读前提示（LangGraph / LangChain 应用视角）

适合人群：已用过 LangChain 或 LLM API，希望把「多步、有状态、可恢复」的 Agent 做成可维护工程的同学。

前置知识：了解 Python；对「链 / 工具调用 / 消息列表」有基本概念即可。

读完收获：能说明 LangGraph 解决什么问题、与 LangChain 分工如何，并跑通一个最小的 StateGraph 示例。

1 LangGraph 是什么

LangGraph 是面向 长期运行、有状态智能体（agents） 的编排框架与运行时：把工作流建模为 图（Graph），在节点之间传递 共享状态，并原生支持检查点、人机协作与流式输出等生产场景需求。

核心抽象可以概括为三点：

节点（Nodes）：计算单元，例如一次 LLM 调用、工具执行或任意 Python 逻辑。
边（Edges）：控制从一个节点到下一个节点的流转（含条件分支、循环等）。
状态（State）：在整次（或多轮）执行中累积、传递的结构化数据（常见为消息列表 + 自定义字段）。

LangGraph 概念示意

1.1 为何强调「生产级」能力

与「一次性脚本链」不同，真实 Agent 往往需要：

持久化与恢复：进程崩溃或重启后从检查点继续执行。
人在回路（Human-in-the-loop）：在关键步骤暂停、审阅或改写状态后再继续。
记忆与上下文：短期工作记忆与跨会话长期记忆的分层设计。
流式与可观测：token / 事件级输出，便于对接 UI 与 LangSmith 等工具。

LangGraph 可 单独使用，也可与 LangChain（组件与模型抽象）、LangSmith（调试与评测）组合使用。

与 LangChain 中偏「高层链式抽象」不同，LangGraph 更偏 底层编排：你显式控制图结构、状态与调度，适合复杂、需精细控制的场景。

参考链接

2 为什么需要 LangGraph

应用变复杂后，常见痛点包括：

状态散落在全局变量或隐式上下文里，难以测试与复现。
线性 LCEL 链难以表达 循环、分支、重试、子图 等控制流。
出错后难以 从中间步骤恢复，也不易插入人工审核。

LangGraph 用 图 + 状态机式运行时 把这些 concerns 收拢到框架层：执行路径可读、状态可序列化、检查点可回放，更接近「可部署的服务」而非「一次性 demo」。

3 典型使用场景

多步骤、多分支的 单智能体 或 多智能体 协作流程。
需要 长期记忆 或跨轮次累积上下文的对话 / 任务系统。
必须 人工审核、修改状态 再继续的流程（审批、风控、发布流水线等）。
后台长任务与前台流式交互并存的服务。
需要 细粒度控制执行顺序与并行度 的定制化编排（而非固定 Pipeline）。

4 LangGraph 与 LangChain 的差异

二者互补：LangChain 侧重组件与链式组合；LangGraph 侧重 有状态图执行与运行时。下表便于快速对照（均为概念层面，具体能力随版本演进请以官方文档为准）。

维度	LangGraph	LangChain（典型用法）
抽象级别	较低，图与状态显式建模	较高，链、Agent、工具封装
状态与记忆	状态图 + 检查点等一等公民能力	多依赖自行组合与扩展
执行模型	图调度（可循环、条件边）	常见为线性或可组合链
持久化恢复	面向检查点、中断恢复的设计	需额外工程化
适用场景	复杂有状态工作流、生产 Agent 服务	快速原型、标准 RAG/链式

5 架构与运行时（Pregel 视角）

5.1 Pregel 式执行

LangGraph 的运行时可理解为基于 Pregel/BSP（Bulk Synchronous Parallel） 思想的图计算：多轮超步（super-step），每轮内调度一批节点，再统一提交状态更新。

一轮大致可分为：

Plan（规划）：根据当前图与状态，决定本轮要执行的节点。
Execute（执行）：运行被选中的节点（可并行）。
Update（更新）：将输出写回 通道（channels） / 状态，进入下一轮直至无待执行节点或到达终止条件。

5.2 Actor 节点（PregelNode）

节点可视为订阅若干通道、读取输入并写回输出的 Actor；在 LangChain 生态中常与 Runnable 风格接口衔接，便于复用现有组件。

5.3 Channels（通道）

通道是节点之间传递与归约数据的机制，常见类型包括（名称以官方文档为准）：

LastValue：保留最近一次写入的值。
Topic：发布 / 订阅式多生产者场景。
BinaryOperatorAggregate：通过二元运算对多条更新做聚合（如累加、合并字典等）。

6 快速入门：环境与最小图

6.1 环境

conda create -n langgraph python=3.12 -y
conda activate langgraph

6.2 安装

pip install -U langgraph
pip show langgraph

6.3 最小可运行示例

下面示例使用内置的 MessagesState，定义一个模拟 LLM 的节点，从 START 经该节点到 END：

from langgraph.graph import END, MessagesState, START, StateGraph


def mock_llm(state: MessagesState):
    """模拟一次 LLM 回复（实际项目中可换成 ChatModel.invoke / stream 等）。"""
    return {"messages": [{"role": "assistant", "content": "hello world"}]}


graph = StateGraph(MessagesState)
graph.add_node("mock_llm", mock_llm)
graph.add_edge(START, "mock_llm")
graph.add_edge("mock_llm", END)

compiled = graph.compile()
response = compiled.invoke({"messages": [{"role": "user", "content": "hi!"}]})
print(response)

说明

add_node 的第一个参数是 节点名，需与 add_edge 中字符串一致。
compile() 得到可 invoke / stream 的可运行对象；后续可在此之上接入检查点、中断与人工节点等高级能力。

7 小结与后续阅读

LangGraph 把 控制流（图） 与 数据流（状态） 绑在一起，适合构建可维护、可恢复的智能体服务。
若你当前链路仍是「线性 Chain」，遇到循环、持久化或人在回路时再引入 LangGraph 往往更自然。
下一篇可深入：状态模式设计、checkpointer、条件边与子图，并与真实 LLM / 工具调用对接。

LangGraph 入门：有状态智能体与工作流编排