LangGraph

LangGraph 是 LangChain 出品的底层智能体编排框架与运行时，用于构建、管理与部署长生命周期、有状态的智能体。它让你在单个图中混合确定性的手工编码步骤与 LLM 驱动的智能体步骤，对 AI 应用于何处、如何应用拥有细粒度控制。Klarna、Uber、摩根大通、Replit 与 Elastic 都在使用。

核心功能

• 持久执行：智能体在失败后依然存活，可长时间运行，并从断点自动恢复。
• 人机协同：执行期间任意时刻检查与修改智能体状态，实现监督与引导。
• 全面记忆：进行中推理的短期工作记忆 + 跨会话的长期持久记忆。
• 确定性与智能体混合：在单图中结合手写逻辑与 LLM 决策——需要可预测处可预测，需要灵活处灵活。
• 流式与持久化：一流的流式输出与基于 checkpoint 的持久状态。
• 生产部署：通过 LangSmith Deployment 部署与扩展智能体；LangSmith Studio 中可视化原型设计。
• 独立或配合 LangChain：脱离 LangChain 也能用，同时与完整 LangChain 栈无缝集成。
• Deep Agents SDK：在 LangGraph 之上构建的规划、子智能体、文件系统工具与上下文管理。

适用场景

谁应该使用这个工具？

• 生产智能体团队：构建必须扛过失败、运行数小时或数天的智能体的团队。
• 复杂工作流构建者：需要在特定节点用 LLM 决策、其余保持确定性控制流的应用。
• 企业 AI 团队：Klarna、Uber、摩根大通等交付有状态多参与者应用的公司。

解决的问题

1. 智能体可靠性：持久执行让长时智能体崩溃后恢复而非重启。
2. 监督：人机协同让你在动作生效前批准或修改。
3. 状态管理：记忆与 checkpoint 同时处理上下文内与跨会话状态。

定价方案

优势对比

相比竞品的优势：

1. 底层控制：比黑盒智能体框架更具表现力，适合定制架构。
2. 持久执行：从失败点自动恢复——而非简单重试。
3. 生态深度：与 LangChain、LangSmith、Deep Agents SDK 集成。

独特卖点：

• GitHub 39,000+ star 与成熟活跃社区。
• 受 Pregel 与 Apache Beam 启发；接口受 NetworkX 启发。
• 同一图中混合确定性与智能体步骤。

快速开始

入门指南

1. 安装：pip install langgraph。
2. 定义状态：用状态 schema 创建 StateGraph。
3. 添加节点：将 LLM 调用与确定性函数作为图节点连接。
4. 编译并运行：编译图并调用；添加 checkpoint 实现持久化。

集成

无缝集成以下工具：

• LangChain、LangSmith、Deep Agents SDK
• 任意模型 Provider
• LangSmith Deployment 托管扩展

常见问题

用 LangGraph 必须装 LangChain 吗？

不必——LangGraph 可独立使用，需要时也可与 LangChain 产品集成。

免费吗？

是的——核心库是 MIT 许可的开源项目。

能构建什么类型的智能体？

单智能体、多智能体与层级控制流——都支持持久执行与人机协同。

替代方案

如果 LangGraph 不合适，可以考虑：

• CrewAI：更高层的角色化多智能体框架。
• OpenAI Agents SDK：OpenAI 面向生产的智能体框架。
• Google ADK：Google 的多智能体框架，支持 A2A。

使用技巧

1. 用 checkpoint 实现持久化：持久化状态，让长时智能体在重启后存活。
2. 加人机协同闸门：高风险动作执行前先批准。
3. 区分确定性与智能体部分：可预测逻辑写代码，灵活决策放 LLM 节点。

总结

LangGraph 是生产中最可靠有状态智能体背后的编排运行时——持久执行、人机协同、全面记忆集于一个底层框架。如果你在构建必须长期运行且永不丢失状态的智能体，LangGraph 就是行业标准。