1 什么是LangGraphLangGraph 是一个低级编排框架和运行时环境用于构建、管理和部署长期运行的有状态智能体agents。核心理念是将 Agent 工作流建模为图Graph其中节点Nodes代表计算单元可以是 LLM 调用、工具执行或任何自定义逻辑边Edges定义节点之间的转换逻辑决定执行流程状态State在整个图执行过程中共享和传递的数据LangGraph 独有的核心能力生产 Agent 刚需✅循环Agent 可以反复调用工具、反复反思直到满足条件最核心普通 chain 做不到✅持久化 Checkpoint执行一半暂停、断线、程序崩溃下次可以从刚才的状态继续跑不用从头来✅Human-in-the-loop人在回路流程跑到某个节点自动暂停交给人工审核、审批再继续跑✅ 支持多 Agent 协作多个智能体分工规划 Agent、检索 Agent、总结 Agent互相调度✅ 可观测每一步状态都能看到方便调试复杂 Agent提供了构建生产级智能体应用的核心能力持久化执行构建能够从故障中恢复并长时间运行的智能体人机协作在任何时刻检查和修改智能体状态记忆管理支持短期工作记忆和跨会话的长期记忆流式处理专为流式工作流设计生产级部署为有状态、长期运行的工作流提供可扩展的基础设施LangGraph官方源码地址及官网地址如下GitHub地址https://github.com/langchain-ai/langgraph官方文档https://docs.langchain.com/oss/python/langgraph/overview2 与 LangChain 区别LangChain提供一堆可复用组件PromptTemplate、LLM 封装、OutputParser、DocumentLoader、向量库、工具、LCEL 管道。擅长把各个模块拼起来做固定流程。LCEL|管道就是 LangChain 的链式语法只能串行、并行不能循环、不能动态分支。LangGraph专门解决【动态不确定流程】基于**图Graph**思想做状态驱动的流程控制。它本身不提供 LLM、提示模板这些组件里面节点直接用 LangChain 的 Chain、LLM、工具。擅长分支判断、循环迭代、人在回路、断点续跑的 Agent。LangGraph与LangChain的高级抽象不同它提供了更细粒度的控制让开发者能够精确控制智能体的执行流程适合需要定制化编排的复杂应用场景。通过一句话概述LangChain和LangGraph的区别当 LLM 应用需要「有状态、可循环、可分支的多步骤控制流像一个可回溯的流程图/状态机」时LangChain 很难优雅完成而必须用 LangGraph。以下表格以更细粒度的方式展示了两者的区别特性LangGraphLangChain抽象级别低级提供细粒度控制高级开箱即用状态管理内置状态机和检查点需要自行管理状态执行模型基于图的并行执行线性链式执行持久化原生支持需要额外实现适用场景复杂、有状态的智能体应用开发简单的链式调用特性LangChainLCEL ChainLangGraph流程形态线性 / 并行单向流水线 A→B→C图结构节点 条件边可以来回跳转、循环循环❌ 不支持链条走完就结束✅ 核心能力反复思考、反复调用工具分支判断有限很难做复杂条件路由✅ 原生支持条件边LLM 自主选择下一步全局状态每个节点输入输出传递没有统一共享状态✅ 统一 State 全局状态所有节点读写同一份状态断点 / 持久化❌ 跑完就没了不能暂停恢复✅ Checkpoint保存状态随时暂停、继续人在回路人工审核很难实现✅ 原生支持跑到节点停下来等人工确认适合场景 固定逻辑翻译、简单问答、同时并行调用多个 LLM你刚才 RunnableParallelAgent、工具调用、自动研究、多智能体协作正是因为LangGraph和LangChain上述的区别使得LangGraph在以下场景下有了更加广泛的应用复杂的多智能体系统需要长期记忆的应用需要人工审核的工作流后台处理任务和实时交互需要精细控制的定制化智能体编排3.环境创建conda create –-namelanggraph_venv3.12conda activate langgraph_venv pip install langgraph1.0.5确认成功pip show langgraph4. 简单实现使用LangGraph构建一个应用可以分为如下步骤1定义状态2定义节点函数3通过状态创建builder实例并添加节点和边4对builder进行编译得到可调用的graph对象5调用graph。接下来的例子以一个基于RAG的问答系统为例来做一个快速入门展示。该问答系统需要实现的功能如下当接收用户问题之后先分别进行联网搜索和基于知识库的检索得到结果之后使用大语言模型进行总结回答。具体代码如下所示fromtypingimportTypedDictfrompydanticimportBaseModelfromlanggraph.constantsimportSTART,ENDfromlanggraph.graphimportStateGraphfromlanggraph.typesimportSend,Commandfromrichimportprintasrprint# 定义图的状态结构# 定义状态classMyAgentState(TypedDict):query:str# 用户提问rag_res:str# rag检索我接过web_res:str# web搜索结果llm_res:str# LLM回复结果# 定义节点## 定义RAG节点defrag_node(state:MyAgentState):#取到 用户的原始提问querystate.get(query)# 这边模拟获取到了结果reg_resf用户原始提问为:{query},返回rag检索结果# 将结果更新到状态里面return{rag_res:reg_res}## 定义web搜索节点defweb_node(state:MyAgentState):# 拿到客户的原始节点querystate.get(query)# 模拟得到了结果web_resf用户原始提问为:{query},返回web搜索结果# 将结果更新到状态里面return{web_res:web_res}## 定义LLM节点defLLM_node(state:MyAgentState):# 拿到客户的原始提问querystate.get(query)# 拿到 rag 的检索结果rag_resstate.get(rag_res)# 拿到 web 的搜索结果web_resstate.get(web_res)# 模拟得到了结果llm_resf用户原始输入:{query},rag检索结果:{rag_res},web搜索结果:{web_res}return{llm_res:llm_res}# 构建 builder 实例化状态图构建器指定状态模板builderStateGraph(state_schemaMyAgentState)# 王状态图中添加节点# rag_node -- 取了一个名字,重命名builder.add_node(rag_node,rag_node)builder.add_node(web_node,web_node)builder.add_node(LLM_node,LLM_node)# 网状态图中添加边#起点 → rag节点builder.add_edge(START,rag_node)#起点 → web搜索节点builder.add_edge(START,web_node)# rag节点完成后 → 汇总节点llmbuilder.add_edge(rag_node,LLM_node)# web节点完成后 → 汇总节点llmbuilder.add_edge(web_node,LLM_node)# llm节点完成 → 图结束builder.add_edge(LLM_node,END)# 编译图,得到可运行的buildercompile_graphbuilder.compile()# 触发执行,传入初始状态rescompile_graph.invoke({query:如何使用LangGraph})# 打印最终状态结果rprint(res)运行结果 :编译好之后可以通过mermaid查看图的结构。# pip install grandalfgraph_structurecompiled_graph.get_graph()resgraph_structure.draw_ascii()print(res)