LangGraph：构建生产级 AI Agent 的图框架

Chain 不够用了：Agent 需要图

早期的 LLM 应用都是线性的Chain：输入 → Prompt → LLM → 输出。但真正的 AI Agent 需要循环（反复调用工具直到任务完成）、条件分支（根据 LLM 的决策走不同路径）、暂停等待（人工介入审核后再继续）。这些用 Chain 来表达非常别扭。

LangGraph 的解决方案很简单但深刻：Agent 的状态机本质就是一张图。节点是"做什么"，边是"接下来去哪"。就这么一个抽象，让 Agent 的逻辑变得无比清晰。

GitHub 数据

核心概念：状态图

LangGraph 的核心就是 StateGraph：

from langgraph.graph import StateGraph, END

graph = StateGraph(AgentState)

# 添加节点
graph.add_node("call_llm", call_llm)
graph.add_node("take_action", take_action)

# 添加边
graph.add_edge("call_llm", "take_action")
graph.add_conditional_edges(
    "take_action",
    should_continue,  # 条件函数：返回 "end" 或 "continue"
    {"end": END, "continue": "call_llm"}
)

关键区别：add_conditional_edges 让 LLM 的每一次输出决定下一步走哪条路，而不是硬编码的 Chain。

生产级特性

人机交互（Human-in-the-Loop）

LangGraph 内置了interrupt 机制。Agent 在执行到关键步骤时（如"确认下单"）可以自动暂停，等待人工输入后再继续。这在金融、医疗等需要审核的场景中至关重要。

@interrupt
def confirm_payment(state):
    # 暂停等待人工确认
    decision = get_user_input("确认支付 $99？")
    return {"confirmed": decision == "yes"}

持久化状态

每个 Agent 会话的状态可以被序列化到数据库（支持 Postgres、SQLite、Redis）。即使服务器宕机，重启后 Agent 从断点继续执行，进度零丢失。这对长时间运行的数据处理任务极其重要。

流式输出

LangGraph 支持逐 Token 流式输出，同时保留完整的事件流——每一轮 LLM 调用、工具执行、状态变更都能以事件形式推送给前端，实现"思考过程可见"。

快速上手

pip install langgraph langgraph-cli

# 最简单的 ReAct Agent
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI

model = ChatOpenAI(model="gpt-4o")
tools = [...]  # 注册你的工具

agent = create_react_agent(model, tools)
result = agent.invoke({"messages": [("user", "帮我查一下天气并写一首诗")]})

技术架构

LangGraph 的执行引擎基于消息传递（Message Passing）模式。每个节点接收State，返回对 State 的修改。引擎负责合并这些修改并触发后续节点。这种设计带来了两个好处：

• 可恢复性：每条消息都持久化，可以从任意点回放
• 可调试性：完整的执行轨迹可以导出为 JSON，用 LangSmith 可视化分析

同类对比

总结

LangGraph 用状态图的抽象抓住了 Agent 编排的本质——循环、条件、暂停。如果你正在构建需要可靠执行、可审计、可恢复的 AI Agent，LangGraph 是目前最成熟的选择。推荐给：Agent 应用开发者、RAG 系统工程师、需要复杂工作流编排的团队。