ArcLibrary
L1入门L2进阶L3生态

LangGraph

把 Agent / 工作流写成代码状态机的事实标准。

LangGraphAgentWorkflow
核心 · Key Idea

一句话：LangGraph 把 Agent 和工作流抽象为「节点 + 边 + 共享状态」的有向图。它解决了 LangChain 难以表达的「循环、分支、人工介入、长任务恢复」 —— 是当前最受工业界信任的 Agent 编排框架。

是什么#

最简洁的样子：

from langgraph.graph import StateGraph
 
def search_node(state):
    return {"docs": vector_db.search(state["query"])}
 
def answer_node(state):
    return {"answer": llm.invoke(state["query"], state["docs"])}
 
g = StateGraph(MyState)
g.add_node("search", search_node)
g.add_node("answer", answer_node)
g.add_edge("search", "answer")
g.set_entry_point("search")
app = g.compile()
 
app.invoke({"query": "Q3 退款政策"})

节点是函数、边是流转、状态在节点间传递。复杂 Agent 用条件边 + 循环表达。

打个比方#

打个比方 · Analogy
  • LangChain 的 prompt | llm = 直管子，水从一头流到另一头。
  • LangGraph = 可循环的水电图 —— 有阀门（条件边）、有泵（循环）、有水箱（状态）、有人工开关（interrupt）。
    真实业务几乎都需要这种灵活度。

关键概念#

Node节点
一个普通 Python 函数，接收 state 返回 partial state。
Edge / Conditional Edge边 / 条件边
决定下一个节点。条件边可以根据 state 路由。
State状态
节点之间传递的 dict，可定义 reducer 决定字段如何合并。
Checkpointer检查点
把状态持久化到 SQLite / Postgres / Redis —— 长任务可中断、可恢复、可重放。
Interrupt人工介入
运行到某节点时停下，等人审批后继续 —— Human-in-the-loop 的标准方式。

怎么工作#

整个图就是一段确定性的代码 —— 可以画图、可以调试、可以单元测试。

实操要点#

  • 复杂 Agent 直接用 LangGraph，不要再用 LangChain Agent：AgentExecutor 老 API 已经不再推荐。
  • Checkpointer 是杀手锏：长任务（数据迁移、Multi-Agent 编程） 可恢复 + 时间旅行调试，比手写状态机省一大堆代码。
  • interrupt 替代「自己写审批逻辑」：关键节点（下单、发邮件）用 interrupt 等用户审批 —— 最干净的人工兜底。
  • state 字段要细：每个 reducer（appendable list / overwrite / merge）想清楚 —— Agent 异常多半源于 state 的合并方式。
  • 配 LangSmith 一起用：trace 把每条边、每个状态都记下来，调 Agent 没这个简直没法过日子。

易混点#

LangGraph
**图结构** —— 循环、分支、状态、人工介入都直接表达。
Agent / 长流程首选。
LangChain
**直链结构 (LCEL)** —— 简单线性最舒服。
短链 RAG / 单轮调用首选。
LangGraph
**代码定义图** —— 灵活、可 review、可 diff。
Workflow GUI (Dify / Coze)
**拖拽定义图** —— 适合产品 / 业务人员。
工程化 / 复杂逻辑受限。

延伸阅读#