教程：做一个向量 RAG 聊天机器人
这个教程带你在 Langflow 里搭一个检索增强生成（RAG）聊天机器人：把数据以向量存进数据库，再基于这些数据回答问题。
- 已安装并启动 Langflow。
- 生成 Langflow API key。
- 拿到 OpenAI API key。
- 理解向量检索、向量数据库与 RAG 的基本概念。
创建 Vector RAG Flow
Section titled “创建 Vector RAG Flow”点 New Flow，选择 Vector Store RAG 模板。模板包含两条子流程：
- Load Data Flow：读取本地文件、切分成块、对块做嵌入并索引进向量数据库。只在需要加载新数据时运行。
- Retriever Flow：接收聊天输入、做嵌入、检索相似的历史块，再用 LLM 生成回答。
把你的 OpenAI API key 填进两个 OpenAI Embeddings 组件。（可选）把默认的 Astra DB 向量库换成 Chroma DB 或其它。
两条子流程大致包含的组件：
| Load Data Flow | Retriever Flow |
|---|---|
| Read File、Split Text、Embedding Model、Vector Store、Chat Output | Chat Input、Embedding Model、Vector Store、Parser、Prompt、Language Model、Chat Output |
加载数据并生成嵌入
Section titled “加载数据并生成嵌入”有两种方式：可视化编辑器适合「同一个用户既搭建又加载」；API 适合多用户或程序化场景。
可视化编辑器
- 点 Read File 组件，选择本地文件并确认。
- 点向量库组件，选择 Run component，处理依赖并写入数据。
API（Node 18+）
先 POST /v2/files/ 上传文件（返回一个 path），再对 POST /v1/run/{FLOW_ID} 带上指向该 path 的 tweaks。服务端会完成切分、嵌入与存储。
import fs from 'fs/promises';
const fileBuffer = await fs.readFile('FILE_NAME');const data = new FormData();data.append('file', new Blob([fileBuffer]), 'FILE_NAME');const headers = { 'x-api-key': 'LANGFLOW_API_KEY' };
const uploadRes = await fetch('LANGFLOW_SERVER/api/v2/files/', { method: 'POST', headers, body: data,});const { path: uploadedPath } = await uploadRes.json();
const payload = { input_value: 'Analyze this file', output_type: 'chat', input_type: 'text', tweaks: { FILE_COMPONENT_NAME: { path: uploadedPath } },};const runRes = await fetch('LANGFLOW_SERVER/api/v1/run/FLOW_ID', { method: 'POST', headers: { 'Content-Type': 'application/json', 'x-api-key': 'LANGFLOW_API_KEY' }, body: JSON.stringify(payload),});在 JavaScript 应用里聊天
Section titled “在 JavaScript 应用里聊天”需要的值：LANGFLOW_SERVER_ADDRESS（默认 127.0.0.1:7860）、FLOW_ID（UUID 或自定义端点名）、LANGFLOW_API_KEY。用官方 JS 客户端：
const { LangflowClient } = require('@datastax/langflow-client');const client = new LangflowClient({ baseUrl: SERVER, apiKey: API_KEY });
async function sendMessage(message) { const response = await client.flow(FLOW_ID).run(message, { session_id: 'user_1' }); return response.chatOutputText() || 'No response';}脚本用 chat 输入/输出类型在多轮之间保持上下文，chatOutputText() 帮你从嵌套 JSON 里取出回复文本。