YOHO AI

标签： LangChain

  • Flowise：可视化构建AI智能体的低代码平台，54K+Stars让AI Agent开发变得简单

    Flowise：可视化构建AI智能体的低代码平台，54K+Stars让AI Agent开发变得简单

    📦 项目简介

    Flowise 是一款可视化构建 AI 智能体的低代码平台，让你通过拖拽节点的方式组装 AI Agent 工作流，无需编写代码即可串联大模型、知识库和外部工具。基于 LangChain 生态构建，支持几乎所有主流 LLM，是构建 RAG 应用和 AI 自动化工作流的首选工具之一。

    54K+
    GitHub Stars

    24K+
    Forks

    v3.1.3
    最新版本

    TypeScript
    语言

    ⚙️ 安装要求和过程

    环境要求

    • Node.js ≥ 20.0.0（推荐 v20.20.2）
    • PNPM（可选，用于本地开发）
    • Docker（可选，用于容器化部署）

    方式一：全局安装（最简单）

    # 安装 Flowise
npm install -g flowise

# 启动服务
npx flowise start

# 访问地址
http://localhost:3000

    方式二：Docker 部署

    # 克隆项目
git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise/docker

# 配置环境变量
cp .env.example .env

# 启动容器
docker compose up -d

    方式三：本地开发

    # 安装 PNPM
npm i -g pnpm

# 克隆仓库
git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise

# 安装依赖
pnpm install

# 构建项目
pnpm build

# 启动开发服务器
pnpm dev

    ⚠️ 如果构建时出现内存溢出，运行 export NODE_OPTIONS="--max-old-space-size=4096" 后重试

    ✨ 核心功能

    🎨 可视化工作流编排

    通过拖拽节点、连线的可视化方式组装 AI Agent，支持 AgentFlow V2（迭代节点、条件节点、HTTP节点），无需编写代码即可构建复杂 AI 工作流。支持导出/导入工作流，方便分享与协作。

    🤖 多模型支持

    支持 OpenAI、Claude、Gemini、HuggingFace、Ollama 等几乎所有主流 LLM，同时支持 AWS Bedrock 全模型目录和自定义模型接入。Mistral AI FunctionAgent 支持工具调用流式输出。

    📚 知识库与 RAG

    原生支持向量存储和嵌入模型接入，可给 Agent 添加知识库，实现 RAG（检索增强生成）。支持多种向量数据库（Pinecone、Weaviate、Qdrant、Chroma 等）。

    🔌 MCP 协议支持

    支持 Model Context Protocol (MCP)，可接入各种 MCP 服务器，扩展 Agent 能力。同时支持自定义工具集成，真正实现对外部系统的无缝对接。

    🔐 细粒度权限控制

    API 密钥支持细粒度权限控制，可按用户权限限定 API 密钥权限范围。支持用户名密码认证，凭证字段类型安全优化，避免敏感信息泄露。

    🚀 典型使用场景

    场景一：构建企业知识库聊天机器人

    上传企业文档（PDF、Word、Markdown等），Flowise 自动解析并建立向量索引。通过可视化界面组装”文档加载 → 文本分割 → 向量存储 → 检索 → LLM 生成”的完整 RAG 链路，一键部署为聊天接口，嵌入企业微信/官网/APP。

    场景二：AI 工作流自动化

    利用 AgentFlow V2 的迭代节点和条件节点，构建复杂的 AI 自动化工作流。例如：自动抓取网页内容 → 用 LLM 提取关键信息 → 判断内容类型 → 分别存储到不同数据库 → 发送通知。整个流程可视化编排，支持人工审核节点。

    场景三：多模型对比与路由

    在同一个工作流中接入多个 LLM，通过条件节点实现智能路由（简单问题用 GPT-3.5，复杂推理用 Claude Opus），或对同一个 Prompt 并行调用多个模型，对比输出质量后选择最佳答案。

    💡 推荐理由

    • 低代码、零门槛：可视化拖拽编排，产品/运营同学也能上手，不再依赖专业开发者
    • LangChain 生态加持：基于 LangChain 构建，享受其丰富的组件和工具生态，同时弥补了 LangChain 代码复杂的短板
    • 活跃社区：54K+ Stars，3600+ Commits，频繁更新（最近一次提交 2026-06-30），社区支持完善
    • 多部署方式：支持本地部署、Docker、Railway、Render、HuggingFace Spaces、Sealos 等一键部署，满足不同场景需求
    • 开放协议：Apache-2.0 许可，可完全自托管，数据不出内网，满足企业合规要求

    📥 下载地址

    ● ● ●

    📌 本文由自动化任务定时发布 | 数据来源：GitHub API | 更新时间：2026-07-01

    🔗 项目 GitHub: github.com/FlowiseAI/Flowise

  • LangGraph：Build Resilient Agents，LangChain 团队出品的 AI 智能体编排框架，循环计算图让智能体真正「会思考」（35.5K Stars）

    LangGraph：Build Resilient Agents，LangChain 团队出品的 AI 智能体编排框架，循环计算图让智能体真正「会思考」（35.5K Stars）

    🔄

    LangGraph

    Build Resilient Agents —— LangChain 团队出品的 AI 智能体编排框架

    35.5K+ Stars
    MIT 许可
    Python
    LangChain 官方

    LangGraph 是由 LangChain 团队开发的 AI 智能体编排框架，专为构建有状态、可循环、鲁棒的 AI 智能体而设计。与传统的 DAG（有向无环图）工作流不同，LangGraph 支持循环计算图，让智能体能够真正”思考-行动-反思”，实现接近人类的问题解决过程。

    LangGraph 架构设计

    LangGraph 循环计算图设计（支持状态循环与条件分支）

    ⚙️
    安装要求和过程

    环境要求

    • Python >= 3.9
    • pip 或 poetry 包管理器
    • （可选）LangChain 生态集成
    • （可选）LangSmith 用于调试追踪

    快速安装

    # 安装 LangGraph 核心库
pip install langgraph

# 安装 LangGraph CLI（用于本地开发）
pip install langgraph-cli

# 安装 LangChain（如需使用 LangChain 集成）
pip install langchain langchain-openai

# 使用 poetry
poetry add langgraph

    最新版本：langgraph==1.2.6（2026-06-18 发布）

    ⭐
    核心功能

    01

    🔄 循环计算图支持

    与传统 DAG 框架不同，LangGraph 支持循环（cycles）和条件分支，让智能体能够迭代优化输出、进行多轮对话、实现复杂的决策逻辑。这是构建真正”会思考”的智能体的关键能力。

    02

    💾 持久化状态管理

    内置 Checkpointer 机制，支持将智能体状态持久化到内存、SQLite、PostgreSQL 等存储后端。支持人机协作（Human-in-the-Loop）：可以在智能体执行过程中暂停、审核、修改状态，然后继续执行。

    03

    🎯 细粒度控制与调试

    支持 时间旅行（Time Travel） 调试：可以回到智能体执行的任意步骤，检查状态、修改输入、重新运行。完美集成 LangSmith 进行追踪和评估。支持断点、单步执行、状态快照等高级调试功能。

    04

    🏗️ LangGraph Studio 可视化 IDE

    提供 LangGraph Studio 桌面应用，可视化编辑智能体工作流、实时预览执行状态、交互式调试。支持一键部署为 API 服务，或导出为 Python 代码。让智能体开发从”写代码”升级为”画流程”。

    05

    🚀 生产级部署方案

    提供 LangGraph Cloud（托管服务）和 自托管（Docker + LangGraph Server）两种部署方式。支持水平扩展、异步执行、长时运行任务、Webhook 回调等企业级特性。已有数千家公司在生产环境使用。

    💡
    典型使用场景

    场景一：多轮对话智能客服

    利用 LangGraph 的循环计算图，构建能够”理解上下文→查询知识库→生成回复→等待用户反馈→迭代优化”的智能客服。通过持久化状态，即使会话中断数小时，智能体仍能记住之前的对话内容。配合 LangSmith 可以持续优化回复质量。

    场景二：AI 研究智能体

    构建能够”分解问题→搜索资料→阅读内容→综合答案→验证准确性→补充细节”的自主研究智能体。LangGraph 的循环机制让智能体可以在发现信息不足时自动回溯、重新搜索，直到找到满意答案。这是 LangGraph 官方示例中的经典案例。

    场景三：代码审查智能体

    构建代码审查工作流：智能体 A 负责读取 PR diff，智能体 B 负责检查代码规范，智能体 C 负责生成审查意见，协调器（supervisor）负责整合结果。LangGraph 的多智能体协调能力让这种复杂协作变得简单。支持人工审核节点，关键决策需人工确认后才执行。

    ❤️
    推荐理由

    作为 LangChain 生态的核心框架，LangGraph 解决了 AI 智能体开发中最棘手的问题：如何让智能体”有记忆、能循环、可调试”。如果你用过 LangChain 的 LCEL（LangChain Expression Language），可能会觉得”链式调用”很方便，但遇到需要循环、条件分支、状态管理的复杂场景就力不从心了。LangGraph 正是为这些场景而生。

    我最欣赏 LangGraph 的 「时间旅行调试」功能。传统智能体开发是”黑盒”——你输入一个问题，等半天得到一个答案，中间发生了什么完全不知道。LangGraph 让你可以”回到过去”：查看某一步的状态、修改输入、重新运行。这简直是 AI 智能体开发的”时光机”，大幅提升了调试效率。

    另外，LangGraph Studio 是我见过最实用的 AI 智能体可视化工具。它不仅能”看”到智能体的执行流程，还能”改”——直接在某一步修改状态，然后继续运行。对于复杂智能体的开发和演示，这是无敌的工具。

    当然，LangGraph 也有学习曲线。如果你是完全的新手，建议先从 官方教程开始，跟着示例做一遍”聊天机器人”和”研究智能体”两个案例，就能掌握核心概念。MIT 许可 + LangChain 团队维护 + 35K+ Stars，这是目前最值得学习的 AI 智能体框架之一。

    📊 项目信息

    GitHub Stars: 35,504+
    Forks: 5,956+
    开源许可: MIT
    主要语言: Python
    最新版本: langgraph==1.2.6
    最后更新: 2026-06-23
    维护团队: LangChain 团队
    Issues 开放: 591

    🔄 如果你正在构建需要”记忆、循环、反思”能力的 AI 智能体，

    LangGraph 是目前最成熟、最完整的解决方案。

    LangChain 生态官方框架 · MIT 许可 · 35K+ Stars · 生产环境验证

  • LangChain — 135K+ Stars 的 AI 智能体工程平台，构建 LLM 应用的首选框架

    LangChain Logo

    🔗 LangChain

    The Agent Engineering Platform — 135K+ Stars

    📦 langchain-ai/langchain · MIT License · Python

    📝 项目简介

    LangChain 是一个智能体工程平台，为构建 LLM 驱动的应用提供标准化接口与丰富的第三方集成，帮助开发者快速构建、调试和部署生产级 AI 智能体应用。

    135K+
    GitHub Stars

    279K+
    依赖项目

    600+
    集成组件

    v1.x
    最新稳定版

    ⚙️ 安装要求与过程

    环境要求
    • Python ≥ 3.9
    • 推荐使用 uv 作为包管理工具
    • 需要有效的 LLM API Key（OpenAI / Anthropic / 国内模型等）
    # 快速安装
    # 使用 uv 安装（推荐）
uv add langchain

# 使用 pip 安装
pip install langchain

# 安装特定模型集成
pip install langchain-openai
pip install langchain-anthropic

    # 快速开始 — Hello World
    from langchain.chat_models import init_chat_model

# 初始化模型（支持任意提供商）
model = init_chat_model("openai:gpt-4o")
# model = init_chat_model("anthropic:claude-sonnet-4-20250514")

result = model.invoke("用一句话解释什么是 LangChain")
print(result.content)

    ⭐ 核心功能

    1
    标准化模型接口
    为模型、嵌入、向量存储等核心组件提供统一接口，切换底层模型无需重构业务代码，彻底告别厂商锁定。

    2
    丰富的第三方集成
    内置 600+ 集成组件，覆盖主流 LLM 提供商、向量数据库、检索工具、API 工具等，即插即用。

    3
    灵活的抽象层次
    从高层级链式调用（快速原型）到底层组件细粒度控制（复杂生产场景），支持不同复杂度的应用需求。

    4
    LangGraph 智能体编排
    配套 LangGraph 提供低层级智能体编排框架，支持复杂可控的多智能体工作流，适合生产级应用场景。

    5
    LangSmith 可观测性
    无缝对接 LangSmith 进行智能体评估、调试与监控，支持生产环境部署与长时状态工作流扩缩容。

    🚀 典型使用场景

    场景一：RAG（检索增强生成）问答系统
    将企业知识库文档向量化存储，结合 LangChain 的 Retriever 组件与 LLM，实现基于私有数据的精准问答。支持对接 Chroma、Pinecone、FAISS 等主流向量数据库，是构建企业 AI 知识助手的首选方案。

    场景二：智能客服 / AI Agent 工作流
    利用 LangChain 的 Agent 与 Tools 机制，让 LLM 自主调用搜索引擎、数据库查询、API 接口等工具，构建能完成多步骤复杂任务的智能助手。结合 LangGraph 可实现包含人工审批节点的复杂业务流程自动化。

    场景三：结构化数据抽取与处理
    利用 LangChain 的 OutputParser 与 Structured Output 功能，从非结构化文本中抽取结构化信息（如提取简历关键信息、解析合同要素），并输出为 JSON / Pydantic 模型，方便后续业务系统处理。

    💡 推荐理由

    LangChain 是 AI 应用开发领域当之无愧的”基础设施”。如果你正在构建任何与 LLM 相关的应用，LangChain 几乎是你绕不开的选择。

    它的核心价值在于标准化：无论你用 OpenAI、Anthropic 还是国产模型，接口一致；无论你用 PostgreSQL、Pinecone 还是 FAISS 存向量，接口一致。这种抽象让你可以随时切换底层技术，而不用重写应用逻辑。

    2026 年 LangChain 已迭代至 v1.x 稳定版，配套生态（LangGraph 智能体编排、LangSmith 可观测性、Deep Agents 低代码智能体）日趋完善，从快速原型到生产部署的全流程都有成熟方案支撑。

    当然，LangChain 的抽象层较厚，对于追求极致性能的场景可能需要权衡。但对于绝大多数 AI 应用开发者而言，它依然是目前最成熟、社区最活跃、学习资源最丰富的不二之选。

    ⋯⋯

    AI
    开源
    LangChain
    LLM
    AI Agent
  • 【开源推荐】LangChain：139K+ Stars！AI Agent 工程平台，构建 LLM 应用的标准框架

    【开源推荐】LangChain：139K+ Stars！AI Agent 工程平台，构建 LLM 应用的标准框架

    LangChain

    ⭐ GitHub 139K+ Stars

    LangChain

    AI Agent 工程平台 – 构建 LLM 应用的标准框架

    📝 项目简介

    LangChain 是一个强大的 AI Agent 工程平台，为构建 LLM 驱动的应用提供完整的框架和工具链。它提供模块化的组件、丰富的集成库和灵活的抽象层，让开发者能够快速原型设计、轻松集成外部数据源，并将应用规模化部署到生产环境。无论是简单的聊天机器人还是复杂的多 Agent 系统，LangChain 都能提供最佳实践和技术支撑。

    139K+
    GitHub Stars

    23.1K+
    Forks

    MIT
    开源协议

    Python
    主要语言

    ⚙️ 安装要求

    环境要求

    • Python 3.9+ （推荐 3.10 或更高版本）
    • pip 或 uv 包管理器
    • LLM API Key（OpenAI / Anthropic / Google 等）
    • 可选：向量数据库（Chroma / Pinecone / Qdrant 等）

    快速安装

    Bash
    # 使用 uv 安装（推荐）
uv add langchain

# 或使用 pip
pip install langchain

# 安装特定集成（例如 OpenAI）
pip install langchain-openai

# 安装社区集成（例如 Hugging Face）
pip install langchain-community

    ⭐ 核心功能

    🔗 模块化组件架构

    提供 LLM、Chat Models、Prompt Templates、Chains、Agents、Tools、Memory、Retrievers 等标准化模块，每个组件都可独立使用和组合，支持快速搭建复杂 AI 应用。

    🔌 丰富的集成生态

    支持 100+ 模型提供商（OpenAI、Anthropic、Google、Hugging Face 等）、50+ 向量存储（Chroma、Pinecone、Qdrant、FAISS 等）、30+ 工具集成，开箱即用。

    🤖 强大的 Agent 框架

    内置多种 Agent 类型（ReAct、Plan-and-Execute、OpenAI Tools 等），支持工具调用、记忆管理、多轮对话，可构建具有推理和行动能力的智能 Agent。

    📚 RAG 完整支持

    提供从文档加载、文本分割、向量化到检索的完整 RAG 管道，支持多种文档格式（PDF、HTML、Markdown 等）和检索策略（相似度搜索、MMR、Hybrid 等）。

    🚀 生产就绪工具链

    与 LangSmith 深度集成，提供追踪、评估、调试、监控能力；支持流式输出、异步调用、批量处理，满足高并发生产场景需求。

    💡 典型使用场景

    场景 1

    📊 企业知识库问答系统

    使用 LangChain 的 RAG 能力，将企业文档（PDF、Word、HTML）向量化存储，构建能够准确引用来源的智能问答系统。支持多轮对话、上下文记忆和来源追溯。

    from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings
from langchain.chains import create_retrieval_chain

# 加载文档并构建向量库
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(docs, embeddings)

# 创建检索问答链
retriever = vectorstore.as_retriever()
qa_chain = create_retrieval_chain(retriever, ...)

    场景 2

    🤖 智能客服 Agent

    利用 LangChain 的 Agent 和 Tools 机制，让 AI 能够调用订单查询、物流追踪、退款处理等 API，自动完成复杂的客户服务流程，支持多步骤推理和错误处理。

    from langchain.agents import create_tool_calling_agent
from langchain.tools import Tool

tools = [
    Tool(name="订单查询", func=query_order, ...),
    Tool(name="退款处理", func=process_refund, ...)
]

agent = create_tool_calling_agent(llm, tools, prompt)

    场景 3

    ✍️ 内容生成与摘要

    结合 Prompt Templates 和 Chains，构建自动化的内容生成流水线，支持博客文章、产品描述、会议纪要摘要等场景，可集成到现有 CMS 或自动化工作流中。

    from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate

template = "根据以下要点生成博客文章:\n{points}\n文章风格:{style}"

chain = LLMChain(llm=llm, prompt=PromptTemplate.from_template(template))
result = chain.invoke({"points": "...", "style": "专业且易懂"})

    💝 推荐理由

    LangChain 是我接触过的最成熟的 LLM 应用开发框架，没有之一。它不仅仅是一个库，更是一个完整的 AI Agent 工程平台。

    ✅ 生态极其丰富: 无论你想接入哪个模型、哪个向量库、哪个数据源，几乎都能找到现成的集成，省去了大量重复造轮子的时间。

    ✅ 抽象设计优秀: 从底层的 LLM 调用到高层的 Agent 编排，LangChain 提供了多层次的抽象，既能快速 prototyping，也能精细控制每个环节。

    ✅ 社区活跃度高: 139K+ Stars 不是虚的，GitHub 上每天都有新的讨论、PR 和案例分享，遇到问题几乎都能找到答案。

    ✅ 生产工具完善: LangSmith 的集成让调试和监控变得异常简单，这是很多同类框架做不到的。

    如果你正在考虑用哪个框架来构建 AI 应用，LangChain 绝对是首选。它已经成为了这个领域的”标准”，学习它永远不会错 🚀

    ···

    Tags
    #LangChain
    #AI Agent
    #LLM
    #Python
    #RAG
    #Agent工程

  • LangGraph —— 用图结构编排生产级 AI Agent，让复杂工作流清晰可观测

    LangGraph Logo

    GitHub 29K+ Stars

    LangGraph

    生产级 AI Agent 编排框架，用图结构掌控复杂工作流

    项目简介

    LangGraph 是 LangChain 团队推出的低级别 Agent 编排框架，通过有向图（DAG）建模 Agent 的执行路径，实现状态持久化、人机协同、可观测的复杂 AI 工作流。已将 LangChain 从”链式调用”升级为”图式编排”，是多步骤、有条件分支、需要人工审核的 Agent 系统的工程化首选方案。

    安装要求与过程

    环境要求
    • Python >= 3.9
    • pip 包管理器
    • （可选）LangSmith 账号用于可视化管理
    # 快速安装
    pip install -U langgraph

    # 安装 LangGraph Studio（可视化编辑器）
    pip install langgraph-studio

    # 验证安装
    python -c “import langgraph; print(langgraph.__version__)”

    核心功能

    1
    图结构编排（Graph Orchestration）
    用节点（Node）和边（Edge）显式定义 Agent 执行路径，支持条件分支、循环、并行执行，执行过程完全可观测、可回溯、可干预。

    2
    持久化状态（Persistent State）
    自动将 Agent 执行状态持久化到存储后端（内存/SQLite/PostgreSQL），支持从任意断点恢复执行，无需重复处理已完成步骤，是长时间运行 Agent 的基石能力。

    3
    人机协同（Human-in-the-Loop）
    可在 Agent 执行的任意节点暂停，等待人工审核、修改状态或批准下一步操作，适用于高风险决策场景（如金融审批、医疗诊断辅助）。

    4
    多 Agent 协同（Multi-Agent）
    原生支持 Sub-graph（子图）和 Send（动态分发），可构建层级化多 Agent 系统，不同 Agent 负责不同子任务，通过图结构协调通信与状态共享。

    5
    LangSmith 深度集成
    一键接入 LangSmith 可视化追踪平台，实时查看 Agent 执行轨迹、状态变化、Token 消耗和延迟指标，复杂 Agent 行为的调试效率提升 10 倍以上。

    典型使用场景

    场景一：复杂客户支持 Agent
    构建需要多步骤推理的客户支持系统——先理解用户意图（分类节点），再查询知识库（RAG 节点），然后生成回复（LLM 节点），最后人工审核敏感回复（人机协同节点）。每个步骤的执行路径、状态变化、失败重试都通过 LangGraph 图结构精确控制。

    场景二：代码生成与审查流水线
    实现自动化代码生成 Agent——需求分析 → 代码生成 → 静态检查 → 单测生成 → 人工审核 → 提交 PR。每个阶段作为图的一个节点，条件边决定流程走向（如检查失败则回到生成节点），整个流水线状态可持久化，断点续跑无需从头开始。

    场景三：多 Agent 研究助手
    构建多 Agent 协作的研究系统——协调者 Agent 接收问题，分发给搜索 Agent、分析 Agent、写作 Agent，各子 Agent 并行工作，最终结果由审核 Agent 汇总。LangGraph 的 Sub-graph 和状态共享机制让多 Agent 协作的代码结构清晰可维护。

    推荐理由

    LangGraph 解决了 AI Agent 开发中最痛的”黑盒执行”问题。传统 Agent 框架（包括早期 LangChain）的执行路径是隐式的，调试时只能看到最终输出，无法知道 Agent 为什么走了某条路径。

    LangGraph 的核心价值在于显式建模——把 Agent 的每一步逻辑、每一个条件分支、每一个状态转移都定义成图结构，执行过程像代码一样可读、可调试、可复现。这对生产级 Agent 系统来说是刚需。

    实际使用中，最常用的模式是 StateGraph + checkpoint：定义状态类（TypedDict），用 add_node() 和 add_edge() 构建图，用 SqliteSaver 做持久化。整个开发体验接近写普通 Python 代码，但获得的是生产级的容错和可观测能力。

    如果你正在用 LangChain 但感觉 Agent 逻辑不够透明，或者需要构建有条件分支、人工审核环节的 Agent 系统，LangGraph 是目前最成熟的工程化方案，没有之一。

    如果这篇文章对你有帮助，欢迎在 GitHub 给 LangGraph 点个 Star！

  • LangGraph：32.6k Stars！LangChain官方Agent编排框架，让复杂AI工作流可视化可控

    LangGraph：32.6k Stars！LangChain官方Agent编排框架，让复杂AI工作流可视化可控

    🔄

    LangGraph：32.6k Stars！LangChain官方Agent编排框架，让复杂AI工作流可视化可控

    GitHub 热门 AI 开源项目系列 · 第27期

    📦 项目简介

    LangGraph 是 LangChain 官方出品的 Agent 编排框架，专门用于构建、管理和可视化复杂的 AI Agent 工作流。它基于图结构（Graph）设计，让开发者能够以声明式方式定义 Agent 之间的交互逻辑，支持循环、条件分支、状态管理等复杂场景。无论是构建多步骤推理链、人机协作流程，还是复杂的多 Agent 协作系统，LangGraph 都能提供清晰的可编程抽象。

    LangGraph 架构示意图

    LangGraph 基于图结构的 Agent 编排架构

    ⚙️ 安装要求和过程

    环境要求

    • ✅ Python 3.9+
    • ✅ pip 包管理器
    • ✅ （可选）LangSmith 账号用于可视化调试

    快速安装

    Bash
    # 安装LangGraph核心库
pip install langgraph

# 安装LangChain和LLM支持（以OpenAI为例）
pip install langchain-openai

# 可选：安装LangSmith用于可视化调试
pip install langsmith

# 设置环境变量
export OPENAI_API_KEY="your-api-key"
export LANGCHAIN_TRACING_V2="true"  # 启用LangSmith追踪
export LANGCHAIN_API_KEY="your-langsmith-api-key"

    验证安装

    Python
    import langgraph
print(f"LangGraph version: {langgraph.__version__}")

    🎯 核心功能

    🔄 图结构编排

    基于有向图（Directed Graph）定义 Agent 工作流，支持节点（Node）和边（Edge）的灵活配置。可以轻松实现顺序执行、条件分支、循环等复杂逻辑，让 Agent 工作流程清晰可控。

    💾 状态管理

    内置强大的状态管理机制，支持在图执行过程中持久化、传递和更新状态。每个节点的输入输出都明确定义，避免了传统链式调用中的状态混乱问题，方便调试和测试。

    🔄 循环与人工干预

    原生支持循环（Loops）和人工干预（Human-in-the-Loop）场景。可以在图中定义循环逻辑，让 Agent 根据中间结果动态调整执行路径；也支持在关键节点暂停，等待人工审核后再继续。

    📊 可视化调试

    与 LangSmith 深度集成，提供工作流的实时可视化调试功能。可以查看每个节点的输入/输出、状态变化、执行时间等详细信息，快速定位问题。支持本地调试和云端追踪两种模式。

    🚀 生产级部署

    提供 LangGraph Cloud 服务，支持一键部署 Agent 工作流到生产环境。内置版本管理、并发控制、错误恢复、日志监控等企业级特性，让原型快速走向生产。

    💡 典型使用场景

    📰 场景1：多步骤研究报告生成

    构建一个自动化研究报告生成系统：首先用搜索 Agent 从多个来源收集信息，然后用摘要 Agent 提取关键信息，接着用分析 Agent 生成洞察，最后用写作 Agent 生成结构化报告。LangGraph 可以清晰定义每个步骤的依赖关系和数据处理逻辑。

    Workflow

    搜索 Agent → 摘要 Agent → 分析 Agent → 写作 Agent → 人工审核 → 发布

    🤖 场景2：多Agent协作客服系统

    构建一个智能客服系统：意图识别 Agent 分析用户问题，然后根据问题类型路由到专门的知识库 Agent、订单查询 Agent 或退款处理 Agent。如果遇到复杂问题，系统自动升级到人工客服，并在人工处理完后继续自动跟进。

    Workflow

    意图识别 → 路由分发 → 专业Agent处理 → 人工介入（可选） → 结果反馈

    🔄 场景3：代码审查与重构助手

    构建一个代码审查助手：静态分析 Agent 检查代码质量和潜在bug，安全扫描 Agent 识别安全漏洞，性能分析 Agent 发现性能瓶颈，然后综合 Agent 生成审查报告和改进建议。支持循环迭代，直到代码质量达标。

    Workflow

    代码输入 → 多Agent分析 → 综合报告 → 人工确认 → 重构建议 → 循环优化

    🌟 推荐理由

    作为一名经常构建 AI Agent 系统的开发者，我对 LangGraph 的推荐理由如下：

    1️⃣ 可视化让复杂逻辑变得清晰

    传统的 Agent 开发往往依赖复杂的链式调用，逻辑隐藏在代码细节中，难以理解和维护。LangGraph 的图结构让整个工作流一目了然，节点和边的定义清晰明确，方便团队协作和代码审查。

    2️⃣ 状态管理避免了”意大利面条式”代码

    在复杂 Agent 系统中，状态传递往往是最容易出错的地方。LangGraph 内置的状态管理机制，让每个节点的输入输出都有明确定义，避免了全局变量和隐式状态修改，代码质量显著提升。

    3️⃣ 与LangChain生态深度集成

    如果你已经在使用 LangChain，那么 LangGraph 是天然的选择。它可以无缝集成 LangChain 的所有组件（LLM、Prompt Template、Memory、Tools等），复用现有代码，降低学习成本。

    4️⃣ 生产级特性让部署不再头疼

    很多 AI 项目死在从原型到生产的路上。LangGraph Cloud 提供了版本管理、并发控制、错误恢复、日志监控等生产级特性，让 Agent 系统的部署和运行变得可靠和可控。

    LangGraph 让复杂的 AI Agent 工作流变得清晰可控。如果你正在构建多步骤、多Agent的AI系统，或者需要可视化调试和状态管理，LangGraph 绝对值得一试！

    希望这个开源项目能帮助你在 AI Agent 开发的道路上走得更远 🚀

    📌 GitHub 热门 AI 开源项目系列 · 持续更新中

    本文由 WorkBuddy AI 自动采集撰写 · 源码见 GitHub

  • LangChain：百万Stars的AI Agent工程平台，构建智能应用的万能积木

    LangChain：百万Stars的AI Agent工程平台，构建智能应用的万能积木

    说实话，第一次接触LangChain的时候，我觉得这名字起得太绝了——把语言模型像链条一样串联起来，不就是它干的事嘛？

    从2022年底发布到现在，这个框架已经突破了100万 GitHub Stars，月活开发者超过38万，大约1.5万家企业在用它构建AI应用。在AI Agent开发领域，LangChain基本上就是”基础设施”级别的存在。

    LangChain Logo

    🚀 项目简介

    LangChain 是一个开源的AI Agent工程平台，让开发者能够用模块化的方式构建LLM驱动的应用程序。它的核心理念很简单：把AI应用开发中那些重复的”管道工作”标准化，让你专注于真正需要解决的问题。

    创始人是Harrison Chase，项目在2022年10月首次发布。如今LangChain已经从最初的”链式调用”模式进化成了完整的Agent工程平台，旗下包括LangGraph（图工作流引擎）、LangSmith（可观测性平台）和LangGraph Cloud（托管部署服务）。

    ⚙️ 安装要求和过程

    💻 环境要求

    • Python 3.9+ 或 Node.js 18+
    • 至少一个LLM API Key（OpenAI、Anthropic、Google等）

    📦 快速安装

    # Python版本
pip install langchain langchain-openai

# Node.js版本
npm install langchain @langchain/openai

    🧪 30秒上手示例

    from langchain.chat_models import init_chat_model

# 一行初始化模型，支持随时切换供应商
model = init_chat_model("openai:gpt-4o")
result = model.invoke("LangChain是什么？")
print(result.content)

    就这么简单。重点是 init_chat_model 这个函数——你换模型只需要改一个字符串，从 openai:gpt-4o 到 anthropic:claude-sonnet 到 google:gemini，代码不用动。

    💡 核心功能

    • 🔀 LangGraph：图工作流引擎
      LangChain目前最核心的子项目。把Agent的行为定义成有状态图——节点是处理步骤，边是流转规则。支持循环执行、条件分支、并行处理，还有人工介入（human-in-the-loop）的检查点。
    • 🔄 模型无关的抽象层
      写一次代码，换个模型参数就能跑。不管是GPT、Claude还是Gemini，甚至本地部署的Llama，LangChain的抽象层让你不需要为每个模型写适配代码。
    • 🧩 超丰富的集成生态
      700+个集成组件，覆盖向量数据库（Pinecone、Chroma、Weaviate）、工具调用、文件处理、搜索引擎、API对接等。基本上你想连接的外部服务，它都有现成的包。
    • 🔍 LangSmith：全链路可观测性
      在开发调试阶段这是神器——能看到Agent每一步的输入输出、token消耗、延迟，还能做A/B评估。生产环境的Agent出bug了？LangSmith帮你定位问题像用X光一样直观。
    • 📄 RAG（检索增强生成）工具链
      从文档加载、文本切分、向量化存储到检索生成，RAG的全流程LangChain都有成熟的方案。想给AI接上企业知识库？这是最成熟的开源选择之一。

    LangGraph 架构图

    📦 典型使用场景

    📈 场景一：构建企业智能客服

    用LangChain + LangGraph搭建一个多轮对话Agent，连接企业知识库做RAG检索，再通过工具调用（Tool Calling）对接订单查询、退款等业务API。人工客服处理不了的时候自动转人工，整个过程定义成一个清晰的图工作流。

    📊 场景二：自动化数据处理流水线

    比如每天从多个数据源抓取信息 → LLM分析摘要 → 自动生成报告 → 发送到指定渠道。LangChain的链式编排让这条流水线的每一步都可配置、可监控、可回溯。

    🤝 场景三：多Agent协作系统

    LangGraph支持定义多个Agent节点，让它们协作完成复杂任务。比如一个”研究Agent”负责搜索和整理信息，一个”写作Agent”负责生成内容，一个”审核Agent”负责质量把关——各司其职，通过图结构编排协作流程。

    ⭐ 推荐理由

    我觉得LangChain最大的价值不在于某个具体功能，而在于它把AI应用开发从”写Prompt”提升到了”工程化”的层面。

    用创始人Harrison Chase的话说：“你当然可以不用框架直接写Agent——就像你可以不用Web框架直接写网站一样。但大多数人选择用框架，原因是一样的：那些无聊的管道代码既繁琐又容易出错，还会让你分心。”

    Sequoia的合伙人Sonya Huang也说过：“Agent框架是AI技术栈中的中间件层。历史上，中间件公司都是极好的生意，因为它们卡在基础设施和应用之间的关键节点上。”

    当然，Andrej Karpathy也说过反面的观点——最好的生产级Agent代码可能就是一个Python文件加上API调用。这话没毛病，但我个人的经验是，当你的Agent系统复杂度上来了、需要团队协作、需要可观测性、需要快速迭代的时候，有个好框架能省下大量时间。

    💰 一组数据说明一切：

    • 2026年1月完成 2亿美元 C轮融资
    • ARR突破了 5000万美元
    • 月活开发者 38万+
    • 部署企业约 1.5万家

    社区在快速迭代，LangGraph的图工作流范式正在成为Agent开发的事实标准之一。

    📥 下载地址