← 返回项目列表

LangGraph

English
LangChain 📅 2026-06-30 🔗 查看源码
Agent 框架工作流编排Human-in-the-loop
LangGraph 是 LangChain 团队的低层 Agent 编排框架，面向长运行、有状态、可恢复、可插入人工审核的 Agent / workflow。它不负责抽象 prompt 或业务架构，而是提供 durable execution、persistence、streaming、human-in-the-loop、memory、状态图等基础设施。售前上适合讲“把 Agent 从 Demo 推到生产”的编排底座，尤其适合复杂流程、审批、人机协同、多步骤工具调用和长期任务。

1. 项目定位

LangGraph README 定位为：Low-level orchestration framework for building stateful agents。官方文档进一步说明它是 runtime/orchestration 层，专注于 durable execution、streaming、human-in-the-loop 和 persistence。

它和 LangChain 的关系：

  • LangChain：模型、工具、Agent harness、集成。
  • LangGraph：低层编排运行时，有状态、可恢复、长运行。
  • Deep Agents：基于 LangGraph 的更高层 batteries-included Agent。
  • LangSmith：Tracing、评估、部署和可观测。

2. 核心能力

能力官方描述售前价值
Durable execution失败后从中断处恢复长任务不怕中途失败
Persistence保存状态和执行进度可审计、可重放、可恢复
Human-in-the-loop任意时点检查/修改 Agent 状态适合审批、复核、高风险操作
Memory短期工作记忆 + 长期记忆支持持续会话和个性化
Streaming流式过程输出前端体验和调试更好
StateGraph用状态图表达节点和边让流程可控、可视、可测试
LangSmith debugging查看路径、状态转换、指标生产排障
Deployment与 LangSmith Deployment 组合长运行工作流部署

3. 适用场景

多步骤企业流程 Agent

例如：

  • 报销审核 Agent。
  • 售前方案生成 Agent。
  • 合同审查 Agent。
  • 运维变更 Agent。
  • 数据分析报告 Agent。

这些流程都不是一次模型调用，而是多节点、多工具、多判断、多人工确认。LangGraph 适合把它们编排成图。

人机协同审批

当 Agent 要发邮件、改生产配置、提交订单、生成正式报告时，需要人工确认。LangGraph 的 interrupt/human-in-the-loop 能让流程在关键节点停下来，让人看状态、改状态、再继续。

长运行任务

如爬取、分析、生成、多轮调试、跨系统同步。Durable execution 和 persistence 是从 Demo 到生产的关键。

多 Agent/子流程编排

LangGraph 支持分支、子图、状态传递，适合把 planner、researcher、coder、reviewer 等角色变成可控工作流。

4. 不太适合的场景

场景原因建议
简单聊天机器人LangGraph 偏低层，过重用 LangChain create_agent
只做一次 LLM 调用不需要状态图直接 SDK
团队没有工程能力图编排需要设计和测试用 Deep Agents 或平台化产品
只是做 RAG 问答LangGraph 可用但不是必要LangChain + LangSmith 足够

5. 使用示例

pip install -U langgraph
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!"}]})

这个示例很小，但售前要强调：真实价值在多节点、多状态、多工具、多人工审核。

6. 售前可以怎么讲

LangGraph 解决的是 Agent 生产化的编排问题。简单 Agent 可以直接用 LangChain，但企业真实流程往往需要状态保存、失败恢复、人工审批、长任务、分支和回放。LangGraph 用状态图把这些能力显式化，让 Agent 从“会聊”变成“可控地做事”。

7. PoC 建议

阶段工作指标
流程建模选一个 5-8 步业务流程节点清晰、输入输出明确
工具接入接 2-3 个真实系统调用成功率
人审节点设置审批/修改状态可暂停、可恢复
故障恢复中断后恢复执行状态不丢失
可观测LangSmith tracing每步可追踪
部署评估并发和长任务运行稳定性、成本

8. 风险和注意事项

  • LangGraph 偏底层，客户需要工作流建模能力。
  • 人工审核点设计不当会拖慢流程。
  • 状态模型是核心，设计不好会导致后续维护困难。
  • 生产部署还要考虑队列、权限、审计、密钥管理、观测和回滚。

9. 我的售前判断

LangGraph 是把 Agent 推向生产的关键工具之一。它不适合拿来做“炫技聊天 demo”，而适合在客户已经认可 Agent 价值、开始担心可靠性和可控性时出场。

最佳售前定位：

LangChain 负责接模型和工具；
LangGraph 负责把复杂 Agent 流程变成可恢复、可人审、可观测的状态图；
LangSmith 负责评估和生产可见性。

10. 参考资料

信息核查日期：2026-06-30。GitHub API 匿名访问触发限流，本笔记未写实时 stars/forks。