LangGraph 是用于构建具有大型语言模型（LLMs）的强大且有状态的多角色应用程序的工具，它是 langchain 的一个扩展。
LangGraph 将应用程序的工作流程表示为一个图结构，其中节点代表不同的操作或步骤，例如调用一个 LLM、访问一个数据库、处理用户输入等；边则代表步骤之间的关系或流程，例如数据流、决策路径等。这种图形结构允许创建复杂的、有状态的多角色应用程序，每个角色可以独立执行操作，互相通信，并根据前一步骤的结果动态调整。
与 langchain 中的链（chain）相比，chain 是有向无环的，而 LangGraph 提供了循环机制。与 agent executor 相比，agent executor 是相对简单的循环，而 LangGraph 提供了更多的控制，例如可以强制代理首先调用特定工具，对调用工具的方式有更多控制，以及根据代理所处的状态设置不同的提示等。
1. 安装依赖：使用 pip install langchain langgraph 安装所需库。
2. 导入相关模块并定义图结构。
3. 创建节点：节点可以是调用 LLM、执行其他操作等。
4. 添加节点到图中。
5. 定义边并连接节点：边可以是普通边、起始边或条件边等，用于确定节点之间的执行顺序和条件。
6. 添加边到图中。
7. 执行图。
总的来说，LangGraph 为开发者提供了更强大、灵活和可控的方式来构建基于 LLM 的应用程序，适用于各种复杂的任务和场景。
如果你想了解更多关于 LangGraph 的详细信息和具体代码示例，可以参考其官方文档和相关的示例项目。同时，随着技术的发展，LangGraph 可能会不断更新和改进，建议关注其官方渠道以获取最新的资讯。
5 个月前
Agent是具备自主决策、工具调用与状态感知的智能体概念，LangGraph则是LangChain生态下的图驱动有状态Agent编排框架，专门解决复杂Agent的状态管理、循环分支与持久执行问题，是构建生产级Agent的核心基础设施。二者是“概念-实现”的强绑定关系，LangGraph为Agent提供图建模、状态持久化、人机协作等关键能力，适配ReAct、多智能体协作等复杂场景。 核心关联逻辑：概念与实现的分层 层级 定位 核心内容 概念层（Agent） 自主决策执行单元 LLM+Tools+自主循环（Thought→Action→Observation），解决非预定义复杂任务 实现层（LangGraph） 图驱动Agent框架 以有向图建模Agent流程，通过State/Nodes/Edges/Checkpointing支撑复杂逻辑 生态层 LangChain全家桶 LangGraph无缝集成LangChain的LLM/Tools/Prompt与LangSmith调试能力，降低开发门槛 LangGraph为Agent解决的核心痛点 有状态执行：用State统一管理对话历史、工具输出、中间结果，支持跨轮次上下文与长期记忆，避免“失忆”。 复杂流程编排：将Agent步骤拆为Nodes（LLM调用、工具执行、决策判断），用Edges（含条件分支）定义路径，原生支持循环（如ReAct迭代）与并行执行。 持久化与容错：Checkpointing自动保存每步状态，任务中断后可恢复，适配长时间运行场景（如多轮调研、项目管理）。 人机协作可控：支持执行中人工干预状态、审批工具调用，解决Agent“黑盒操作”风险。 多Agent协同：将不同功能Agent作为节点，通过图结构实现任务拆分与结果聚合，适配复杂团队协作流程。 典型实现范式：ReAct Agent的图建模 定义State：封装消息、工具结果、思考记录等，用TypedDict/Pydantic统一管理。 配置Nodes：LLM节点（推理决策）、工具节点（执行调用）、路由节点（判断是否继续）。 连接Edges：按条件分支（如“有工具调用则执行工具，否则结束”）构建循环路径。 启用Checkpointing：保存每步状态，支持断点恢复与调试追踪。 部署与监控：用LangSmith可视化执行路径，快速定位逻辑问题。 与传统Agent实现的差异 对比项 LangGraph驱动Agent LangChain基础Pipe 普通云端Agent 状态管理 原生持久化，跨轮次记忆 无内置状态，需手动维护 依赖会话缓存，易丢失 复杂逻辑 支持循环、条件分支、并行 线性流程，扩展有限 多为单步/固定链，灵活度低 容错能力 Checkpointing断点恢复 无容错，中断需重跑 云端依赖，故障难恢复 可控性 执行中人工干预 固定流程，干预困难 操作透明性差 关键使用场景 单Agent复杂任务：市场调研（搜索→数据清洗→报告生成）、财务对账（多系统数据拉取→交叉校验→异常告警）。 多Agent协作：产品开发（需求Agent→设计Agent→开发Agent→测试Agent）、跨境电商（选品→翻译→投放→售后）。 长期运行任务：客户成功跟进（多轮问题诊断→方案生成→效果复盘）、内容系列创作（选题→素材→撰写→发布）。 快速上手建议 用create_react_agent快速搭建基础Agent，绑定LLM与Tools，验证核心流程。 自定义State结构，覆盖任务类型、工具结果、历史对话等关键字段。 拆分Nodes与Edges，添加条件判断（如“金额>1000需审批”），提升流程可控性。 启用Checkpointing并接入LangSmith，监控执行路径与状态变化。
1 年前
LangChain, Amazon Bedrock, Rivet, Vellum.
1 年前
LangGraph 是一个用于构建具有状态和多个参与者的应用程序的库，它受到 Pregel 和 Apache Beam 的启发，允许使用常规的 Python 函数来协调和检查点多个链（或参与者）在循环计算步骤中的状态，其公共接口从 NetworkX 中汲取灵感。
2 年前
LangChain 是一个 Python 库，可帮助您利用大型语言模型来构建自定义 NLP 应用程序。
2 年前
要使用 LangChain，要导入必要的组件和工具，这些组件组合起来创建一个可以理解、处理和响应用户输入的应用程序。
8 天前
西门子Xcelerator开放式数字商业平台作为正式发布生态合作伙伴"繁星计划"，旨在发挥平台网络效应，与生态伙伴共享知识与技术资源，共创面向客户的解决方案，共赢数字化与低碳化新机遇。
14 天前
AI 研发已从单点 Prompt 优化迭代至Harness 工程底座 + Loop 自治闭环 + SDD 标准化规范的三位一体体系，通过重构人机协作模式，解决大模型落地不稳定、难规模化的痛点，实现企业级 AI 从原型试用走向工程化、自动化、体系化落地。
18 天前
WorkBuddy有望拿下国内独立桌面自动化办公智能体细分第一。但受企业协同生态、移动端能力等短板限制，无法成为全域企业及全球办公AI赛道第一名，将与钉钉悟空、WPS AI形成差异化竞争格局。
