跳转至

LangGraph

LangGraph 是一个低层级的 Agent orchestration framework 和 runtime，面向长期运行、有状态、需要可靠控制的 Agent 或 workflow。它重点解决的是 编排 问题：如何让 Agent 在复杂任务中持久执行、恢复状态、流式输出、接入人工审核，并管理短期与长期记忆。

和 LangChain 的关系

和 LangChain 的关系可以这样理解：

  • LangChain：提供模型、工具、Agent loop 等上层抽象，适合快速构建常见 Agent。
  • LangGraph：提供底层编排能力，适合自定义复杂状态机、确定性流程、人工介入和长任务。
  • Deep Agents：在 LangGraph 之上提供更完整的 Agent harness，例如规划、子 Agent、文件系统工具和上下文管理。
  • LangSmith：负责 tracing、debugging、evaluation、prompt 和 deployment。

如果只是刚开始构建 Agent，通常先用 LangChain 的 create_agent。当你需要更精细地控制节点、边、状态、恢复、streaming 或 human-in-the-loop 时，再使用 LangGraph。

安装

pip install -U langgraph

uv add langgraph

LangGraph 的核心是 graph：节点表示执行步骤，边表示步骤之间如何流转，state 表示跨节点传递和更新的数据。

from langgraph.graph import StateGraph, MessagesState, START, END

def mock_llm(state: MessagesState):
    return {"messages": [{"role": "ai", "content": "hello world"}]}

graph = StateGraph(MessagesState)
graph.add_node(mock_llm)
graph.add_edge(START, "mock_llm")
graph.add_edge("mock_llm", END)
graph = graph.compile()

graph.invoke({"messages": [{"role": "user", "content": "hi!"}]})

这个例子里：

  • MessagesState 是 graph 的 state schema，用来保存消息列表。
  • mock_llm 是一个 node，接收 state 并返回 state update。
  • START 和 END 是图的起点和终点。
  • compile() 会把定义好的 graph 编译成可执行对象。

核心能力

LangGraph 不抽象 prompt 或 Agent 架构，而是提供长期运行、有状态 workflow 需要的底层能力。

Durable Execution

Durable execution 让 Agent 可以在失败、中断或长时间运行后恢复执行。对于需要执行很多步骤、调用外部系统、等待人工反馈的 Agent，这一点很重要。

Human-in-the-loop

LangGraph 支持在任意节点或工具调用处中断，让人类检查、修改或批准 Agent 的状态和动作。适合高风险操作，例如发送邮件、修改数据库、执行交易或调用生产系统。

Memory

LangGraph 支持有状态 Agent，可以管理当前 conversation 的 short-term memory，也可以接入跨 session 的 long-term memory。状态是 graph 的一等公民，节点之间通过 state 传递信息。

Streaming

LangGraph 可以流式输出 Agent 执行过程中的状态变化、LLM token、自定义事件和子图输出。这样应用层可以实时展示 Agent 正在做什么，而不是等最终结果。

Debugging with LangSmith

LangGraph 可以和 LangSmith 配合，用于 tracing、debugging 和 evaluation。复杂 Agent 的行为通常跨多个节点和工具，LangSmith 可以帮助观察执行路径、状态变化和运行指标。

Production Deployment

LangGraph 适合部署长期运行、有状态的 Agent workflow。结合 LangSmith / LangGraph Server，可以获得更完整的部署、调试和观测能力。

适合场景

适合使用 LangGraph 的场景：

  • Agent 流程不只是简单的 LLM + tool loop。
  • 需要明确的节点、边和状态转移。
  • 需要 durable execution 和失败恢复。
  • 需要 human-in-the-loop 审批或编辑。
  • 需要长期运行、多步骤、可恢复的 workflow。
  • 需要同时组合确定性逻辑和 Agentic 决策。
  • 需要对 streaming、memory、subgraph 有更细粒度控制。

如果需求只是“模型根据用户问题调用工具并回答”，LangChain Agent 通常更简单。如果需求是“设计一个可靠、可恢复、可审核的复杂 Agent 系统”，LangGraph 更合适。

生态关系

LangGraph 可以独立使用，也可以和 LangChain 生态一起使用：

  • LangChain 提供模型、工具和 Agent 抽象，很多 LangChain Agent 底层基于 LangGraph。
  • LangSmith Observability 用于 trace、evaluate 和 monitor Agent。
  • LangSmith Deployment 用于部署和扩展长期运行、有状态的 Agent workflow。
  • Deep Agents 在 LangGraph 之上提供更高层的 Agent harness。

小结

LangGraph 的定位不是“更简单地写 Agent”，而是“更可控地编排 Agent”。它把 Agent 执行过程拆成 graph、node、edge 和 state，让开发者可以清楚地控制流程、持久化状态、处理中断、接入人工审核并支持流式输出。对于复杂 Agent 工程，LangGraph 是比单纯 prompt + tool calling 更可靠的底层运行时。