ИИ и автоматизация 16 мин чтения 2026-10-31

Визуальный конструктор ИИ-агентов и RAG-цепочек Langflow на VDS: развертывание в Docker Compose для клиентской поддержки и интернет-магазина

Развертывание открытого визуального конструктора ИИ-агентов Langflow в Docker Compose с PostgreSQL 17: сборка RAG-консультанта по каталогу товаров, интеграция с DeepSeek и Ollama, встраиваемый чат-виджет и автоматизация поддержки интернет-магазина без зарубежных подписок.

Инженерная редакция SysKit Проверено инженерами SysKit.ru

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.

Контекст экосистемы: Langflow против закрытых облачных платформ

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:

  1. 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.
  2. Статус заказа и трекинг доставки: «Где посылка №78421?», «Когда приедет курьер в Екатеринбург?».
  3. 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:

bash — создание директории и подготовка прав
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:

/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
Критически важно: защита от свободной регистрации

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:

/opt/langflow/docker-compose.yml
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:

bash — запуск стека Langflow
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:

bash — установка Nginx и 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):

/etc/nginx/sites-available/ai.example.ru.conf
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:

bash — выпуск сертификата SSL
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

Выбор редакции
⚡

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.

Конфигурация
2 vCPU 3.3 ГГц • 4 ГБ RAM • 50 ГБ NVMe • Трафик без лимита
Корпоративный стандарт
🔷

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.

Конфигурация
2 vCPU • 4 ГБ RAM • 60 ГБ NVMe • 1 Гбит/с канал
Удобство для новичков
🟠

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.

Конфигурация
2 vCPU • 4 ГБ RAM • 40 ГБ NVMe • Регулярные бэкапы

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):

Создание API-ключей для интеграции

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:

System Prompt — Консультант интернет-магазина
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.

Критическая безопасность: почему нельзя вставлять мастер-ключ в открытый HTML

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:

HTML — проверенный сниппет виджета 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>
Защита от перегрузок и слива баланса через Nginx Rate Limiting

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 .env бэкенда 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:

/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:

bash — настройка cron
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:

bash — обновление Langflow
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

Вопросы и ответы (FAQ)

Популярные вопросы вебмастеров и сисадминов по данной теме

Чем Langflow отличается от облачных платформ вроде Botpress или Coze?
Главное отличие — полная автономность и экономическая предсказуемость. Облачные платформы взимают ежемесячную абонентскую плату ($30–100/мес) плюс наценку за каждую тысячу сообщений, а также требуют оплаты зарубежными картами. Langflow развертывается на вашем VDS, работает без ограничений по числу чатов и хранит данные клиентов строго на вашем сервере в соответствии с 152-ФЗ.
Какую модель выгоднее использовать для консультанта интернет-магазина: DeepSeek или OpenAI?
Для русскоязычных интернет-магазинов модель DeepSeek-V3 (через прямой API deepseek-chat) демонстрирует идеальный баланс: великолепное владение русской терминологией, точное следование правилам системного промпта и стоимость в 10–15 раз ниже, чем у GPT-4o. Расходы на API даже при тысячах диалогов в месяц обычно не превышают 200–400 рублей.
Почему при открытии чата через Nginx возникает ошибка WebSocket или обрывается стриминг токенов?
Это происходит, если в блоке location веб-сервера Nginx отсутствуют обязательные директивы proxy_set_header Upgrade $http_upgrade и proxy_set_header Connection "upgrade", либо включена буферизация proxy_buffering on. Для корректного WebSocket-соединения проксирование должно работать по протоколу HTTP/1.1 с отключенной буферизацией.
Как проверить, защищен ли веб-интерфейс Langflow и база данных от сканеров портов?
Воспользуйтесь бесплатным онлайн-инструментом SysKit «Сканер открытых портов» (/port-checker). Введите IP-адрес вашего VDS и проверьте порты 7860 и 5432. Если порты отображаются как «закрыт» или «filtered», значит привязка к 127.0.0.1 выполнена правильно и доступ возможен только через защищенный HTTPS-прокси Nginx.

Читайте также в блоге SysKit

Смежные руководства и полезные технические статьи