Appearance
LangGraph 概览
LangGraph 是一个低层级编排框架与运行时（low-level orchestration framework & runtime），用于构建、管理和部署长运行、有状态的 Agent 与工作流。被 Klarna、Replit、Elastic 等企业在生产环境中采用。
1. LangGraph 是什么
1.1 一句话定义
LangGraph 是一个让你把 LLM 应用的执行流程建模为"有状态图" 的框架。它不负责帮你写 prompt，不封装"一键 Agent"，而是提供执行控制层——让你的 Agent 在复杂场景下依然可控、可中断、可恢复、可观测。
1.2 它不是 LangChain 的"简单扩展"
很多人第一印象是"LangGraph = LangChain 多了个图功能"。这是误解。
| 维度 | LangChain | LangGraph |
|---|---|---|
| 抽象层级 | 高层——提供预置 Agent 架构、工具绑定、prompt 模板 | 低层——只提供节点、边、状态、执行运行时 |
| 核心关注 | 模型调用、工具编排、RAG 管道 | 执行控制：中断/恢复/持久化/流式/调试 |
| 依赖关系 | LangGraph 可以不用 LangChain | LangChain 的高级 Agent 底层用 LangGraph |
| 适用阶段 | 快速原型、简单工具链 | 流程复杂、需要生产级控制 |
前端类比：如果把构建 AI Agent 类比为构建 Web 服务——LangChain 相当于 Next.js（高层、约定式、开箱即用），而 LangGraph 相当于 Express.js（低层、自由度高、你完全控制中间件和路由）。
LangGraph 原生语义：LangGraph 自称 "orchestration framework"，强调的是编排（orchestration）而非抽象（abstraction）。它不替你决定业务架构，只给你搭建执行管道的原语。
1.3 前置知识
官方建议在学习 LangGraph 之前，先熟悉两个概念：
- Models：了解如何调用 LLM（OpenAI、Anthropic 等），至少能调通一次
chat.invoke() - Tools：了解 function calling / tool calling 的基本概念
这是因为 LangGraph 本身不限定模型和工具的来源，它只负责编排。
2. 核心收益（Core Benefits）
LangGraph 官方强调了 5 大核心收益。下面逐一拆解。
2.1 Durable Execution（可恢复执行）
构建能够持久化到故障恢复后继续运行的 Agent。流程中断后不必整条链路重跑，从上次 checkpoint 恢复即可。
适用场景：长链路调用、外部 API 不稳定、需要跨多个步骤的复杂处理。
前端类比：类似 Service Worker 中的后台同步（Background Sync）——即使浏览器关闭，任务仍会在下次打开时恢复执行。
LangGraph 原生语义：基于 Checkpoint 机制，每个节点执行完都会持久化状态快照。失败后通过
thread_id恢复到最近一个快照继续执行。
2.2 Human-in-the-Loop（人机协作）
在任意关键节点暂停执行、等待人类审批或输入，然后恢复执行。
适用场景：高风险操作前的审批闸门（发邮件、转账、数据删除）、需要人工审核 LLM 输出。
python
from langgraph.types import interrupt
def review_node(state):
# 在此暂停，等待人类输入
decision = interrupt({
"message": "请审核以下内容",
"content": state["draft"]
})
return {"approved": decision}前端类比：类似
window.confirm()弹窗——流程在弹窗处暂停，等用户点击确认后继续。但 LangGraph 的 interrupt 是服务端持久化的，可以跨请求、跨进程恢复。
2.3 Comprehensive Memory（全面记忆）
- 短期记忆（Short-term）：线程内状态与 Checkpoint，当前会话的工作记忆
- 长期记忆（Long-term）：跨线程 Store，用户维度的持久化知识
前端类比：短期记忆 = React 组件的
useState（组件卸载就没了）；长期记忆 =localStorage（跨页面持久化）。LangGraph 原生语义：短期记忆依赖 Checkpointer 的线程状态；长期记忆依赖 Store API（如 Redis Store），可按 namespace 分隔不同用户的记忆。
2.4 Debugging with LangSmith（可视化调试）
可以用 LangSmith 可视化执行路径、状态变化、节点行为、运行时指标，排查复杂流程问题。
前端类比：类似 Redux DevTools——你能看到每个 action（节点）执行前后的 state 变化，还能"时间旅行"到任意历史状态。
LangGraph 原生语义：LangSmith 提供 Trace、Evaluation、Monitoring 三大能力。结合 LangGraph 的 Checkpoint，实现完整的执行回放。
2.5 Production-Ready Deployment（生产级部署）
提供可扩展的基础设施，专为有状态、长运行工作流设计。
前端类比：类似 Vercel 之于 Next.js——框架本身只定义行为，部署平台负责规模化运行。
LangGraph 原生语义：通过 LangSmith Agent Server 部署，支持水平扩展、状态持久化、监控告警。
3. LangGraph 生态
LangGraph 可以独立使用，也可以与 LangChain 生态无缝集成。
三者分工
| 组件 | 职责 | 何时用 |
|---|---|---|
| LangChain | 模型集成、工具定义、Agent 高层抽象 | 需要快速接入模型和工具时 |
| LangGraph | 执行流程编排、状态管理、中断恢复 | 流程复杂、需要可控性时 |
| LangSmith | 追踪、评估、监控、可视化调试 | 开发调试和生产运维时 |
工程建议
- 本地原型：先用 LangGraph 构建原型
- 接入观测：用 LangSmith 做执行追踪和调试
- 生产部署：需要上线时接入 Agent Server
4. 最小可运行示例
以下是一个最小的 LangGraph 程序，展示核心 API 的使用方式：
python
from langgraph.graph import StateGraph, MessagesState, START, END
# 定义节点函数：接收 state，返回局部更新
def chatbot(state: MessagesState):
return {"messages": [{"role": "ai", "content": "你好！我是 LangGraph 驱动的 Agent。"}]}
# 1. 创建图构建器，传入状态类型
graph_builder = StateGraph(MessagesState)
# 2. 添加节点
graph_builder.add_node("chatbot", chatbot)
# 3. 添加边：定义执行流向
graph_builder.add_edge(START, "chatbot") # START → chatbot
graph_builder.add_edge("chatbot", END) # chatbot → END
# 4. 编译：将构建器转为可执行的图
graph = graph_builder.compile()
# 5. 执行
result = graph.invoke({
"messages": [{"role": "user", "content": "你好！"}]
})
print(result["messages"][-1])关键概念解读
| 代码元素 | 含义 | 前端类比 |
|---|---|---|
StateGraph | 图构建器，定义节点和边 | createRouter() 路由配置 |
MessagesState | 内置的消息状态类型，自带 messages 字段和 add_messages reducer | 类似 Redux 中预定义的 slice |
START / END | 图的虚拟入口和出口 | 路由的 / 入口和 404 兜底 |
add_node() | 注册一个节点函数 | app.use() 注册中间件 |
add_edge() | 连接两个节点 | 路由跳转规则 |
compile() | 将构建配置"冻结"为可执行图 | webpack.compile() 将配置转为可运行产物 |
invoke() | 执行一次完整的图运行 | fetch() 发起请求并等待完整响应 |
执行流程
5. 与前端的终极类比
LangGraph 之于 Agent = Express.js 之于 Web 服务
| Express.js | LangGraph |
|---|---|
app = express() | builder = StateGraph(State) |
app.use(middleware) | builder.add_node("name", fn) |
app.get('/path', handler) | builder.add_edge(START, "name") |
app.listen(3000) | graph = builder.compile() |
req/res 对象 | state 状态对象 |
中间件链 next() | 节点间的边（Edge） |
| 条件路由 | add_conditional_edges() |
| 请求上下文 | Runtime 上下文 |
核心相似点：都是低层框架，给你最大控制力，不替你做架构决策。
关键差异：Express 处理的是无状态的 HTTP 请求-响应，而 LangGraph 处理的是有状态的、可能长运行的执行流程——它需要持久化状态、支持中断恢复、支持人机协作。
6. 设计灵感
LangGraph 受以下系统启发：
- Pregel：Google 的大规模图计算模型
- Apache Beam：统一的批流处理编程模型
- NetworkX：API 接口风格
这说明 LangGraph 的核心思想来自成熟的分布式计算/图计算范式，不是临时拼装的 API。
7. 何时该用 LangGraph
| 场景 | 推荐方案 |
|---|---|
| 简单问答 + 几个工具 | 先用 LangChain create_agent |
| 需要条件分支和多步骤 | LangGraph |
| 需要人工审批中断 | LangGraph |
| 长流程需要失败恢复 | LangGraph |
| 需要执行回放和时间旅行 | LangGraph |
| 多 Agent 协作 | LangGraph |
8. 本页总结
- LangGraph 是编排框架，不是高层 Agent SDK
- 核心价值在于 5 大能力：Durable Execution、HITL、Memory、Debugging、Production
- 与 LangChain/LangSmith 是互补关系，不是替代关系
- 设计灵感来自成熟的分布式图计算范式
先修：无（本页是入门第一站）
下一步：
参考：