深挖 LangGraph

一句话理解

LangGraph 是 LangChain 生态的图编排引擎，用有向图（Directed Graph）定义 Agent 工作流。节点（Node）是操作（LLM 调用、工具调用、决策），边（Edge）是条件转移（完成 -> 下一步、条件判断 -> 分支）。它让 Agent 不再只是线性 Chain，而是支持循环、分支、并行的复杂控制流。

核心概念

graph TD
    Start[开始] --> NodeA[节点A: LLM 调用]
    NodeA --> Edge{条件边}
    Edge -->|条件1| NodeB[节点B: 工具调用]
    Edge -->|条件2| NodeC[节点C: 人工审核]
    NodeB --> NodeA
    NodeC --> End[结束]

StateGraph（状态图）

StateGraph 是 LangGraph 的核心抽象。它定义了一个有状态的有向图：

from langgraph.graph import StateGraph
from typing import TypedDict

class AgentState(TypedDict):
    messages: list       # 对话历史
    next_step: str       # 下一步
    final_answer: str    # 最终输出

graph = StateGraph(AgentState)

Node（节点）

Node 是图中的执行单元，每个 Node 接收状态，处理后返回更新后的状态。

节点类型	说明	示例
LLM Node	调用 LLM 生成回复	`chat_model.invoke(messages)`
Tool Node	调用外部工具	`web_search(query)`
Decision Node	根据状态决定下一步	`should_continue(state)`
Human Node	暂停等待人工输入	`interrupt("请确认")`

Edge（边）

Edge 定义节点之间的转移关系：

边类型	说明	示例
普通边 (Normal Edge)	无条件转移	`graph.add_edge("node_a", "node_b")`
条件边 (Conditional Edge)	根据状态选择下一节点	`graph.add_conditional_edges("decision", router, {"a": "node_a", "b": "node_b"})`
入口点 (Entry Point)	图的起始节点	`graph.set_entry_point("start")`
终止点 (END)	图的结束	`graph.add_edge("final", END)`

循环和分支

LangGraph 的核心优势是支持循环（Loop）和分支（Branching）。这是 LangChain 的线性 Chain 做不到的：

[开始] --> [LLM思考] --> [需要工具?]
                ^              |
                |              +--> [是] --> [调用工具] --> [返回结果] --+
                |                                                       |
                +-------------------------------------------------------+
                                     |
                                     +--> [否] --> [输出答案] --> [结束]

Checkpoint（检查点）

Checkpoint 是 LangGraph 的状态持久化机制。它允许：

保存工作流中间状态
支持时间旅行（回溯到之前的状态）
支持 Human-in-the-loop（暂停-恢复）
支持错误恢复（失败后从 Checkpoint 重试）

LangGraph vs LangChain：链 vs 图

维度	LangChain	LangGraph
控制流	线性 Chain（A -> B -> C）	有向图（支持循环、分支、并行）
状态管理	简单（Memory 模块）	丰富（StateGraph + Checkpoint）
循环	不支持	原生支持
条件分支	有限（RouterChain）	完全支持（条件边）
Human-in-the-loop	不支持	原生支持（interrupt）
生产就绪	一般	高（持久化、可恢复、可观测）
2026 年推荐	仅简单场景	新项目首选

LangGraph vs CrewAI vs AutoGen 对比

维度	LangGraph	CrewAI	AutoGen
抽象层级	低（接近编程语言）	高（角色扮演）	中（对话抽象）
控制流	显式图（确定性强）	顺序/层级（确定性强）	对话驱动（不确定性高）
循环	原生支持	不直接支持	通过对话轮次隐式支持
并行	原生支持	通过 async_execution	通过 GroupChat
状态持久化	Checkpoint 机制	有限	有限
调试难度	中（可追踪每个节点）	低（日志清晰）	高（对话流难以追踪）
学习曲线	高（需要理解图编程）	低	中
生产就绪	最高	中	中
2026 年推荐	生产级 Agent 首选	快速原型	企业级对话场景

代码示例：有循环的 Agent 工作流

from langgraph.graph import StateGraph, END
from langgraph.checkpoint.memory import MemorySaver
from langchain_openai import ChatOpenAI
from typing import TypedDict, Annotated
import operator

# 定义状态
class AgentState(TypedDict):
    messages: Annotated[list, operator.add]
    iteration: int

llm = ChatOpenAI(model="gpt-5.5")  # 2026年推荐

# 定义节点
def think(state: AgentState):
    """LLM 思考节点"""
    response = llm.invoke(state["messages"])
    return {"messages": [response], "iteration": state["iteration"]}

def should_continue(state: AgentState):
    """决策节点：是否继续循环"""
    last_message = state["messages"][-1]
    if "FINAL_ANSWER" in last_message.content:
        return "end"
    if state["iteration"] >= 5:
        return "end"  # 防止无限循环
    return "continue"

def tool_call(state: AgentState):
    """工具调用节点"""
    # 实际项目中调用搜索、计算等工具
    return {"messages": [{"role": "tool", "content": "工具执行结果"}], "iteration": state["iteration"] + 1}

# 构建图
graph = StateGraph(AgentState)

graph.add_node("think", think)
graph.add_node("tool", tool_call)

graph.set_entry_point("think")
graph.add_conditional_edges("think", should_continue, {"continue": "tool", "end": END})
graph.add_edge("tool", "think")  # 回到 think，形成循环

# 编译并启用 Checkpoint
memory = MemorySaver()
app = graph.compile(checkpointer=memory)

# 运行
result = app.invoke(
    {"messages": [{"role": "user", "content": "分析这个数据集并给出结论"}], "iteration": 0},
    config={"configurable": {"thread_id": "session-1"}}
)

2026 年定位

LangGraph 在 2026 年的定位是：生产级 Agent 系统的首选框架。

优点：
- 控制流精确：图结构使 Agent 行为可预测、可解释
- 状态持久化：Checkpoint 机制支持暂停、恢复、重试
- 可观测性：与 LangSmith 集成，追踪每个节点
- 灵活性极高：可以构建任意复杂的 Agent 拓扑
- 社区活跃：LangChain 团队持续投入，文档完善
缺点：
- 学习曲线高：需要理解图编程、状态管理
- 代码量大：简单任务也比 CrewAI 写得多
- 抽象层级低：需要处理更多底层细节
典型场景：生产级 Agent 系统、复杂决策流程、需要可恢复性的长时间任务

来源

https://langchain-ai.github.io/langgraph/ — LangGraph 官方文档
https://github.com/langchain-ai/langgraph — LangGraph GitHub 仓库
https://blog.langchain.dev/langgraph/ — LangGraph 官方博客介绍
https://docs.langchain.com/oss/python/langgraph — LangChain 文档中 LangGraph 部分