Для владельцев интернет-магазинов и клиентских сервисов внедрение искусственного интеллекта перестало быть экспериментом: это способ сократить расходы на ночную поддержку, поднять конверсию брошенных корзин и разгрузить менеджеров от рутинных консультаций по каталогу. Однако классическая разработка RAG-систем на Python с LangChain требует узких инженерных компетенций, а облачные конструкторы (Botpress, Coze, Chatra) создают болезненные зависимости от зарубежных подписок, блокируют доступ по IP и ставят под удар конфиденциальность данных покупателей в рамках 152-ФЗ.
Решением становится Langflow — ведущий открытый визуальный фреймворк для оркестрации ИИ-агентов. Наряду с проектом Flowise, он составляет ядро современного self-hosted стека для визуального прототипирования, тестирования и запуска RAG-пайплайнов. В этом руководстве инженеры редакции SysKit покажут, как развернуть Langflow на надежном российском VDS в Docker Compose с базой данных PostgreSQL 17, настроить безопасный обратный прокси Nginx с поддержкой WebSocket-стриминга, подключить экономичную модель DeepSeek и собрать боевой RAG-пайплайн для интернет-магазина.
В отличие от облачных сервисов, где оплата списывается за каждый сеанс диалога или каждую сессию с наценкой за рабочее место оператора, Langflow работает полностью автономно на вашем сервере. Вы платите только фиксированную стоимость аренды VDS (от ~500–700 руб./мес) и подключаете любые удобные нейросети: прямой API DeepSeek-V3/R1, локальную Ollama или корпоративные шлюзы через LiteLLM Proxy.
1. Зачем интернет-магазину свой визуальный конструктор ИИ-агентов
В типовом интернет-магазине от 30% до 55% обращений в чат поддержки носят повторяющийся характер. Клиенты задают три категории вопросов:
- Подбор товаров и проверка совместимости: «Какой фильтр подойдет для аквариума на 120 литров?», «Есть ли у вас зимняя резина 205/55 R16 с шипами до 7 000 руб. за колесо?». Обычный поиск по сайту выдает десятки нерелевантных страниц, а кнопочный чат-бот не понимает контекста.
- Статус заказа и трекинг доставки: «Где посылка №78421?», «Когда приедет курьер в Екатеринбург?».
- Условия гарантии, возврата и регламенты: правила приема брака, сроки возврата денежных средств, адреса пунктов выдачи заказов.
По рыночным оценкам сменного графика операторов первой линии (2/2 с учетом налогов), ночная смена обходится магазину в 60 000 – 120 000 рублей в месяц. Пропуск же ночных сообщений приводит к немедленному уходу покупателя к конкурентам. Визуальный граф Langflow позволяет построить логику консультанта как цепочку блоков (блочный конструктор Lego):
- Векторный поиск (RAG): бот читает выгрузку каталога товаров (CSV, JSON или YML-фид) и отвечает строго по характеристикам из вашей базы, не придумывая несуществующих скидок или товаров.
- Вызов внешних инструментов (Function Calling / Tools): агент может по API проверить статус заказа в CMS (1C-Битрикс, WooCommerce, МойСклад) или запросить трек-номер в СДЭК.
- Фильтрация и передача менеджеру: если клиент выражает явное намерение купить дорогой товар или жалуется на конфликтную ситуацию, агент квалифицирует лид и отправляет уведомление в Telegram-группу менеджеров.
2. Архитектура Langflow 1.x: FastAPI, React и PostgreSQL 17
Langflow спроектирован по модульному принципу и разделен на несколько независимых уровней:
| Компонент | Стек / Технология | Назначение в продакшене |
|---|---|---|
| Frontend UI | React, TypeScript, TailwindCSS | Интерактивный холст для сборки мультиагентных графов, настройки промптов, тестирования чата и генерации API-ключей. |
| Backend API | Python 3.11+, FastAPI, Uvicorn | Исполнение пайплайнов, валидация типов узлов, асинхронное проксирование запросов к LLM и потоковая отдача токенов через WebSocket. |
| База данных | PostgreSQL 17-alpine (рекомендуется) | Надежное хранение пользователей, ролей, сохраненных графов (flows), истории сообщений и зашифрованных API-ключей. |
| Кэш и воркеры | In-Memory LRU-кэш / Redis (для кластеров) | Кэширование промежуточных выходов компонентов графа и сессий для исключения повторных платных вызовов LLM. |
По умолчанию Langflow может запускаться с локальной базой данных SQLite. Однако для продакшена и круглосуточного интернет-магазина использование SQLite категорически не рекомендуется: при одновременных обращениях покупателей файл базы блокируется (database is locked), что приводит к сбоям сохранения сессий диалогов. В нашей боевой сборке используется PostgreSQL 17 в отдельном изолированном контейнере.
3. Системные требования к VDS и выбор тарифа под нагрузку
Требования к серверу зависят от выбранного способа инференса нейросетей — используете ли вы облачные API или локальные модели:
| Сценарий работы | Минимум CPU | RAM | Диск NVMe | Ориентировочная стоимость VDS |
|---|---|---|---|---|
| Облачные API (DeepSeek / OpenAI) + каталог до 10 000 SKU | 2 vCPU | 4 ГБ RAM | 40–50 ГБ NVMe | ~500 – 800 ₽/мес |
| Высокая нагрузка + векторная база Qdrant + вебхуки CMS | 4 vCPU | 8 ГБ RAM | 80 ГБ NVMe | ~1 200 – 1 800 ₽/мес |
| Локальная Ollama (Qwen 2.5 / Llama 3 8B Q4) на CPU | 6–8 vCPU | 16 ГБ RAM | 120 ГБ NVMe | ~2 500 – 3 500 ₽/мес |
Для подавляющего большинства интернет-магазинов оптимален первый вариант: VDS с 2–4 vCPU и 4 ГБ оперативной памяти на скоростных NVMe-дисках. Сам Langflow и PostgreSQL потребляют в режиме ожидания около 800–1200 МБ RAM, оставляя достаточный запас оперативной памяти для системного дискового кэша и обратного прокси Nginx.
4. Подготовка окружения и криптостойкая генерация ключей
Развертывание выполняется на чистом сервере под управлением Ubuntu 24.04 LTS. Первым шагом создаем изолированную директорию проекта и файл переменных окружения:
sudo mkdir -p /opt/langflow/{data,postgres_data}
cd /opt/langflow
sudo chmod 700 /opt/langflow/data /opt/langflow/postgres_data
В продакшене критически важно обеспечить безопасность: Langflow сохраняет в базе данных токены доступа к нейросетям (API-ключи DeepSeek, OpenAI) и пароли к внешним сервисам. Для их шифрования на диске используется симметричный мастер-ключ LANGFLOW_SECRET_KEY.
Сгенерируйте надежные криптографические ключи и пароли с помощью команды openssl rand -hex 32 или воспользуйтесь онлайн-инструментом генератор криптостойких паролей SysKit.
Создайте конфигурационный файл /opt/langflow/.env:
# База данных PostgreSQL 17
POSTGRES_USER=langflow_app
POSTGRES_PASSWORD=СгенерируйтеСложныйПарольБД_12345
POSTGRES_DB=langflow_prod
# Мастер-ключ шифрования сохраненных API-ключей и учетных записей
LANGFLOW_SECRET_KEY=Сгенерируйте_Ключ_openssl_rand_hex_32
# Учетные данные суперпользователя Langflow
LANGFLOW_SUPERUSER=admin@company.ru
LANGFLOW_SUPERUSER_PASSWORD=СгенерируйтеСложныйПарольАдмина_ABC123
# Безопасность учетных записей
LANGFLOW_AUTO_LOGIN=false
LANGFLOW_NEW_USER_IS_ACTIVE=false
LANGFLOW_OPEN_SAVED_FLOW_ON_STARTUP=false
# Настройки сети
LANGFLOW_HOST=127.0.0.1
LANGFLOW_PORT=7860
Параметр LANGFLOW_NEW_USER_IS_ACTIVE=false гарантирует, что если злоумышленник обнаружит форму логина и попытается зарегистрироваться, его учетная запись останется неактивной и не получит доступа к вашим пайплайнам и API-ключам без явного подтверждения администратором.
5. Боевой манифест Docker Compose с изоляцией портов
Создайте файл манифеста /opt/langflow/docker-compose.yml. Обратите внимание на директиву 127.0.0.1:7860:7860: сервис слушает строго на интерфейсе локальной петли (loopback) и недоступен напрямую из интернета в обход системного фаервола:
services:
langflow-db:
image: postgres:17-alpine
container_name: langflow-db
restart: unless-stopped
mem_limit: 1024m
cpus: 1.5
environment:
POSTGRES_USER: ${POSTGRES_USER}
POSTGRES_PASSWORD: ${POSTGRES_PASSWORD}
POSTGRES_DB: ${POSTGRES_DB}
volumes:
- ./postgres_data:/var/lib/postgresql/data
networks:
- langflow-internal
healthcheck:
test: ["CMD-SHELL", "pg_isready -U ${POSTGRES_USER} -d ${POSTGRES_DB}"]
interval: 10s
timeout: 5s
retries: 5
start_period: 10s
langflow:
image: langflowai/langflow:latest
container_name: langflow-app
restart: unless-stopped
mem_limit: 2048m
cpus: 2.0
depends_on:
langflow-db:
condition: service_healthy
ports:
# Проброс строго на локальный интерфейс (защита от сканеров портов)
- "127.0.0.1:7860:7860"
environment:
- LANGFLOW_DATABASE_URL=postgresql://${POSTGRES_USER}:${POSTGRES_PASSWORD}@langflow-db:5432/${POSTGRES_DB}
- LANGFLOW_AUTO_LOGIN=${LANGFLOW_AUTO_LOGIN}
- LANGFLOW_SUPERUSER=${LANGFLOW_SUPERUSER}
- LANGFLOW_SUPERUSER_PASSWORD=${LANGFLOW_SUPERUSER_PASSWORD}
- LANGFLOW_SECRET_KEY=${LANGFLOW_SECRET_KEY}
- LANGFLOW_NEW_USER_IS_ACTIVE=${LANGFLOW_NEW_USER_IS_ACTIVE}
- LANGFLOW_OPEN_SAVED_FLOW_ON_STARTUP=false
volumes:
- ./data:/root/.langflow
networks:
- langflow-internal
networks:
langflow-internal:
name: langflow-internal
driver: bridge
Запустите контейнеры командой:
docker compose up -d
docker compose ps
Проверьте, что порт базы данных 5432 и веб-порт 7860 закрыты от прямого сканирования извне с помощью онлайн-чекера портов SysKit. Если статус закрыт — сервер защищен корректно.
6. Настройка Nginx с поддержкой WebSocket-стриминга и SSL
Интерфейс Langflow передает сгенерированные нейросетью токены пользователю в потоковом режиме (Streaming Response) через постоянное соединение WebSocket. Если Nginx настроен без поддержки заголовков Upgrade, чат будет подвисать до полной генерации ответа или обрываться по таймауту.
Установите Nginx и утилиту Certbot:
sudo apt update && sudo apt install -y nginx certbot python3-certbot-nginx
Создайте конфигурационный файл виртуального хоста /etc/nginx/sites-available/ai.example.ru.conf (замените ai.example.ru на ваш реальный поддомен):
server {
listen 80;
server_name ai.example.ru;
# Максимальный размер загружаемого прайса или файла базы знаний
client_max_body_size 50M;
location / {
proxy_pass http://127.0.0.1:7860;
proxy_http_version 1.1;
# Критические заголовки для WebSocket и SSE-стриминга токенов
proxy_set_header Upgrade $http_upgrade;
proxy_set_header Connection "upgrade";
proxy_set_header Host $host;
proxy_set_header X-Real-IP $remote_addr;
proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
proxy_set_header X-Forwarded-Proto $scheme;
# Отключение буферизации для мгновенного появления текста в чате
proxy_buffering off;
proxy_cache off;
# Увеличенные таймауты для тяжелых RAG-запросов и генерации
proxy_read_timeout 300s;
proxy_connect_timeout 60s;
proxy_send_timeout 300s;
}
}
Активируйте виртуальный хост и выпустите бесплатный SSL-сертификат Let's Encrypt:
sudo ln -s /etc/nginx/sites-available/ai.example.ru.conf /etc/nginx/sites-enabled/
sudo nginx -t && sudo systemctl reload nginx
sudo certbot --nginx -d ai.example.ru --non-interactive --agree-tos --redirect -m admin@example.ru
После установки проверьте статус шифрования через SSL-чекер SysKit: протоколы TLS 1.2/1.3 и автопродление сертификата должны быть активны.
Рекомендуемые VDS-провайдеры
Отказоустойчивые сервера с быстрыми NVMe и каналом до 1 Гбит/с
Timeweb Cloud — Быстрые NVMe VDS
Высокочастотные процессоры 3.3+ ГГц и скоростные NVMe-накопители обеспечивают быстрый векторный поиск и мгновенную отдачу токенов в чат покупателю.
Selectel — Корпоративная инфраструктура Tier III
Максимальная надежность с гарантированным SLA 99.98% и защитой от DDoS-атак. Идеально для интернет-магазинов с высокими требованиями к 152-ФЗ.
Beget — Простота настройки и мгновенный старт
Удобная панель управления сервером с быстрым развертыванием Docker и возможностью масштабирования оперативной памяти в 1 клик без простоя сайта.
7. Первоначальный вход и настройка безопасности
Откройте в браузере адрес вашего сервиса: https://ai.example.ru. Вас встретит защищенная форма авторизации. Введите учетные данные суперпользователя, указанные ранее в .env (логин admin@company.ru и сгенерированный пароль):
Для подключения виджета на сайт или интеграции с бэкендом магазина перейдите в правый верхний угол: Settings → Langflow API → Add New Key. Созданный ключ сохраните в надежном месте: именно он будет передаваться во внешних запросах к вашему API.
8. Сборка RAG-пайплайна для интернет-магазина
RAG (Retrieval-Augmented Generation) позволяет языковой модели отвечать покупателям строго на основе реального ассортимента вашего склада, исключая галлюцинации и выдуманные цены. В Langflow граф консультанта собирается за 10–15 минут без единой строчки Python-кода.
Нажмите New Flow и выберите шаблон Vector Store RAG или соберите схему на чистом холсте из следующих ключевых узлов:
| Узел в Langflow | Категория блока | Настройка параметров | Роль в интернет-магазине |
|---|---|---|---|
| File / CSV Loader | Data | Путь к файлу каталога catalog.csv (колонки: Артикул, Название, Категория, Цена, Наличие, Описание) |
Чтение актуальной выгрузки товаров из складской программы (1С / МойСклад). |
| Recursive Character Text Splitter | Processing | chunk_size: 800, chunk_overlap: 100 |
Разбиение объемного описания товаров на компактные семантические фрагменты. |
| Text Embeddings | Embeddings | Локальный BGE-M3 (рекомендуется для 152-ФЗ) / GigaChat / OpenAI | Преобразование описаний товаров в векторы. Для полной изоляции данных в РФ используйте BGE-M3 (FastEmbed); внешние API OpenAI требуют передачи данных за рубеж. |
| Vector Store (Chroma / Memory) | Vector Stores | Коллекция: ecommerce_catalog |
Хранилище векторов. При вопросе покупателя находит 3–5 наиболее похожих товаров. |
| Language Model (DeepSeek / OpenAI) | Models | Базовый URL: https://api.deepseek.com/v1, модель: deepseek-chat, temperature: 0.2 |
Экономичный и умный генератор ответа. Низкая температура исключает фантазии. |
| Chat Output | Outputs | Потоковая передача (Stream) | Возврат готового ответа в чат покупателю в реальном времени. |
В узле Prompt задайте строгую инструкцию для модели, исключающую вольные трактовки:
Ты — вежливый и профессиональный консультант интернет-магазина.
Твоя цель: помочь клиенту подобрать подходящий товар из предоставленного каталога.
ПРАВИЛА ОТВЕТА:
1. Используй ТОЛЬКО факты, характеристики и цены из переданного контекста каталога.
2. Если нужного товара нет в контексте, вежливо скажи: «К сожалению, этой модели сейчас нет на складе, но я могу предложить похожие аналоги». Никогда не придумывай товары или цены!
3. В ответе всегда указывай: точное название модели, артикул, актуальную цену и краткое преимущество под задачу клиента.
4. В конце ответа предложи оформить заказ или задать уточняющий вопрос.
КОНТЕКСТ КАТАЛОГА:
{context}
ВОПРОС ПОКУПАТЕЛЯ:
{question}
Сохраните поток (кнопка Save) и протестируйте диалог во встроенной панели Playground справа. Попробуйте задать нетривиальный вопрос, например: «Посоветуйте беспроводные наушники для бега с защитой от влаги до 5 000 рублей». Модель мгновенно извлечет подходящие позиции из базы и сформулирует аргументированный ответ.
9. Встраивание чат-виджета на сайт и безопасность API
Одной из сильнейших сторон Langflow является готовый встраиваемый виджет (Langflow Embedded Chat). Вам не нужно писать собственный интерфейс чата с нуля: виджет внедряется в HTML-код интернет-магазина (WooCommerce, 1С-Битрикс, OpenCart, Tilda) в виде компактного веб-компонента.
В официальной документации виджета часто приводится пример с атрибутом api_key="..." прямо в теге <langflow-chat>. Никогда не используйте основной API-ключ в открытом коде публичного сайта! Любой посетитель витрины может открыть исходный код страницы или вкладку Network в браузере, скопировать ваш токен и полностью исчерпать баланс DeepSeek либо получить доступ к чтению других ваших графов.
Для коммерческих интернет-магазинов инженеры SysKit рекомендуют два проверенных безопасных сценария:
Сценарий А: Прямое подключение виджета с изолированным публичным ключом
Если вы подключаете виджет напрямую, выпустите в Langflow (Settings → Langflow API) отдельный ключ с ограниченными правами строго на запуск данного Flow. Актуальная сборка виджета загружается через CDN jsDelivr по проверенному стабильному пути релиза v1.0.8:
<!-- Подключение актуальной стабильной версии веб-компонента Langflow Chat v1.0.8 -->
<script src="https://cdn.jsdelivr.net/gh/langflow-ai/langflow-embedded-chat@v1.0.8/dist/build/static/js/bundle.min.js"></script>
<langflow-chat
flow_id="YOUR_FLOW_ID_HERE"
host_url="https://ai.example.ru"
api_key="sk-langflow-restricted-public-key"
chat_title="Консультант магазина"
chat_description="Помогу подобрать товар и отвечу на вопросы"
placeholder="Напишите, что вы ищете..."
bot_message="Здравствуйте! Я помогу выбрать товар из каталога или проверить статус заказа. О чем вам рассказать?"
online_status="true"
></langflow-chat>
При прямом подключении обязательно включите лимитирование частоты запросов в Nginx для защиты от спам-ботов, добавив в /etc/nginx/sites-available/ai.example.ru.conf директиву limit_req zone=langflow_limit burst=10 nodelay;.
Сценарий Б (Best Practice): Бэкенд-проксирование через CMS
Самое надежное архитектурное решение для production — проксирование запросов через собственный серверный эндпоинт интернет-магазина (например, /api/ai-assistant в PHP, Node.js или Python). В этом случае:
- Секретный API-ключ Langflow хранится исключительно на сервере в
.envбэкенда и никогда не попадает в браузер клиентов. - Бэкенд магазина проверяет сессию авторизованного покупателя, капчу или токен CSRF перед отправкой запроса в Langflow.
- Сервер магазина делает POST-запрос к эндпоинту
https://ai.example.ru/api/v1/run/{flow_id}и транслирует ответ обратно в интерфейс чата.
10. Резервное копирование базы данных и регламент обновлений
Для обеспечения непрерывности бизнес-процессов критически важно регулярно создавать резервные копии базы данных PostgreSQL 17 и директории /opt/langflow/data, где хранятся скомпилированные графы, файлы коллекций и ключи шифрования.
Создайте автоматический скрипт резервного копирования /opt/langflow/backup.sh:
#!/usr/bin/env bash
set -eo pipefail
BACKUP_DIR="/var/backups/langflow"
DATE=$(date +%Y%m%d_%H%M%S)
mkdir -p "${BACKUP_DIR}"
echo "[INFO] Создание дампа PostgreSQL 17..."
docker exec langflow-db pg_dump -U langflow_app -d langflow_prod -F c -b -v -f "/tmp/langflow_db_${DATE}.dump"
docker cp "langflow-db:/tmp/langflow_db_${DATE}.dump" "${BACKUP_DIR}/"
docker exec langflow-db rm "/tmp/langflow_db_${DATE}.dump"
echo "[INFO] Архивирование конфигураций и графов..."
tar -czf "${BACKUP_DIR}/langflow_data_${DATE}.tar.gz" -C /opt/langflow data .env
# Установка строгих прав доступа для защиты паролей и секретных ключей
chmod 600 "${BACKUP_DIR}/langflow_db_${DATE}.dump" "${BACKUP_DIR}/langflow_data_${DATE}.tar.gz"
# Опционально: асимметричное шифрование GPG перед выгрузкой в S3 (Selectel / Timeweb)
# gpg --batch --yes -e -r backup@example.ru "${BACKUP_DIR}/langflow_data_${DATE}.tar.gz"
# Удаление локальных копий старше 14 дней
find "${BACKUP_DIR}" -type f -mtime +14 -delete
echo "[OK] Резервное копирование успешно завершено: ${DATE}"
Сделайте скрипт исполняемым и добавьте его в системный планировщик cron для ежедневного запуска в 03:00 ночи:
chmod +x /opt/langflow/backup.sh
(crontab -l 2>/dev/null; echo "0 3 * * * /opt/langflow/backup.sh >> /var/log/langflow_backup.log 2>&1") | crontab -
Обновление стека контейнеров до актуальных версий выполняется стандартной последовательностью команд:
cd /opt/langflow
# Создаем контрольный бэкап перед обновлением
./backup.sh
# Загружаем свежие образы и перезапускаем сервис
docker compose pull
docker compose up -d --remove-orphans