LangGraph

面向 stateful agent 和 workflow 的图式运行时，负责节点、状态、分支、checkpoint 和人类介入等控制流。

#tech / ai #resource / langgraph #type / resource #status / growing

[!info] related notes

LangGraph

这是什么

LangGraph 是面向 agent 和 workflow 的图式运行时。它把系统建模成 state、nodes、edges 和条件分支，重点解决多步执行、状态持久化和长运行流程控制。

它在系统里主要管什么

LangGraph 更偏运行时而不是上层“应用语法糖”。它主要负责：

  • 在节点之间传递共享 state
  • 控制串行、并行、循环和条件分支
  • 做 checkpoint、恢复执行和 durable execution
  • 支持 streaming 和 human-in-the-loop
  • 给 agent loop 提供更显式、更可追踪的执行骨架

核心抽象

  • state：贯穿整张图的共享对象
  • node：一个执行步骤，可以是模型、工具或确定性代码
  • edge：从一个步骤跳到下一个步骤
  • conditional edge：根据状态决定下一步
  • checkpoint：中断、恢复、人工介入时的状态保存点
  • thread：一条持久执行轨迹，用来关联多次恢复和继续运行
  • interrupt：在关键节点暂停，等待人或外部系统给出下一步输入
  • streaming：把图运行中的 token、节点更新和进度实时暴露出来

为什么它重要

很多 LLM 应用在 demo 阶段只需要“调一下模型”，但一到生产就会遇到：

  • 中途失败后怎么恢复
  • 需要人工审核时怎么暂停
  • 多步流程怎么保持状态一致
  • 哪些步骤必须由代码硬控

LangGraph 的价值就在于把这些“运行时问题”从 prompt 里抽出来，显式建模。

它和 Agent 系统架构的关系

如果把 agent 当成“会调工具的状态机”，LangGraph 更像这台状态机的内核层：

  • 它不主要负责定义工具语义，而是负责安排节点怎么流转
  • 它不主要负责提升模型能力，而是负责保证长流程能暂停、恢复、分支和继续
  • 它也不主要负责观测平台；这部分更接近 langsmith

因此在 LangChain 生态里，经常会形成这样的分工：

  • langchain 负责上层开发抽象
  • LangGraph 负责持久运行时和状态图
  • langsmith 负责 tracing、debug 和 eval

和 LangChain、CrewAI 的关系

  • 和 langchain 的关系：LangChain 更偏开发框架，LangGraph 更偏底层执行骨架
  • 和 crewai 的关系：CrewAI 更强调角色、任务和团队协作心智模型；LangGraph 更强调状态图与运行时控制

常见用途

  • 复杂 agent workflow
  • 需要 durable execution 的长任务
  • 有审批点、恢复点、状态检查点的生产系统
  • 混合“确定性代码 + agent 决策”的系统

相关链接 / 官方入口

创建于 2026/5/20 更新于 2026/5/27