LangGraph

LangGraph 是构建、管理和部署长时间运行、有状态智能体的低级别编排框架与运行时，由 LangChain 团队开发，可被 Klarna、Replit、Elastic 等企业用于生产级智能体系统。

它解决的核心问题是：当任务复杂度提升（需要记住上下文、分步骤完成、调用多类工具、处理失败、支持人工介入）时，单纯的”模型+Prompt”模式会暴露出状态丢失、流程难控、无法恢复、决策不透明等致命缺陷——LangGraph 让 Agent 真正作为”系统”稳定运行。

产品概述

LangGraph 当前最新版本 1.2.7（2026 年 6 月发布），MIT 协议，要求 Python ≥3.10，开发状态为 Production/Stable。它的设计哲学是”低级别、不抽象提示词与架构“——开发者用 StateGraph 显式定义状态（State）、节点（Node）、边（Edge），从而精确控制执行路径。

LangGraph 不强制依赖 LangChain，但两者深度集成：LangChain 的智能体正是构建在 LangGraph 之上以获得持久执行、流式、人机协作等能力。LangGraph 提供 Python 与 JavaScript/TypeScript 双语言版本，配合 LangSmith 可实现可视化追踪、评估与调试。

核心能力

• 图编排（StateGraph）：用有向图定义复杂 Agent 与多 Agent 工作流，原生支持循环、条件分支、并行——这是与传统线性 Chain 的本质区别
• 持久执行（Durable Execution）：通过 Checkpointer 机制在每一步自动保存状态，任务失败或中断后可从检查点恢复，无需从头执行
• 人机协作（Human-in-the-Loop）：在任意节点主动中断，等待人工审核、修改状态或补充输入后再继续
• 全面记忆：短期工作记忆（当前线程内推理上下文）+ 长期持久记忆（跨会话存储用户偏好、事实、行为模式）
• 时间旅行（Time Travel）：回滚到任意历史快照，用于调试、错误恢复与 A/B 测试
• 多智能体编排：支持 Supervisor（主管模式）、Swarm（群协作）、Hierarchical Team（层级团队）等多 Agent 架构，各 Agent 可共享或隔离状态
• 流式输出：Token 级与事件级流式，支持 values/updates/messages/debug 多种输出粒度
• 模型无关：通过 LangChain 集成适配 OpenAI、Anthropic、Google、Mistral、Ollama 等任意 LLM

优势亮点

• 生产级就绪：Klarna、Replit、Elastic、Uber、J.P. Morgan 等企业在生产环境使用
• 显式状态管理：将 Agent 记忆从”塞进上下文窗口靠模型记住”转变为”显式、可管理、可持久化的数据结构”
• 容错能力三段式：持久化 + 可恢复执行 + 中断与人工介入，让 Agent 从”能跑 Demo”跨越到”能进生产”
• LangSmith 深度集成：可视化追踪执行路径、捕获状态转换、提供详细运行时指标
• 图即代码：业务逻辑即图结构，可读性强，易于审计与调试
• LangChain 生态无缝协同：与 LangChain 组件、LangSmith 平台、Deep Agents harness 形成完整工具链

短板

• 学习曲线陡峭：需理解 State、Node、Edge、Checkpointer、Reducer 等抽象，对简单场景过度设计
• 样板代码较多：相比 LangChain 的高层 Agent 抽象，LangGraph 需要更多手工编排
• LangGraph Platform 生产部署需商业授权：框架本体 MIT 免费，但 langgraph-api / LangGraph Platform 托管运行时采用 Elastic License 2.0，自托管进生产需商业授权
• 调试复杂图有难度：多节点、多分支、循环场景下，状态流转的调试需要 LangSmith 辅助

适用企业/部门

AI 应用开发团队、企业 AI 平台团队、智能体工作流团队、需要做 Human-in-the-Loop 的产品经理与架构师。特别适合：24 小时在线智能助手、需要多步骤任务与分支决策的 AI 客服、需要人工审核的高风险业务流、多智能体协作系统、要求执行失败可恢复的长时间运行任务。

安装教程

前提条件

• Python 3.10 ~ 3.13（PyPI 要求 Requires: Python >=3.10）
• pip 或 uv 包管理器

快速安装

# 使用 pip
pip install -U langgraph

# 或使用 uv（推荐）
uv add langgraph

# 如需调用 Anthropic 模型
pip install -qU "langchain[anthropic]"

验证安装：Hello World

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

def mock_llm(state: MessagesState):
    return {"messages": [{"role": "ai", "content": "hello world"}]}

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

graph.invoke({"messages": [{"role": "user", "content": "hi!"}]})

创建 ReAct 智能体

# pip install -qU "langchain[anthropic]"
from langgraph.prebuilt import create_react_agent

def get_weather(city: str) -> str:
    """获取指定城市的天气"""
    return f"It's always sunny in {city}!"

agent = create_react_agent(
    model="anthropic:claude-sonnet-4-0",
    tools=[get_weather],
)

result = agent.invoke({
    "messages": [{"role": "user", "content": "what's the weather in SF?"}]
})
print(result["messages"][-1].content)

启用持久化（Checkpointer）

from langgraph.checkpoint.memory import MemorySaver

# 配置检查点保存器，实现状态持久化与时间旅行
checkpointer = MemorySaver()
graph = graph.compile(checkpointer=checkpointer)

# 通过 thread_id 标识会话，跨请求恢复状态
config = {"configurable": {"thread_id": "session-001"}}
graph.invoke(input_data, config=config)

启用 LangSmith 追踪

# 设置环境变量开启追踪
export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY="your-langsmith-api-key"

使用 Ollama 本地模型

from langchain_ollama import OllamaLLM

# 将 OllamaLLM 作为模型传入 create_react_agent 即可
# pip install langchain-ollama
llm = OllamaLLM(model="llama3.1")
agent = create_react_agent(llm, tools=[get_weather])

生产部署提示：如需将 LangGraph 应用部署为托管服务，可使用 LangGraph Platform（提供可扩展基础设施、任务队列、自动扩缩容），但需注意 langgraph-api 运行时采用 Elastic License 2.0，自托管进生产需商业授权；框架本体（langgraph 包）始终保持 MIT 免费。