30秒快速回答： LangGraph 是一个用「图（Graph）」来编排 AI 应用的框架。你定义节点（Node，每个节点是一个函数或 LLM 调用）和边（Edge，控制流转方向），图可以循环、分支、暂停等待人工输入。它解决了普通 Chain「只能线性执行、无法回环修正」的痛点，是构建复杂 Agent 的工业级方案。

为什么需要 LangGraph？

普通 LangChain Chain 是线性的：

Chain: Input → LLM → Output
问题：无法「检查→修正→再检查」的循环

但真实 AI 应用需要更复杂的控制流：

Agent 工作流：
  ┌──→ 生成 → 检查 → 不合格 ──┐
  │                            │
  └────────────────────────────┘
                              ↓ 合格
                           输出

LangGraph 用「状态图」表达这种复杂流程：

能力 普通 Chain LangGraph
执行方式 线性 图（可循环/分支）
状态管理 无 持久化 State
人工干预 不支持 支持（interrupt）
循环控制 不支持 支持（条件边）
多 Agent 协作 复杂 原生支持

LangGraph 的核心概念

1. State（状态）

所有节点共享一个状态对象，节点读取并修改它：

from typing import TypedDict, Annotated
import operator

class AgentState(TypedDict):
    messages: Annotated[list, operator.add]  # 消息列表（累加）
    query: str                                # 用户查询
    search_results: Annotated[list, operator.add]  # 搜索结果
    analysis: str                             # 分析结果
    report: str                               # 最终报告

2. Node（节点）

每个节点是一个函数，接收 State，返回要更新的部分：

def search_node(state: AgentState):
    """搜索节点"""
    results = web_search(state["query"])
    return {"search_results": [results]}  # 只返回要更新的字段

def analyze_node(state: AgentState):
    """分析节点"""
    analysis = llm.analyze(state["search_results"])
    return {"analysis": analysis}

3. Edge（边）

控制节点之间的流转：

# 普通边：A → B
workflow.add_edge("search", "analyze")

# 条件边：根据 State 决定走哪条路
def should_continue(state: AgentState) -> str:
    if state["analysis"] == "需要更多信息":
        return "search"   # 回到搜索节点（循环！）
    return "write_report"  # 进入报告节点

workflow.add_conditional_edges(
    "analyze",
    should_continue,
    {"search": "search", "write_report": "write_report"}
)

实战：构建一个带循环的 Agent

from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI

# 1. 定义状态
class WritingState(TypedDict):
    topic: str
    draft: str
    review_comments: str
    iteration: int

# 2. 定义节点
def write_node(state: WritingState):
    llm = ChatOpenAI(model="gpt-4o")
    prompt = f"写一篇关于「{state['topic']}」的文章（第 {state['iteration']} 稿）"
    if state.get("review_comments"):
        prompt += f"\n根据修改意见改进：{state['review_comments']}"
    draft = llm.invoke(prompt).content
    return {"draft": draft, "iteration": state["iteration"] + 1}

def review_node(state: WritingState):
    llm = ChatOpenAI(model="gpt-4o")
    prompt = f"审查以下文章，给出修改意见（如果没问题就说'通过'）：\n{state['draft']}"
    comments = llm.invoke(prompt).content
    return {"review_comments": comments}

# 3. 条件边：检查是否通过
def check_approval(state: WritingState) -> str:
    if "通过" in state["review_comments"]:
        return "end"
    elif state["iteration"] >= 3:  # 最多改 3 次
        return "end"
    else:
        return "rewrite"

# 4. 构建图
workflow = StateGraph(WritingState)
workflow.add_node("write", write_node)
workflow.add_node("review", review_node)

workflow.set_entry_point("write")
workflow.add_edge("write", "review")
workflow.add_conditional_edges(
    "review",
    check_approval,
    {"rewrite": "write", "end": END}
)

app = workflow.compile()

# 5. 执行
result = app.invoke({
    "topic": "AI Agent 的未来趋势",
    "iteration": 1
})
print(result["draft"])

高级特性

持久化与断点恢复

from langgraph.checkpoint.sqlite import SqliteSaver

# 使用 SQLite 持久化状态
memory = SqliteSaver.from_conn_string(":memory:")
app = workflow.compile(checkpointer=memory)

# 每次调用带 thread_id，可恢复
config = {"configurable": {"thread_id": "user_123"}}
app.invoke({"topic": "..."}, config)

# 中断后恢复
app.invoke(None, config)  # 从断点继续

人工干预（Human-in-the-loop）

from langgraph.types import interrupt

def sensitive_action(state):
    # 暂停等待人工确认
    user_input = interrupt({"question": "确认要删除这个文件吗？"})
    if user_input == "yes":
        delete_file()
    return {"status": "done"}

多 Agent 协作

# 用 Supervisor 模式协调多个 Agent
from langgraph.prebuilt import create_supervisor

supervisor = create_supervisor(
    agents=[research_agent, writer_agent, reviewer_agent],
    model="gpt-4o"
)

LangGraph vs 其他框架

框架 特点 适合场景
LangGraph 图编排、状态管理、生产级 复杂多步骤 Agent
LangChain 链式调用、工具丰富 简单 RAG/Chain
CrewAI 角色扮演、多 Agent 协作 模拟团队分工
AutoGen 对话式多 Agent 研究/实验
LlamaIndex 文档索引 + Agent 知识库问答

常见问题

Q: LangGraph 和 LangChain 是什么关系？

LangGraph 是 LangChain 生态的一部分，但更底层、更灵活。LangChain 适合「线性 Chain」，LangGraph 适合「有状态、有循环的 Agent」。两者可以混用。

Q: LangGraph 学习曲线陡吗？

比普通 Chain 陡，但比手写状态机简单。核心概念只有三个：State、Node、Edge。掌握后构建复杂 Agent 的效率远超手写代码。

Q: LangGraph 能用于生产环境吗？

能。LangGraph 提供了 LangGraph Platform（原 LangSmith）用于部署、监控和调试。许多企业已在生产环境使用。

下一步建议： 用本文的「写作 Agent」代码作为起点，加入你自己的节点（如「查资料」「配图」），体验用图编排复杂 AI 工作流的感觉。