LangGraph

LangGraph 是由 LangChain Inc. 开源的低层级编排框架，专为构建具备强状态管理和复杂控制流的 AI Agent 而设计。其底层基于 Pregel 计算模型，允许开发者以图（节点与边）或函数的形式定义 Agent 逻辑。

核心优势在于其卓越的运行时控制能力：支持 Durable Execution 实现任务失败后的精确恢复；提供 Time Travel 机制可回溯至任意历史检查点；内置 Human-in-the-loop 中断能力满足企业级人工审批需求。同时，通过 Subgraphs 机制，LangGraph 能够优雅地实现 Multi-Agent 系统的编排与组合。

该框架不强制依赖 LangChain，可独立运行，但与 LangChain 工具链及 LangSmith 可观测性平台深度集成。典型应用场景涵盖多步骤工具调用、复杂 RAG 流程编排、长周期自动化工作流等，已被 Klarna、Uber、J.P. Morgan 等大型企业投入生产环境使用。

状态与持久化#

• Durable Execution（持久化执行）：支持 Agent 状态的持久化，任务失败后可自动恢复，支持从中断点精确恢复执行。
• Comprehensive Memory（全面记忆）：同时提供短期工作记忆（ongoing reasoning）和长期持久记忆（跨会话保留），构建真正有状态的 Agent。
• Time Travel（时间回溯）：支持回溯到任意历史状态进行检查，或从特定的历史检查点重新执行图。

流程控制与编排#

• Human-in-the-loop（人机协同）：在图执行的任意节点可通过中断机制暂停，支持人工检查和修改 Agent 状态。
• Subgraphs（子图）：支持将复杂的 Agent 逻辑拆分为多个可组合的子图模块，是实现 Multi-Agent 协同的核心机制。
• 双模式定义：提供 Graph API（图结构：节点+边）与 Functional API（单一函数定义）两种 Agent 定义模式。

运行时与可观测性#

• Streaming（流式输出）：支持在 Agent 执行过程中实时流式传输中间结果。
• LangSmith 集成：原生集成 LangSmith，提供执行路径可视化、状态转换捕获及详细运行时指标。
• Production-ready Deployment：支持通过 LangSmith Deployment 平台进行企业级部署及可视化原型设计。

架构与实现要点#

• 计算模型：基于 Pregel 计算模型构建（灵感来自 Pregel、Apache Beam），节点作为处理单元，边定义执行顺序和数据流。
• 接口设计：公共 API 设计灵感来自 NetworkX，采用直观的图论接口（add_node, add_edge）。
• 状态管理机制：状态本质是一个 TypedDict。节点函数接收完整 state 并返回部分更新，运行时通过 Annotated 类型与 operator 自动控制状态合并策略。
• 核心运行时：底层核心运行时命名为 Pregel，全权负责图的调度、状态持久化、中断处理与故障恢复。

安装与快速开始#

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!"}]})