persistenten Speicher, Umgebungsvariablen und eine PostgreSQL-Datenbank konfigurieren können.

1. Installieren Sie Docker

Stellen Sie zunächst sicher, dass Docker auf Ihrem Server oder lokalen Rechner installiert ist und ausgeführt wird.

Prüfen Sie Ihre Docker-Version:

docker --version

Prüfen Sie anschließend, ob Docker Compose verfügbar ist:

docker compose version

Wenn beide Befehle Versionsnummern ausgeben, können Sie mit der Installation von Langflow fortfahren.

2. Führen Sie Langflow mit Docker aus

Am schnellsten starten Sie Langflow mit dem offiziellen Langflow-Docker-Image:

docker run -p 7860:7860 langflowai/langflow:latest

Dieser Befehl lädt das neueste Langflow-Image herunter und Docker leitet Port 7860 Ihres Rechners an Port 7860 im Container weiter. Sobald der Container gestartet ist, öffnen Sie Langflow in Ihrem Browser:

http://localhost:7860

Wenn Sie Langflow auf einem VPS installieren, ersetzen Sie localhost durch die IP-Adresse Ihres Servers:

http://your-server-ip:7860

3. Führen Sie Langflow im Detached-Modus aus

Bei der Bereitstellung auf einem Server sollten Sie den Container im Detached-Modus ausführen, damit Langflow auch nach dem Schließen des Terminals weiterläuft:

docker run -d \
--name langflow \
-p 7860:7860 \
langflowai/langflow:latest

Prüfen Sie, ob der Container ausgeführt wird:

docker ps

Zeigen Sie die Langflow-Protokolle an:

docker logs -f langflow

Stoppen Sie den Container:

docker stop langflow

Starten Sie ihn erneut:

docker start langflow

Diese Konfiguration reicht aus, um Langflow zu testen, KI-Beispiel-Workflows zu erstellen und den visuellen Builder auszuprobieren. Für die langfristige Nutzung sollten Sie persistenten Speicher hinzufügen, damit Ihre Flows und Einstellungen nicht ausschließlich vom Lebenszyklus des Containers abhängen.

4. Führen Sie Langflow mit Docker Compose aus

Docker Compose ist für einen VPS die bessere Option, da Sie damit Langflow, PostgreSQL, Ports, Volumes und Umgebungsvariablen in einer einzigen Konfigurationsdatei definieren können.

Erstellen Sie ein neues Projektverzeichnis:

mkdir langflow-docker
cd langflow-docker

Erstellen Sie eine Datei namens docker-compose.yml:

nano docker-compose.yml

Fügen Sie die folgende Konfiguration hinzu:

services:
  langflow:
    image: langflowai/langflow:latest
    container_name: langflow
    ports:
      - "7860:7860"
    environment:
      - LANGFLOW_DATABASE_URL=postgresql://langflow:strong-password@postgres:5432/langflow
      - LANGFLOW_CONFIG_DIR=/app/langflow
    volumes:
      - langflow-data:/app/langflow
    depends_on:
      - postgres
    restart: unless-stopped

  postgres:
    image: postgres:16
    container_name: langflow-postgres
    environment:
      - POSTGRES_USER=langflow
      - POSTGRES_PASSWORD=strong-password
      - POSTGRES_DB=langflow
    volumes:
      - langflow-postgres:/var/lib/postgresql/data
    restart: unless-stopped

volumes:
  langflow-data:
  langflow-postgres:

Ersetzen Sie strong-password durch ein sicheres Datenbankpasswort, bevor Sie die Container starten.

Starten Sie Langflow:

docker compose up -d

Prüfen Sie die laufenden Container:

docker compose ps

Öffnen Sie Langflow in Ihrem Browser:

http://your-server-ip:7860

Bei dieser Konfiguration werden die Langflow-Konfiguration im Volume langflow-data und die PostgreSQL-Daten im Volume langflow-postgres gespeichert. So bleiben Ihre Flows, Benutzer und Einstellungen auch bei Neustarts oder Updates der Container erhalten.

5. Erlauben Sie den Zugriff auf Port 7860

Langflow verwendet standardmäßig Port 7860. Wenn Sie Langflow auf einem VPS ausführen, müssen Sie eingehenden Datenverkehr über diesen Port zulassen.

Führen Sie für UFW folgende Befehle aus:

sudo ufw allow 7860/tcp
sudo ufw reload

Prüfen Sie anschließend den Status der Firewall:

sudo ufw status

Setzen Sie Langflow in einer Produktivumgebung nicht direkt über eine IP-Adresse dem Internet aus. Verwenden Sie eine Domain, einen Reverse Proxy, HTTPS und Authentifizierungsregeln, um den Zugriff auf die Langflow-Oberfläche zu kontrollieren.

6. Überprüfen Sie, ob Langflow funktioniert

Nachdem Sie Langflow im Browser geöffnet haben, erstellen Sie einen einfachen Test-Flow:

1. Fügen Sie eine Chat-Input-Komponente hinzu.
2. Fügen Sie eine Prompt-Komponente hinzu.
3. Fügen Sie eine LLM-Komponente hinzu, beispielsweise OpenAI oder einen anderen unterstützten Modellanbieter.
4. Verbinden Sie die Komponenten auf der Arbeitsfläche.
5. Hinterlegen Sie Ihren API-Schlüssel in den Einstellungen in Langflow.
6. Führen Sie den Flow über die Langflow-Oberfläche aus.

Damit prüfen Sie, ob der Docker-Container ausgeführt wird, die Langflow-Oberfläche erreichbar ist und der visuelle KI-Workflow-Builder die Komponenten korrekt miteinander verbinden kann.

7. Aktualisieren Sie Langflow mit Docker Compose

Um Langflow später zu aktualisieren, laden Sie das aktuelle Image herunter und starten Sie den Stack neu:

docker compose pull
docker compose up -d

Da die Compose-Konfiguration persistente Volumes verwendet, bleiben Ihre Langflow-Daten vom Anwendungscontainer getrennt. So bleiben Flows, Benutzer und Einstellungen erhalten, wenn Sie das Docker-Image aktualisieren.

So stellen Sie Langflow mit der Docker-Vorlage von Hostinger schneller bereit

Wenn Sie Langflow manuell mit Docker installieren, haben Sie die vollständige Kontrolle über die Containerkonfiguration. Mit der Langflow-VPS-Docker-Vorlage von Hostinger können Sie die Anwendung jedoch schneller bereitstellen, da die Docker-Umgebung, der Anwendungscontainer und die PostgreSQL-Datenbank bereits vorkonfiguriert sind.

Diese Option eignet sich, wenn Sie direkt mit der Erstellung von KI-Workflows beginnen möchten, ohne selbst eine Docker-Compose-Datei anzulegen, die persistente Datenspeicherung zu konfigurieren oder den Langflow-Container von Grund auf einzurichten.

So stellen Sie Langflow mit der Docker-Vorlage von Hostinger bereit:

1. Rufen Sie die Langflow-VPS-Docker-Vorlage auf.
2. Wählen Sie abhängig von der Größe Ihrer KI-Workflows einen VPS-Tarif aus.
3. Schließen Sie die VPS-Einrichtung ab.
4. Öffnen Sie das Hostinger-Dashboard und rufen Sie Ihr VPS-Dashboard auf.
5. Starten Sie die vorkonfigurierte Langflow-Vorlage.
6. Öffnen Sie die Langflow-Oberfläche über die IP-Adresse Ihres VPS oder die verbundene Domain.
7. Fügen Sie die API-Schlüssel Ihrer Modellanbieter hinzu, beispielsweise OpenAI, Anthropic, Google Gemini oder einen lokalen Modellanbieter.
8. Beginnen Sie mit der Erstellung von Workflows auf der visuellen Arbeitsfläche.

Die Langflow-Vorlage von Hostinger enthält PostgreSQL zum Speichern von Flows, Benutzern und Anwendungsstatus. Dadurch bleiben Ihre Langflow-Daten auch bei Neustarts und Updates der Container dauerhaft erhalten.

Die Vorlage funktioniert außerdem mit dem Docker-Manager von Hostinger, über den Sie Container verwalten, Protokolle anzeigen und Updates zentral durchführen können. Das ist besonders hilfreich, wenn Sie die Kontrolle über einen VPS nutzen möchten, ohne jeden Docker-Befehl manuell ausführen zu müssen.

Verwenden Sie die Hostinger-Vorlage, wenn Sie Langflow möglichst schnell einrichten möchten. Entscheiden Sie sich für die manuelle Docker-Installation, wenn Sie eine individuelle Compose-Datei, eigene Umgebungsvariablen oder eine spezifischere Infrastrukturkonfiguration benötigen.

Warum sollten Sie Langflow mit Docker ausführen?

Docker bietet eine einfache Möglichkeit, Langflow auszuführen, da die Anwendung zusammen mit ihren Abhängigkeiten in einem Paket bereitgestellt wird. Statt Python-Pakete manuell zu installieren, Systembibliotheken zu konfigurieren und Versionskonflikte zu beheben, können Sie Langflow über ein Container-Image starten und den visuellen Builder im Browser aufrufen.

Diese Konfiguration eignet sich sowohl für lokale Tests als auch für die Bereitstellung auf einem VPS. Sie können dasselbe Docker-Image auf Ihrem Rechner, einem Staging-Server oder einem VPS in der Produktivumgebung verwenden. Dadurch bleibt die Langflow-Umgebung auf unterschiedlichen Systemen konsistent.

Auch nach der Installation vereinfacht Docker die Verwaltung von Langflow. Mit einfachen Docker-Befehlen können Sie die Anwendung stoppen, neu starten, aktualisieren oder entfernen. Wenn Sie Docker Compose verwenden, lassen sich der Langflow-Container, die PostgreSQL-Datenbank, Ports, Umgebungsvariablen und Speicher-Volumes in einer einzigen Datei definieren.

Bei langfristigen Projekten ermöglicht Docker, Ihre KI-Workflows zu speichern. Mit Docker-Volumes und einer PostgreSQL-Datenbank kann Langflow Flows, Benutzerdaten, Einstellungen und Anwendungsstatus außerhalb des Hauptcontainers speichern. So gehen Ihre Daten nicht verloren, wenn der Container neu gestartet oder das Langflow-Image aktualisiert wird.

Langflow mit Docker auszuführen, ist insbesondere für die visuelle Entwicklung von KI-Workflows praktisch und bietet folgende Vorteile:

• Schnellere Einrichtung – Starten Sie Langflow, ohne die gesamte Laufzeitumgebung manuell konfigurieren zu müssen.
• Einheitliche Bereitstellung – Verwenden Sie dieselbe Containerkonfiguration auf lokalen Rechnern und VPS-Servern.
• Einfachere Updates – Laden Sie bei Verfügbarkeit einer neuen Langflow-Version ein neueres Image herunter und starten Sie den Container neu.
• Persistente Speicherung – Speichern Sie Workflows, Benutzer und Einstellungen in Volumes oder PostgreSQL.
• Skalierbare Konfiguration – Erweitern Sie die Einrichtung für den Produktivbetrieb um Datenbanken, Reverse-Proxys, Domains und SSL.

Verwenden Sie Docker, wenn Sie eine flexible Langflow-Installation benötigen, die sich einfach reproduzieren, aktualisieren und zwischen verschiedenen Umgebungen verschieben lässt. Eine vorkonfigurierte Docker-Vorlage ist die bessere Wahl, wenn Sie die manuelle Einrichtung überspringen und schneller mit der Erstellung von KI-Workflows beginnen möchten.

Was können Sie nach der Installation mit Langflow erstellen?

Nach der Installation von Langflow können Sie KI-Workflows erstellen, indem Sie Prompts, Large Language Models (LLMs), Datenquellen, APIs und Logikkomponenten auf einer visuellen Arbeitsfläche miteinander verbinden. Jeder Workflow legt fest, wie Daten in das System gelangen, wie das Modell sie verarbeitet und welche Ausgabe der Benutzer oder die Anwendung erhält.

Damit eignet sich Langflow zum Testen von KI-Konzepten, zum Erstellen interner Tools und zur Entwicklung produktivreifer KI-Anwendungen, ohne jede Integration von Grund auf programmieren zu müssen.

KI-Chatbots

Mit Langflow können Sie KI-Chatbots erstellen, die Benutzerfragen beantworten, Informationen erfassen oder Benutzer durch eine Aufgabe führen. Ein grundlegender Chatbot-Workflow umfasst üblicherweise eine Chat-Input-Komponente, eine Prompt-Vorlage, einen LLM-Anbieter, eine Memory-Komponente und eine Chat-Output-Komponente.

Sie können beispielsweise einen Kundenservice-Chatbot erstellen, der eine Frage entgegennimmt, über einen Prompt unternehmensspezifische Anweisungen ergänzt, die Anfrage an ein LLM sendet und anschließend eine strukturierte Antwort in der Chat-Oberfläche ausgibt.

RAG-Pipelines

Mit Langflow können Sie Retrieval-Augmented-Generation-Pipelines (RAG) erstellen, die Fragen anhand Ihrer eigenen Dokumente oder Wissensdatenbank beantworten. Ein RAG-Workflow verbindet üblicherweise Document Loader, Text Splitter, Embeddings, Vektordatenbanken, Retriever, Prompts und LLMs.

Sie können beispielsweise eine Produktdokumentation hochladen, in einer Vektordatenbank speichern und den Workflow relevante Passagen abrufen lassen, bevor eine Antwort generiert wird. Dadurch kann das Modell auf Grundlage Ihres eigenen Quellmaterials antworten, anstatt sich ausschließlich auf seine allgemeinen Trainingsdaten zu stützen.

Multi-Agenten-Workflows

Mit Langflow können Sie Multi-Agenten-Workflows erstellen, bei denen mehrere KI-Agenten unterschiedliche Teile einer Aufgabe übernehmen. Jeder Agent kann eine bestimmte Rolle, einen eigenen Prompt, eine individuelle Modellkonfiguration, Zugriff auf bestimmte Tools oder einen eigenen Entscheidungsschritt haben.

So kann beispielsweise ein Agent ein Thema recherchieren, ein anderer die Ergebnisse zusammenfassen und ein dritter die endgültige Ausgabe formatieren. Diese Struktur eignet sich für Workflows, die Planung, Validierung, Routing oder mehrstufiges Reasoning erfordern.

API-basierte KI-Anwendungen

Mit Langflow können Sie Workflows in API-basierte KI-Anwendungen umwandeln. Nachdem Sie einen Flow erstellt und getestet haben, können Sie ihn als Endpunkt bereitstellen und mit einer Website, App, Chatbot-Oberfläche, einem Automatisierungstool oder einem internen Dashboard verbinden.

Eine Webanwendung kann beispielsweise Benutzereingaben über eine API-Anfrage an einen Langflow-Workflow senden. Langflow verarbeitet die Eingabe anschließend mit den verbundenen Komponenten und sendet die generierte Antwort an die Anwendung zurück.

Interne Automatisierungstools

Langflow eignet sich auch für interne Automatisierungs-Workflows in Teams. Sie können KI-Modelle mit Geschäftsdaten, Prompts, APIs und bedingten Schritten verbinden, um wiederkehrende wissensbasierte Aufgaben zu automatisieren.

Ein Team kann beispielsweise einen Workflow erstellen, der Kundenfeedback zusammenfasst, Support-Tickets klassifiziert, E-Mail-Antworten entwirft oder wichtige Informationen aus hochgeladenen Dokumenten extrahiert. So können auch nicht technische Teams visuell Prototypen für KI-Automatisierungen erstellen, bevor daraus umfangreichere Anwendungen entstehen.

So aktualisieren Sie Langflow ohne Datenverlust

Sie können Langflow aktualisieren, ohne Daten zu verlieren, indem Sie den Anwendungscontainer von den Dateien und der Datenbank trennen, in denen Ihre Workflows gespeichert werden. Bei Docker bedeutet das, persistente Volumes für Langflow-Daten und eine PostgreSQL-Datenbank für Flows, Benutzer, Einstellungen und Anwendungsstatus zu verwenden.

Prüfen Sie vor einem Update von Langflow, ob Ihre aktuelle Konfiguration Docker-Volumes verwendet:

docker volume ls

Wenn Sie Langflow mit Docker Compose installiert haben, sollten Ihre Volumes in der Liste erscheinen. Für die zuvor in dieser Anleitung verwendete Konfiguration sind dies hauptsächlich:

langflow-data
langflow-postgres

Diese Volumes speichern die Langflow-Konfiguration und PostgreSQL-Daten außerhalb des Containers. Dadurch können Sie den Langflow-Container ersetzen, ohne Ihre Workflows zu löschen.

Wechseln Sie für ein Update mit Docker Compose zunächst in das Langflow-Projektverzeichnis:

cd langflow-docker

Laden Sie das aktuelle Langflow-Image herunter:

docker compose pull

Starten Sie den Stack neu:

docker compose up -d

Docker Compose erstellt den Anwendungscontainer mit dem neueren Image neu und bindet weiterhin dieselben Volumes ein. Öffnen Sie Langflow nach Abschluss des Updates im Browser und prüfen Sie, ob Ihre vorhandenen Flows, Benutzer und Einstellungen weiterhin verfügbar sind.

Wenn Langflow nach dem Update nicht geladen wird, können Sie außerdem die Containerprotokolle prüfen:

docker compose logs -f langflow

Bei Installationen mit einem einzelnen Container aktualisieren Sie Langflow, indem Sie den alten Container stoppen und entfernen und anschließend einen neuen Container mit demselben eingebundenen Volume starten:

docker stop langflow
docker rm langflow
docker pull langflowai/langflow:latest
docker run -d \
--name langflow \
-p 7860:7860 \
-v langflow-data:/app/langflow \
langflowai/langflow:latest

Entfernen Sie während des Update-Vorgangs keine Docker-Volumes. Befehle wie docker volume rm, docker compose down -v oder docker system prune --volumes können bei falscher Verwendung persistente Langflow-Daten löschen.

Erstellen Sie für sicherere Updates eine Sicherung, bevor Sie ein neues Image herunterladen. Wenn Ihre Konfiguration PostgreSQL verwendet, sichern Sie zunächst die Datenbank:

docker exec langflow-postgres pg_dump -U langflow langflow > langflow-backup.sql

Aktualisieren Sie Langflow nach der Datenbanksicherung und testen Sie den visuellen Builder mit einem vorhandenen Workflow. Damit stellen Sie sicher, dass die neue Container-Version weiterhin auf Ihre gespeicherten Flows und den Anwendungsstatus zugreifen kann.

Häufige Probleme beim Einrichten von Langflow mit Docker

Die meisten Probleme mit Langflow und Docker entstehen durch blockierte Ports, fehlende Volumes, fehlerhafte Umgebungsvariablen oder Probleme mit der Datenbankverbindung. Beginnen Sie die Fehlerbehebung mit dem Containerstatus und den Protokollen. Prüfen Sie anschließend Netzwerk, Speicher und Zugangsdaten.

Der Langflow-Container wird nicht ausgeführt

Der Langflow-Container kann unerwartet stoppen, wenn das Image nicht gestartet werden kann, der Port bereits belegt ist oder die Datenbankverbindung falsch konfiguriert wurde.

Prüfen Sie den Containerstatus:

docker ps -a

Wenn Sie Docker Compose verwenden, führen Sie folgenden Befehl aus:

docker compose ps

Prüfen Sie anschließend die Protokolle:

docker logs langflow

Bei Docker Compose:

docker compose logs -f langflow

Suchen Sie nach Fehlern im Zusammenhang mit fehlenden Umgebungsvariablen, nicht erreichbaren Datenbankhosts, Berechtigungsproblemen oder Portkonflikten. Beheben Sie das gemeldete Problem und starten Sie Langflow anschließend neu:

docker restart langflow

Bei Docker Compose:

docker compose restart

Port 7860 wird bereits verwendet

Langflow verwendet standardmäßig Port 7860. Wenn ein anderer Dienst diesen Port bereits verwendet, kann Docker Langflow nicht daran binden.

Prüfen Sie, welcher Prozess den Port verwendet:

sudo lsof -i :7860

Sie können entweder den Dienst stoppen, der den Port belegt, oder Langflow einem anderen Host-Port zuordnen. Der folgende Befehl behält beispielsweise Port 7860 im Container bei, stellt Langflow auf Ihrem Server jedoch über Port 8080 bereit:

docker run -d \
--name langflow \
-p 8080:7860 \
langflowai/langflow:latest

Öffnen Sie Langflow anschließend unter:

http://your-server-ip:8080

Ändern Sie bei Docker Compose den Wert unter ports:

ports:
  - "8080:7860"

Speichern Sie die Datei und starten Sie den Stack neu:

docker compose up -d

Die Langflow-Oberfläche lässt sich im Browser nicht öffnen

Langflow kann ordnungsgemäß ausgeführt werden, obwohl die Oberfläche im Browser nicht erreichbar ist. Das passiert üblicherweise, wenn die VPS-Firewall, eine Cloud-Firewall oder Netzwerkregeln des Servers den freigegebenen Port blockieren.

Prüfen Sie zunächst, ob der Container ausgeführt wird:

docker ps

Prüfen Sie anschließend, ob Docker den erwarteten Port freigibt:

docker port langflow

Wenn Sie UFW verwenden, erlauben Sie Datenverkehr für Langflow:

sudo ufw allow 7860/tcp
sudo ufw reload

Öffnen Sie anschließend:

http://your-server-ip:7860

Falls die Seite weiterhin nicht geladen wird, prüfen Sie, ob Ihr VPS-Anbieter über eine separate Firewall-Verwaltung verfügt. Der Server muss eingehenden TCP-Datenverkehr über den Port zulassen, den Sie Langflow zugeordnet haben.

Langflow-Daten verschwinden nach einem Neustart

Langflow-Daten können verloren gehen, wenn der Container Flows und Einstellungen ausschließlich im eigenen Dateisystem speichert. Container sind kurzlebig. Daher sollten Sie Daten in Docker-Volumes oder einer externen Datenbank speichern.

Prüfen Sie, ob Ihre Konfiguration Volumes verwendet:

docker inspect langflow

Binden Sie bei einer Konfiguration mit einem einzelnen Container ein benanntes Volume ein:

docker run -d \
--name langflow \
-p 7860:7860 \
-v langflow-data:/app/langflow \
langflowai/langflow:latest

Definieren Sie bei Docker Compose persistente Volumes für Langflow und PostgreSQL:

volumes:
  - langflow-data:/app/langflow

und:

volumes:
  - langflow-postgres:/var/lib/postgresql/data

Verwenden Sie für langfristige Projekte Docker Compose mit PostgreSQL. Dadurch bleiben Workflows, Benutzer, Einstellungen und Anwendungsstatus außerhalb des Langflow-Anwendungscontainers gespeichert.

Die PostgreSQL-Verbindung schlägt fehl

Langflow kann keine Verbindung zu PostgreSQL herstellen, wenn Datenbank-URL, Benutzername, Passwort, Datenbankname oder Hostname des Dienstes falsch sind.

Bei Docker Compose sollte der Datenbank-Hostname dem Namen des PostgreSQL-Dienstes entsprechen. Wenn der Dienst beispielsweise postgres heißt, muss die Datenbank-URL postgres als Host verwenden:

LANGFLOW_DATABASE_URL=postgresql://langflow:strong-password@postgres:5432/langflow

Prüfen Sie, ob der PostgreSQL-Container ausgeführt wird:

docker compose ps postgres

Prüfen Sie anschließend die Protokolle:

docker compose logs -f postgres

Wenn Sie das Datenbankpasswort geändert haben, nachdem das Volume bereits erstellt wurde, verwendet PostgreSQL möglicherweise weiterhin die ursprünglichen, im Volume gespeicherten Zugangsdaten. Passen Sie in diesem Fall die Langflow-Datenbank-URL an die vorhandenen Zugangsdaten der Datenbank an. Alternativ können Sie ein neues Datenbank-Volume erstellen, jedoch erst, nachdem Sie alle benötigten Daten gesichert haben.

API-Schlüssel funktionieren in Langflow nicht

Langflow-Workflows benötigen gültige Zugangsdaten des jeweiligen Anbieters, um externe Modelldienste wie OpenAI, Anthropic oder Google Gemini aufzurufen. Wenn ein Workflow bei einer Modellkomponente fehlschlägt, liegt das üblicherweise an einem ungültigen API-Schlüssel, einer fehlenden Anbieterkonfiguration oder eingeschränktem Kontozugriff.

Öffnen Sie die fehlerhafte Komponente in Langflow und prüfen Sie, ob der richtige API-Schlüssel hinterlegt ist. Wenn Sie Zugangsdaten lieber über Docker Compose bereitstellen möchten, fügen Sie sie als Umgebungsvariablen hinzu:

environment:
  OPENAI_API_KEY=your-openai-api-key

Starten Sie anschließend den Stack neu:

docker compose up -d

Speichern Sie API-Schlüssel für Produktivumgebungen nicht fest codiert in Dateien, die öffentlich geteilt oder in einem frei zugänglichen Repository gespeichert werden.

Änderungen an Docker Compose werden nicht übernommen

Docker Compose erstellt Container nach kleineren Änderungen an der Konfiguration nicht immer neu. Wenn Sie Ports, Umgebungsvariablen oder Volumes geändert haben, erstellen Sie den Stack neu:

docker compose up -d --force-recreate

Wenn Sie die Image-Version geändert haben, laden Sie zunächst das Image herunter:

docker compose pull
docker compose up -d

Verwenden Sie docker compose down -v nur, wenn Sie die zugehörigen Volumes bewusst entfernen möchten. Die Option -v löscht Volume-Daten und kann gespeicherte Langflow-Workflows oder PostgreSQL-Daten entfernen.

Nächste Schritte nach der Bereitstellung von Langflow

Beginnen Sie nach der Bereitstellung von Langflow mit einem einfachen Workflow, bevor Sie eine vollständige KI-Anwendung erstellen. Mit einem kleinen Test-Flow können Sie prüfen, ob der Docker-Container, der Modellanbieter, die API-Schlüssel und die Langflow-Oberfläche ordnungsgemäß funktionieren.

Erstellen Sie zunächst einen einfachen Chatbot-Workflow. Fügen Sie eine Chat-Input-Komponente, einen Prompt, eine LLM-Komponente und eine Chat-Output-Komponente hinzu. Verbinden Sie anschließend die Komponenten auf der Arbeitsfläche und senden Sie eine Testnachricht. Damit überprüfen Sie, ob Langflow Benutzereingaben empfangen, mit dem ausgewählten Modell verarbeiten und eine Antwort ausgeben kann.

Erweitern Sie den Workflow anschließend um eigene Anweisungen und Daten. Sie können beispielsweise einen System-Prompt hinzufügen, um den Ton des Chatbots festzulegen, einen Document Loader für die Verarbeitung von Dateien anbinden oder eine Vektordatenbank hinzufügen, um eine Retrieval-Augmented-Generation-Pipeline (RAG) zu erstellen. So wird aus dem grundlegenden Chatbot ein Workflow, der Fragen anhand Ihrer eigenen Wissensdatenbank beantworten kann.

Testen Sie den Workflow anschließend mit unterschiedlichen Eingaben. Prüfen Sie, ob das Modell korrekte Antworten liefert, den Prompt befolgt und mit unklaren Fragen angemessen umgeht. Wenn die Ausgabe inkonsistent ist, passen Sie den Prompt an, stellen Sie zusätzlichen Kontext bereit oder ändern Sie die Modelleinstellungen.

Sichern Sie die Bereitstellung für den Produktivbetrieb ab, bevor Sie sie für Benutzer freigeben. Verbinden Sie Langflow mit einer Domain, richten Sie HTTPS ein, beschränken Sie den Zugriff auf die Langflow-Oberfläche und speichern Sie API-Schlüssel sicher. Wenn Sie Langflow auf einem VPS bereitgestellt haben, halten Sie Docker, Langflow und PostgreSQL auf dem aktuellen Stand, um Sicherheitsrisiken und Kompatibilitätsprobleme zu reduzieren.

Sobald der Workflow stabil funktioniert, stellen Sie ihn als API-Endpunkt bereit und verbinden Sie ihn mit Ihrer Anwendung, Website, Chatbot-Oberfläche oder Ihrem internen Automatisierungstool. Andere Systeme können dann Anfragen an Langflow senden und KI-generierte Antworten aus dem visuell erstellten Workflow empfangen.

Wenn Sie den Docker-Stack nicht manuell verwalten möchten, können Sie für eine schnellere Einrichtung die Langflow-VPS-Docker-Vorlage von Hostinger verwenden. Sie stellt eine vorkonfigurierte Langflow-Umgebung mit Docker und PostgreSQL bereit, sodass Sie sich auf die Erstellung visueller KI-Workflows statt auf die Verwaltung der Containerkonfiguration konzentrieren können.

Dieser Artikel ist eine lokalisierte Version von How to build AI workflows visually with Langflow and Docker, der ursprünglich in englischer Sprache veröffentlicht wurde.

Alle Tutorial-Inhalte auf dieser Website unterliegen Hostingers strengen redaktionellen Standards und Normen.

Erstellt von

Vera P.

Add Hostinger as a preferred source on Google

Vera ist eine erfahrene Lokalisierungs-Spezialistin bei Hostinger und optimiert erfolgreich Inhalte für globale Zielgruppen. Dank ihres umfassenden SEO-Wissens sorgt sie dafür, dass Hostingers Webhosting-Dienste für ein breites Publikum sichtbar, zugänglich und attraktiv sind. Mit Kreativität und Präzision überwindet sie Sprachbarrieren in ihren Projekten und trägt so dazu bei, Hostingers Reichweite zu vergrößern und Kunden weltweit ein nahtloses Erlebnis zu bieten.

Mehr von Vera P.