LLM Compass

简体中文

English

简体中文

English

主题

LangGraph ​

一句话：LangGraph 是 LangChain 团队 2024 年 1 月推出的低层有状态 agent 编排框架，用「图（节点 / 边 / 共享状态）」建模可循环、可持久化、可 human-in-the-loop 的工作流，约 3.4 万 star（GitHub 近似值），主语言 Python，核心库 MIT 许可证。

机构 LangChain（langchain-ai）/ 首发 2024 年 1 月 22 日 / 约 3.4 万 star（近似）/ 主语言 Python / 许可证 MIT（核心库 langgraph、langchain-core；但部署用的 langgraph-api Server 运行时为 Elastic License 2.0，生产部署需商业 key）。

定位与设计理念 ​

LangChain 早期的 Chain / AgentExecutor 抽象本质是「线性流水线」，难以表达三类真实 agent 需求：在「思考—调用工具—观察」之间循环、把执行过程暂停下来等人审批、以及崩溃后从断点恢复。LangGraph 的核心判断是：把 agent 工作流建模为有向图而非链——允许带环、显式管理「应用状态」、并能在任意节点暂停 / 恢复。

它刻意定位为低层（low-level）、可控框架，而非「一行代码出 agent」的高层封装。LangGraph 不替你决定 prompt 怎么写、agent 该有几步，而是提供一套确定性的运行时原语，让你精确控制控制流与状态流转。这与 CrewAI / AutoGen 这类「角色协作」抽象形成对比：后者关心「谁和谁对话」，LangGraph 关心「状态如何在图上演化」。

与 LangChain 的关系在 2025 年进一步明确：LangChain（高层 agent 接口）如今运行在 LangGraph 的持久化运行时之上，借此获得 checkpointing、rewind、human-in-the-loop 等能力。LangGraph 1.0 于 2025 年 10 月正式 GA，原先的 langgraph.prebuilt（如 ReAct agent）迁移到 langchain.agents——可以理解为：LangGraph 是底盘，LangChain 是上层易用 API。二者可独立使用，也可叠加。

核心抽象与用法 ​

LangGraph 的全部能力建立在四个概念上：State（共享状态）、Node（节点）、Edge（边）、Checkpointer（检查点）。

  • State：一个贯穿全图的共享数据结构（通常是 TypedDict 或 Pydantic 模型）。每个节点读取当前 state、返回一个「增量更新」。通过 Annotated + reducer 函数（如 add_messages、operator.add）定义字段如何合并——这是处理并发分支与消息追加的关键。
  • Node：一个普通函数 (state) -> partial_state，承载实际计算（调 LLM、调工具、写库）。
  • Edge：决定下一步走向。普通边是固定跳转；条件边（conditional edge） 接收 state 返回下一个节点名，从而实现分支与循环——agent 的「再想一轮还是结束」就是一条指向自身或 END 的条件边。
  • Checkpointer：在 .compile(checkpointer=...) 时注入。每执行完一个 super-step，运行时把 state 快照写入存储（InMemorySaver / SqliteSaver / PostgresSaver 等）。配合 thread_id，同一会话可多轮续接、可回溯到任意历史检查点（time-travel），也是崩溃恢复与 human-in-the-loop 的基础。

一段最小可循环 agent 的伪代码：

python
from langgraph.graph import StateGraph, START, END
from langgraph.checkpoint.memory import InMemorySaver
from typing import Annotated, TypedDict
from langgraph.graph.message import add_messages

class State(TypedDict):
    messages: Annotated[list, add_messages]  # reducer：自动追加而非覆盖

def call_model(state: State):
    return {"messages": [llm.invoke(state["messages"])]}

def route(state: State):                      # 条件边：要不要继续调工具
    return "tools" if has_tool_call(state["messages"][-1]) else END

g = StateGraph(State)
g.add_node("agent", call_model)
g.add_node("tools", tool_node)
g.add_edge(START, "agent")
g.add_conditional_edges("agent", route)       # agent -> tools 或 END
g.add_edge("tools", "agent")                  # 回到 agent，形成环

app = g.compile(checkpointer=InMemorySaver())
app.invoke({"messages": [...]}, config={"configurable": {"thread_id": "u1"}})

Human-in-the-loop 通过 interrupt() 实现：节点内调用 interrupt(payload) 会暂停图、把状态落盘并把 payload 抛回调用方；人工审批后用 Command(resume=...) 恢复，运行时凭 checkpoint 从断点继续，无需重跑前序节点。LangGraph 0.4 起还支持中断的自动浮现，让长流程更安全。

控制流上的图结构：

除图（Graph API）外，LangGraph 还提供 Functional API（@entrypoint / @task 装饰器），让你用近乎普通函数的写法获得同样的持久化与 HITL 能力，适合不想显式画图的场景。

适用场景与局限 ​

适合：需要长时运行、跨多轮 / 多天保持状态的 agent；需要确定性控制流与人工审批关卡的高风险流程（金融、运维、代码改写）；需要崩溃恢复、可观测、可回溯调试的生产级 agent。Uber、LinkedIn、Klarna、Replit 等已在生产中使用。它天然适合做 multi-agent 编排（supervisor / swarm 等模式有官方封装），也常作为 agentic RL 中 rollout 环境的工程载体。

局限：学习曲线偏陡——state / reducer / 条件边 / checkpointer 的心智模型需要时间，简单单轮任务用它属于过度工程。其「低层」定位意味着 prompt、记忆策略、错误处理都要自己设计。生产托管（LangGraph Platform / Server 运行时）走 Elastic License 2.0 且需付费 key，自建持久化与部署则完全免费但需自己运维。版本演进较快，0.x 期间 API 有过调整（升级前需留意迁移说明）。

与同类对比 ​

框架核心抽象控制流持久化 / HITL定位
LangGraph图（状态 / 节点 / 边）显式、可循环、可分支内置 checkpointer + interrupt低层、可控、有状态运行时
LangChainChain / Runnable / Agent高层封装，链式为主依托 LangGraph 运行时上层易用 API + 集成生态
AutoGen可对话 agent多 agent 自由对话较弱对话式多 agent
CrewAI角色 / 任务 / Crew角色协作、流程编排有限角色化协作，上手快

定性地说：要「快速搭一个会聊天的多 agent」选 CrewAI / AutoGen；要「对控制流与状态有外科手术级掌控、并要上生产」选 LangGraph；LangChain 则是它之上更友好的封装层与组件库。

参考链接 ​