本文全文在微信公众号，链接如下：https://mp.weixin.qq.com/s/Vso7pBHS3SpQ-TMPgp3aBg

概述#

LangGraph 提供了一个基于图（Graph）的框架，使得开发者能够创建具有循环工作流和状态管理能力的 LLM 应用程序。它的设计理念是将复杂的 AI 应用拆分为相互连接的节点，通过边（Edges）进行通信，并在整个执行过程中维护统一的状态（State），从而实现更可控、更可靠的 Agent 行为。

与传统的线性工作流不同，LangGraph 允许开发者定义循环和分支逻辑，这使得 Agent 能够根据上下文动态调整执行路径。例如，一个智能客服 Agent 可以在无法回答用户问题时选择搜索网络，或者在需要时请求人工干预。

LangGraph 是 LangChain 生态系统的一部分，但它专注于解决特定类型的问题。LangChain 提供了构建 LLM 应用的基础组件，如模型调用、提示模板、工具集成等；而 LangGraph 则专注于如何将这些组件组织成复杂的工作流。可以将 LangChain 视为「零件库」，而 LangGraph 则是「组装蓝图」，两者相辅相成，共同帮助开发者构建强大的 AI 应用。LangGraph 可以使用 LangChain 的所有组件，同时增加了状态管理和流程控制的能力。

pip install langgraph langchain langchain-openai

核心#

LangGraph 的架构建立在四个核心概念之上：图（Graph）、节点（Nodes）、边（Edges）和状态（State）。这四个组件协同工作，共同定义了 Agent 的行为和执行流程。

状态(state)#

状态是 LangGraph 中最重要的概念之一，它是一个共享的数据结构，保存了应用程序在执行过程中的所有相关信息。状态可以包含对话历史、用户输入、中间结果、决策记录等任何需要在节点之间传递的数据。每个节点都可以读取和修改状态，而状态的更新会触发图的下一次执行。状态的定义通常使用 Python 的 TypedDict 或 Pydantic 模型，以确保类型安全和代码可读性。

节点(node)#

节点是图中的计算单元，每个节点代表一个具体的操作或功能。节点可以是一个简单的函数，调用 LLM 生成回复；也可以是一个复杂的模块，执行网络搜索、数据库查询或调用外部 API。节点的输入是当前状态，输出是状态的更新。LangGraph 中的节点设计遵循单一职责原则，每个节点应该只做一件事，这使得图的逻辑更加清晰，也更易于调试和维护。

常见的节点类型包括：Agent 节点（负责决策和生成回复）、工具节点（执行具体操作）、路由节点（决定下一步执行哪个节点）、条件节点（根据条件执行不同逻辑）等。节点的粒度可以根据需求灵活调整，可以是一个完整的功能模块，也可以是模块内的一个步骤。关键是要确保每个节点的职责清晰，输入输出明确。

边(edges)#

边定义了节点之间的连接关系，决定了执行流程如何从一个节点流向另一个节点。LangGraph 支持两种类型的边：普通边（Normal Edges）和条件边（Conditional Edges）。普通边表示无条件的执行流程，从节点 A 完成后必然执行节点 B；条件边则允许根据状态中的信息动态选择下一个执行节点，这是实现复杂控制流的关键。条件边使 Agent 能够根据上下文做出决策，例如在需要时调用搜索工具，或在任务完成后终止执行。

图(graph)#

图是 LangGraph 的顶层抽象，它将节点和边组合成一个完整的工作流。LangGraph 提供了 StateGraph 类来构建图，开发者需要先定义状态结构，然后添加节点和边，最后编译图以生成可执行的应用程序。图的编译过程会验证图的完整性，确保所有节点都正确连接，没有孤立节点或死循环。编译后的图可以重复执行，每次执行都会从初始状态开始，经过一系列节点，最终到达结束状态。

示例#

from typing import TypedDict
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI

# 定义状态结构
class AgentState(TypedDict):
    messages: list
    user_input: str

# 定义节点函数
def chat_node(state: AgentState):
    llm = ChatOpenAI(model="gpt-4")
    response = llm.invoke(state["messages"])
    return {"messages": [response]}

# 构建图
# 建了一个 StateGraph 实例，添加了节点和边，设置了入口点，然后调用 compile() 方法编译图。
**workflow = StateGraph(AgentState)
workflow.add_node("chat", chat_node)
workflow.set_entry_point("chat")
workflow.add_edge("chat", END)

# 编译并运行
app = workflow.compile()
result = app.invoke({"messages": [("user", "你好！")]})

常见工作流程#

1. 链式工作流（Chain）：#

最简单的模式，节点按顺序依次执行。适用于任务可以明确分解为一系列步骤的场景，例如文档摘要生成（读取文档 → 分析结构 → 提取要点 → 生成摘要）。链式工作流的优点是逻辑清晰、易于理解和调试；缺点是缺乏灵活性，无法根据中间结果调整执行路径。

2. 路由工作流（Router）：#

根据输入或中间结果选择不同的执行路径。通过条件边实现动态路由，适用于需要根据情况采取不同处理方式的场景。例如，一个客服系统可以根据问题类型路由到不同的专业团队：技术问题路由到技术支持，订单问题路由到客服团队，投诉问题路由到投诉处理部门。

3. 循环工作流（Loop）：#

允许重复执行某些节点，直到满足退出条件。这是 LangGraph 区别于传统工作流引擎的重要特性，对于需要迭代优化或持续监控的场景非常有用。例如，一个代码审查 Agent 可以循环检查代码问题，每次修复后重新检查，直到没有问题为止；或者一个研究 Agent 可以持续搜索和整理信息，直到收集到足够的内容。

4. 协作工作流（Collaborator）：#

多个 Agent 协同工作，共同完成复杂任务。每个 Agent 负责特定的领域或功能，通过共享状态进行协作。例如，一个内容创作系统可以包含研究 Agent、写作 Agent、编辑 Agent 和审核 Agent，它们分工协作完成从选题到发布的整个流程。协作工作流的挑战在于协调多个 Agent 的执行顺序和结果合并。

进阶应用#

持久化与状态管理#

在实际应用中，Agent 的状态持久化是一个关键问题。用户可能需要暂停对话，稍后继续；或者需要回溯到之前的某个状态重新执行。LangGraph 提供了完善的持久化机制，支持多种存储后端，包括内存存储、SQLite、PostgreSQL 等。通过配置 checkpointer，可以自动保存 Agent 的执行状态，实现暂停、恢复和回溯功能。状态持久化的另一个重要应用是「时间旅行」（Time Travel）。

LangGraph 记录了每次状态变更的检查点（Checkpoint），开发者可以查看完整的执行历史，甚至可以从任意检查点重新开始执行。这对于调试复杂 Agent、分析 Agent 行为、以及实现撤销操作等功能非常有帮助。在生产环境中，合理配置持久化策略对于保证服务可靠性和用户体验至关重要。

人机协作（Human-in-the-Loop）#

在许多场景下，完全自动化的 Agent 并不能满足需求，需要引入人工干预来提高可靠性或处理特殊情况。LangGraph 的 Human-in-the-Loop 机制允许在特定节点暂停执行，等待人工审核或输入后再继续。这对于需要审批的业务流程、高风险操作的确认、以及 Agent 能力边界的处理都非常重要。

实现 Human-in-the-Loop 的关键是使用 interrupt_before 或 interrupt_after 参数。当执行到指定节点时，图会自动暂停并返回当前状态，等待外部输入。人工审核完成后，可以使用 update_state 方法更新状态，然后继续执行。这种机制使得 Agent 能够在保持自动化效率的同时，获得必要的人工监督和干预。

多 Agent 系统#

随着任务复杂度的增加，单一 Agent 可能难以满足需求。多 Agent 系统通过让多个专业化的 Agent 协作，能够处理更加复杂的任务。LangGraph 提供了构建多 Agent 系统的完整支持，包括 Agent 之间的通信、协调和结果合并。常见的多 Agent 架构包括：主从架构（一个协调器 Agent 分发任务给多个工作 Agent）、团队架构（多个平等 Agent 协作讨论）、层次架构（多层 Agent 组织结构）。

构建多 Agent 系统的关键挑战在于协调和通信。LangGraph 通过共享状态机制简化了 Agent 之间的数据交换，每个 Agent 都可以读取和更新共享状态。对于更复杂的协调需求，可以使用专门的协调节点来管理 Agent 之间的交互。多 Agent 系统的设计需要考虑 Agent 的分工、通信协议、冲突解决机制等因素，良好的架构设计是成功的关键。

流式输出与实时交互#

对于需要实时反馈的应用，LangGraph 支持流式输出（Streaming）。通过 astream 或 stream 方法，可以实时获取节点执行的中间结果，而不需要等待整个图执行完成。这对于聊天应用尤为重要，用户可以看到 LLM 的回复逐步生成，而不是等待很长时间后才看到完整结果。

流式输出不仅改善了用户体验，也使得监控和调试更加方便。LangGraph 支持多个层面的流式输出：可以流式输出单个节点的结果、流式输出 token（需要 LLM 支持）、以及流式输出状态更新。开发者可以根据应用需求选择合适的流式模式。在实现流式输出时，需要注意处理异步逻辑和并发问题，确保数据的一致性和正确性。