LangGraph简介#

LangGraph 是由 LangChain 开发的一个框架，用于管理集成大型语言模型（LLM）的应用程序的控制流程。

框架	定义	核心功能	典型场景	可视化 / 调试	集成与扩展	安装命令
LangChain	面向 LLM 的通用开发框架	链式调用（Chains）、Prompt 管理、Memory、工具调用（Tools）	快速搭建问答、RAG、插件化 Agent、流水线式文本处理	日志输出，第三方插件支持少	可与任何 LLM、检索后端、数据库、API 无缝对接	`pip install langchain`
LangGraph	基于图的执行引擎，用于管理复杂或多 Agent 的控制流程	有向图（Nodes/Edges）、状态机、执行图可视化	多步骤工作流、条件分支、子 Agent 协作、流程可视化	内置执行图渲染、交互式调试	可选使用 LangChain 的 LLM/Tool 类；也可独立管理自定义节点逻辑	`pip install langgraph`
LangSmith	LangChain Labs 推出的观测与管理平台	调试面板、执行轨迹记录、Prompt & 变量历史、性能指标	线上应用监控、Prompt 调优、团队协作、模型和流程性能分析	丰富的可视化仪表盘、追踪回溯	与 LangChain、LangGraph 深度集成；支持多项目、多环境隔离	`pip install langsmith`

LangGraph 擅长的关键场景包括：

需要对流程进行显式控制的多步骤推理过程
需要在各步骤之间保持状态持久化的应用
将确定性逻辑与 AI 能力相结合的系统
需要人机交互介入的工作流
多个组件协同工作的复杂智能体架构

LangGraph 如何工作？#

LangGraph 的核心是使用有向图结构来定义应用的流程：

节点（Nodes） 代表各个处理步骤（例如调用 LLM、使用工具或做出决策）。
边（Edges） 定义步骤之间可能的转换。
状态（State） 由用户定义，在执行过程中维护并在节点之间传递。当决定下一个要执行哪个节点时，会参考当前状态。

它与常规 Python 有何不同？为什么需要 LangGraph？#

你可能会想：“我完全可以用常规的 Python if-else 语句来处理所有这些流程。”

虽然从技术上讲确实可行，但 LangGraph 在构建复杂系统时相较于纯 Python 提供了诸多优势。你可以不用 LangGraph 也能实现同样的功能，但 LangGraph 为你构建了更简便的工具和抽象，包括：

状态管理
可视化
日志记录（执行轨迹）
内置人机交互
以及更多功能。

LangGraph的组成部分#

在 LangGraph 中，一个应用从入口点（entrypoint）开始，执行过程中，流程会根据情况转向不同的函数，直到到达结束（END）。

application

概念	说明
State	用户定义的状态对象，包含执行流程中所需的所有数据，并在各节点间传递，用于决策和控制流程。
Nodes	有向图中的节点，表示具体的处理步骤或操作（如调用 LLM、执行工具、做出决策等）。
Edges	有向图中的边，定义节点之间的可能跳转路径及其条件，决定流程的分支和顺序。
StateGraph	由节点（Nodes）和边（Edges）组成的有向图结构，描述整个应用的执行流程和状态流转。

State#

状态是 LangGraph 中的核心概念，它代表了在你的应用程序中流动的所有信息。

from typing_extensions import TypedDict

class State(TypedDict):
    graph_state: str

Node#

节点是 Python 函数。每个节点：

以当前状态作为输入
执行某些操作
返回对状态的更新

def node_1(state):
    print("---Node 1---")
    return {"graph_state": state['graph_state'] +" I am"}

def node_2(state):
    print("---Node 2---")
    return {"graph_state": state['graph_state'] +" happy!"}

def node_3(state):
    print("---Node 3---")
    return {"graph_state": state['graph_state'] +" sad!"}

例如，节点可以包含：

LLM 调用：生成文本或做出决策
工具调用：与外部系统交互
条件逻辑：确定下一步操作
人工干预：获取用户输入

ℹ️ Info

某些对整个工作流至关重要的节点（如 START 和 END）是由 langGraph 直接提供的。

Edge#

边连接节点，并定义了在图中可能的路径：

import random
from typing import Literal

def decide_mood(state) -> Literal["node_2", "node_3"]:
    
    # Often, we will use state to decide on the next node to visit
    user_input = state['graph_state'] 
    
    # Here, let's just do a 50 / 50 split between nodes 2, 3
    if random.random() < 0.5:

        # 50% of the time, we return Node 2
        return "node_2"
    
    # 50% of the time, we return Node 3
    return "node_3"

边可以是：

直接：始终从节点 A 到节点 B
条件：根据当前状态选择下一个节点

StateGraph#

StateGraph 是承载整个代理工作流的容器：

from IPython.display import Image, display
from langgraph.graph import StateGraph, START, END

# Build graph
builder = StateGraph(State)
builder.add_node("node_1", node_1)
builder.add_node("node_2", node_2)
builder.add_node("node_3", node_3)

# Logic
builder.add_edge(START, "node_1")
builder.add_conditional_edges("node_1", decide_mood)
builder.add_edge("node_2", END)
builder.add_edge("node_3", END)

# Add
graph = builder.compile()

可以可视化。

basic_graph

LangGraph简介

目录

LangGraph简介#

LangGraph简介#

LangGraph 如何工作？#

它与常规 Python 有何不同？为什么需要 LangGraph？#

LangGraph的组成部分#

State#

Node#

Edge#

StateGraph#