什么是 LangGraph？

LangGraph 是一个用于构建状态化（Stateful）、多智能体（Multi-Actor）应用的 Python/JS 框架。作为 LangChain 生态的扩展，它将复杂的业务工作流抽象为有向图：其中节点（Nodes）代表具体的执行逻辑（如大模型调用、工具执行），边（Edges）代表控制流（如条件判断），并通过一个全局的 State 对象在节点间传递数据。这种架构特别适合处理需要循环、错误重试和人工干预（Human-in-the-loop）的 Agent 任务。

快速了解

全称	LangGraph Multi-Agent Framework
创建时间	由 LangChain 团队推出，解决传统 Chain 缺乏循环能力的痛点

工作原理

随着大模型应用向 Agentic Workflow（智能体工作流）演进，传统的线性执行链（如 LangChain 的 SequentialChain）已经无法满足需求。因为真实的业务流程往往充满了分支判断、循环重试，甚至需要多个专职 Agent（如程序员和测试员）相互协作。LangGraph 通过引入“图论（Graph Theory）”完美解决了这个问题。开发者可以精确地定义每个 Agent 的职责作为一个节点，并通过定义条件边（Conditional Edges）来控制数据流向。更重要的是，LangGraph 提供了极强的状态管理能力（State Management），不仅支持持久化存储执行过程，还允许开发者随时回溯到历史状态（Time Travel），或者在关键节点暂停执行等待人工审批。

主要特点

基于图论的架构：将复杂的逻辑分支和循环（Loops）可视化、结构化
全局状态机：所有节点共享并修改同一个 State 对象，数据流转清晰
支持循环与重试：非常适合需要“自我纠错（Self-Correction）”的场景
人工干预（Human-in-the-loop）：可以在图的执行过程中暂停，等待人类确认后继续
与 LangChain 无缝集成：可以直接复用现有的 LCEL 链、Tools 和 Prompt 模板

常见用途

自动化代码生成与测试：Coder 生成代码，Tester 运行并反馈错误，循环直到测试通过
复杂客户服务系统：意图识别节点将问题分发给不同的专职 Agent（如退款 Agent、技术支持 Agent）
内容审核与审批流：Agent 撰写文章，Critic 进行审核打分，若分数过低则打回重写
长线任务规划：将一个大目标拆解为多个子任务，并在执行过程中不断更新进度状态

示例

Loading code...

常见问题

LangGraph 和 AutoGen 有什么区别？

LangGraph 强调“控制”：通过有向图和状态机，开发者可以精确规定执行流程，非常适合确定性强的企业级工作流。而 AutoGen 强调“涌现”：通过多个 Agent 之间的自然语言对话来推进任务，更适合探索性强、流程不固定的场景。

一定要配合 LangChain 使用吗？

不一定。虽然它脱胎于 LangChain 生态，但 LangGraph 核心只是一个用于管理状态和流程的图引擎，你可以完全不使用任何 LangChain 的组件（如 LCEL），只用原生的 Python 函数和 OpenAI SDK 来构建节点。