LangGraph开发实战-1

发布时间：2026-04-07 23:19:11编辑：123阅读（16）

LangGraph生态介绍

随着大模型应用日趋复杂，开发者需要一种既能利用Agent灵活性又能保证可靠性的基础设施。LangChain通过"Chain"工作流（固定顺序步骤）虽然简单但缺乏适应性，而完全自主的Agent虽灵活却容易不可控。LangGraph正是在这种背景下出现，核心定位是低门槛构建"可控且持久"的智能代理流程，以平衡确定性和自主性的取舍。




LangGraph是由LangChain AI团队与2023年8月11日正式开源的AI Agent框架，旨在支撑和编排复杂的生成式AI Agent工作流

LangGraph主要针对构建长时间运行、可回溯的智能体流程所面临的挑战提供一些特定的解决方案，包括：





可靠性与持续性：提供持久化执行能力，使Agent即使在失败后也能从中断处恢复，支持长时任务不中断运行，例如在复杂业务流程或多轮对话中，Agent可以保存中间状态，避免上下文丢失。




状态与记忆：内置短期工作记忆和长期存储记忆，允许Agent跨对话会话保留上下文，这解决了以往仅依赖模型上下文窗口导致的记忆局限，使Agent能记住历史互动，提供更连贯的服务。





人机协作与监督：引入Human-in-the-loop（人类在环）机制，支持在关键步骤由人工审核或干预，以防止Agent偏离轨道，这使企业能在敏感任务中加入人工把关，提升最终结果可信度。




调式与可观测性：通过与LangSmith、LangGraph Studio等工具集成，实现对复杂Agent行为的可视化追踪和调式，开发者可以观察每步决策、工具调用、状态变化，方便定位问题，优化Agent策略。




生产级扩展：提供面向生产的部署支持，包括水平扩展、任务队列、缓存重试等容错机制。帮助Agent应对大规模并发和长流程的稳定运行。这使企业能在敏感任务中加入人工把关，提升最终结果可信度。




LangGraph官方开源地址：https://github.com/langchain-ai/langgraph

LangGraph与其它框架对比

框架	架构特点	主要优势	适用场景	局限/劣势
LangGraph	有向图 ，基于状态机，节点控制显式逻辑。	确定性极高，支持状态持久化、时间旅行调试和人工审批（HITL）。	金融审批、医疗决策、需要严格合规的复杂工业流程。	学习曲线最陡；开发初期代码量大，构建速度慢。
CrewAI	角色驱动，模仿企业职员架构，强调任务委派。	开发效率高，API 极其直观，适合快速组建 Agent 团队协作。	内容创作、市场营销自动化、快速原型开发。	黑盒逻辑较多，难以精确控制 Agent 间的微观对话。
AutoGen	对话驱动，Agent 通过相互交谈、甚至自主写代码解决问题。	解决复杂问题能力强，擅长代码沙盒执行和自动推理纠错。	科学研究、辅助编程、需要高度灵活性和推理的任务。	运行成本高（易耗 Token）；对话过程可能产生不可控的偏移。
LlamaIndex	事件驱动，以数据流为中心，侧重于事件触发。	数据处理之王，深耕 RAG，擅长解析复杂文档（表格、LaTeX、Base64）。	企业级知识库、法律/技术文档检索、重度依赖私有数据的系统。	跨领域的通用 Agent 协作（非数据类任务）能力较弱。




LangGraph图结构对象创建方法与核心语法

安装Langgraph

pip install langgraph

pip show langgraph

版本:Version: 1.1.3




LangGraph框架是通过组合Nodes和Edges去创建复杂的循环工作流程，通过消息传递的方式串联所有的节点形成一个通路。那么维持消息能够及时的更新并向该去的地方传递，则依赖langgraph构建的State概念。在LangGraph构建的流程中，每次执行都会启动一个状态，图中的节点在处理时会传递和修改该状态。这个状态不仅仅是一组静态数据，而是由每个节点的输出动态更新，然后影响循环内的后续操作。

除了通过打印的方式查看构建图的结构，LangGraph还提供了多种内置的图形可视化方法，能够将任何Graph以图形的形式展示出来，帮助更好地理解节点之间的关系和流程的动态变化，可视化最大的好处是：直接从代码中生成图形化的表示，可以检查图的执行逻辑是否符合构建的预期。




先构建state,在定义两个节点，addition节点是一个加法逻辑，接收当前状态StateGraph(dict)，而subtraction节点是一个减法逻辑，接受从addition节点传来的状态StateGraph(dict)，然后进行图结构设计。

代码如下：

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

# 使用StateGraph接收一个字典
builder = StateGraph(dict)
print(builder)
print(builder.schemas)


def addition(state):
    # 接收到的是初始状态
    print(f"init_state: {state}")
    state['x'] = state['x'] + 1
    state['y'] = state['y'] + 1
    return state

def subtraction(state):
    # 接收到的是上一个节点的状态
    print(f"addition_state: {state}")
    state['x'] = state['x'] - 2
    return state

# 向图中添加两个节点
builder.add_node('addition', addition)
builder.add_node('subtraction', subtraction)

# 构建节点之间的边
builder.add_edge(START, 'addition')
builder.add_edge('addition', 'subtraction')
builder.add_edge('subtraction', END)

# 当前节点数
print(builder.edges)

# 执行图的编译，需要通过调用compile()方法将这些设置编译成一个可执行的图。
graph = builder.compile()

# 定义一个初始化的状态
initial_state = {"x": 10, "y": 10}
value = graph.invoke(initial_state)
print(value)

with open("graph.png", "wb") as f:
    f.write(graph.get_graph(xray=True).draw_mermaid_png())

运行结果：

<langgraph.graph.state.StateGraph object at 0x000001D9068444A0>

{<class 'dict'>: {'__root__': <langgraph.channels.last_value.LastValue object at 0x000001D909DE14C0>}}

{('subtraction', '__end__'), ('__start__', 'addition'), ('addition', 'subtraction')}

init_state: {'x': 10, 'y': 10}

addition_state: {'x': 11, 'y': 11}

{'x': 9, 'y': 11}

graph.png结构图






LangGraph的执行模型并不强制要求图中必须由END节点。只要执行路径在某个节点"无后继边"（即到达被视为隐式终点）。

在图的执行过程中，每个节点的函数会被调用，并且接收到前一个节点返回的状态作为输入。每个函数新的状态，传递给下一个节点。

关键点：节点函数不需要返回整个状态，而是仅返回更新的部分。也就是说：在每个节点的函数编辑中，需要使用和更新哪些State中的参数，只需要在return的时候指定即可，不必担心未在当前节点处理的State中的值会丢失，因为LangGraph的内部机制已经自动处理了状态的合并和维护。

该图设置了一个简单的工作流程。其中值首先在第一个节点通过加法函数，然后在第二个节点通过减法函数。这一流程展示了节点如何通过图中的共享状态进行交互。需要注意的是，状态在任何给定时间只包含来自一个节点的数据，这意味着当节点处理状态时，它只能访问与其特定操作直接相关的数据，从而确保每个节点的逻辑时隔离和集中的。

关键字：