1 什么是LangGraph
LangGraph 是一个低级编排框架和运行时环境，用于构建、管理和部署长期运行的有状态智能体（agents）。核心理念是将 Agent 工作流建模为图（Graph），其中：
- 节点（Nodes）：代表计算单元，可以是 LLM 调用、工具执行或任何自定义逻辑
- 边（Edges）：定义节点之间的转换逻辑，决定执行流程
- 状态（State）：在整个图执行过程中共享和传递的数据
LangGraph 独有的核心能力（生产 Agent 刚需）
- ✅循环：Agent 可以反复调用工具、反复反思，直到满足条件（最核心！普通 chain 做不到）
- ✅持久化 Checkpoint：执行一半暂停、断线、程序崩溃，下次可以从刚才的状态继续跑，不用从头来
- ✅Human-in-the-loop（人在回路）：流程跑到某个节点自动暂停，交给人工审核、审批，再继续跑
- ✅ 支持多 Agent 协作：多个智能体分工（规划 Agent、检索 Agent、总结 Agent）互相调度
- ✅ 可观测：每一步状态都能看到，方便调试复杂 Agent
提供了构建生产级智能体应用的核心能力：
持久化执行：构建能够从故障中恢复并长时间运行的智能体
人机协作：在任何时刻检查和修改智能体状态
记忆管理：支持短期工作记忆和跨会话的长期记忆
流式处理：专为流式工作流设计
生产级部署：为有状态、长期运行的工作流提供可扩展的基础设施
LangGraph官方源码地址及官网地址如下：
- GitHub地址：https://github.com/langchain-ai/langgraph
- 官方文档：https://docs.langchain.com/oss/python/langgraph/overview
2 与 LangChain 区别
- LangChain
提供一堆可复用组件：PromptTemplate、LLM 封装、OutputParser、DocumentLoader、向量库、工具、LCEL 管道。
擅长：把各个模块拼起来，做固定流程。
LCEL（|管道）就是 LangChain 的链式语法，只能串行、并行，不能循环、不能动态分支。 - LangGraph
专门解决【动态不确定流程】，基于**图（Graph）**思想做状态驱动的流程控制。
它本身不提供 LLM、提示模板这些组件，里面节点直接用 LangChain 的 Chain、LLM、工具。
擅长：分支判断、循环迭代、人在回路、断点续跑的 Agent。
LangGraph与LangChain的高级抽象不同，它提供了更细粒度的控制，让开发者能够精确控制智能体的执行流程，适合需要定制化编排的复杂应用场景。
通过一句话概述LangChain和LangGraph的区别：当 LLM 应用需要「有状态、可循环、可分支的多步骤控制流（像一个可回溯的流程图/状态机）」时，LangChain 很难优雅完成，而必须用 LangGraph。
以下表格以更细粒度的方式展示了两者的区别：
| 特性 | LangGraph | LangChain |
|---|---|---|
| 抽象级别 | 低级，提供细粒度控制 | 高级，开箱即用 |
| 状态管理 | 内置状态机和检查点 | 需要自行管理状态 |
| 执行模型 | 基于图的并行执行 | 线性链式执行 |
| 持久化 | 原生支持 | 需要额外实现 |
| 适用场景 | 复杂、有状态的智能体应用开发 | 简单的链式调用 |
| 特性 | LangChain（LCEL Chain） | LangGraph |
|---|---|---|
| 流程形态 | 线性 / 并行，单向流水线 A→B→C | 图结构：节点 + 条件边，可以来回跳转、循环 |
| 循环 | ❌ 不支持，链条走完就结束 | ✅ 核心能力，反复思考、反复调用工具 |
| 分支判断 | 有限，很难做复杂条件路由 | ✅ 原生支持条件边，LLM 自主选择下一步 |
| 全局状态 | 每个节点输入输出传递，没有统一共享状态 | ✅ 统一 State 全局状态，所有节点读写同一份状态 |
| 断点 / 持久化 | ❌ 跑完就没了，不能暂停恢复 | ✅ Checkpoint，保存状态，随时暂停、继续 |
| 人在回路（人工审核） | 很难实现 | ✅ 原生支持，跑到节点停下来等人工确认 |
| 适合场景 固定逻辑：翻译、简单问答、同时并行调用多个 LLM（你刚才 RunnableParallel） | Agent、工具调用、自动研究、多智能体协作 |
正是因为LangGraph和LangChain上述的区别，使得LangGraph在以下场景下，有了更加广泛的应用：
- 复杂的多智能体系统
- 需要长期记忆的应用
- 需要人工审核的工作流
- 后台处理任务和实时交互
- 需要精细控制的定制化智能体编排
3.环境创建
conda create –-name=langgraph_venv3.12conda activate langgraph_venv pip install langgraph==1.0.5确认成功
pip show langgraph4. 简单实现
使用LangGraph构建一个应用，可以分为如下步骤：
（1）定义状态；
（2）定义节点函数；
（3）通过状态创建builder实例，并添加节点和边；
（4）对builder进行编译，得到可调用的graph对象；
（5）调用graph。
接下来的例子，以一个基于RAG的问答系统为例，来做一个快速入门展示。
该问答系统需要实现的功能如下：当接收用户问题之后，先分别进行联网搜索和基于知识库的检索，得到结果之后，使用大语言模型进行总结回答。
具体代码如下所示：
fromtypingimportTypedDictfrompydanticimportBaseModelfromlanggraph.constantsimportSTART,ENDfromlanggraph.graphimportStateGraphfromlanggraph.typesimportSend,Commandfromrichimportprintasrprint# 定义图的状态结构# 定义状态classMyAgentState(TypedDict):query:str# 用户提问rag_res:str# rag检索我接过web_res:str# web搜索结果llm_res:str# LLM回复结果# 定义节点## 定义RAG节点defrag_node(state:MyAgentState):#取到 用户的原始提问query=state.get('query')# 这边模拟获取到了结果reg_res=f"用户原始提问为:{query},返回rag检索结果"# 将结果更新到状态里面return{"rag_res":reg_res}## 定义web搜索节点defweb_node(state:MyAgentState):# 拿到客户的原始节点query=state.get("query")# 模拟得到了结果web_res=f"用户原始提问为:{query},返回web搜索结果"# 将结果更新到状态里面return{"web_res":web_res}## 定义LLM节点defLLM_node(state:MyAgentState):# 拿到客户的原始提问query=state.get("query")# 拿到 rag 的检索结果rag_res=state.get('rag_res')# 拿到 web 的搜索结果web_res=state.get('web_res')# 模拟得到了结果llm_res=f"用户原始输入:{query},rag检索结果:{rag_res},web搜索结果:{web_res}"return{"llm_res":llm_res}# 构建 builder 实例化状态图构建器，指定状态模板builder=StateGraph(state_schema=MyAgentState)# 王状态图中添加节点# "rag_node" -- 取了一个名字,重命名builder.add_node("rag_node",rag_node)builder.add_node("web_node",web_node)builder.add_node("LLM_node",LLM_node)# 网状态图中添加边#起点 → rag节点builder.add_edge(START,"rag_node")#起点 → web搜索节点builder.add_edge(START,"web_node")# rag节点完成后 → 汇总节点llmbuilder.add_edge("rag_node","LLM_node")# web节点完成后 → 汇总节点llmbuilder.add_edge("web_node","LLM_node")# llm节点完成 → 图结束builder.add_edge("LLM_node",END)# 编译图,得到可运行的buildercompile_graph=builder.compile()# 触发执行,传入初始状态res=compile_graph.invoke({"query":"如何使用LangGraph"})# 打印最终状态结果rprint(res)运行结果 :
编译好之后，可以通过mermaid查看图的结构。
# pip install grandalfgraph_structure=compiled_graph.get_graph()res=graph_structure.draw_ascii()print(res)
