标签： LangChain

OpenWiki —— LangChain 出品的自我维护 Wiki CLI，让 Agent 为你写文档
项目简介

OpenWiki 是 LangChain 团队开源的「自我维护 Wiki CLI」——一个命令行工具，让 AI Agent 自动为你的代码库或个人知识库撰写并持续维护 Markdown 文档。它内置 Deep Agents 文档智能体，读取源码后合成带链接的 Wiki，每次代码变更都能自动更新；同时提供交互式可视化节点图，让你像浏览思维导图一样探索整个知识体系。

一句话总结：「为 Agent 写的文档，给人读的 Wiki。」

OpenWiki — 自我维护的 Wiki

安装要求与快速上手

环境要求
- Node.js ≥ 18（推荐 LTS 版本）
- npm / pnpm 包管理器
- 任一 LLM 提供商 API Key（首次运行时引导配置）
安装步骤
```
# 全局安装 CLI
npm install -g openwiki

# 初始化代码库文档（交互式选择模型提供商）
openwiki --init

# 一键更新文档
openwiki --update

# 启动可视化浏览器
openwiki visualize
```
个人知识库模式
```
# 初始化个人大脑模式
openwiki personal --init

# 认证数据源连接器
openwiki auth notion      # Notion OAuth
openwiki auth gmail       # Gmail OAuth
openwiki auth x           # X/Twitter OAuth

# 执行全量数据摄取并生成 Wiki
openwiki ingest all
```
核心功能

1. Agent 驱动的自动文档生成

基于 LangChain Deep Agents 框架的文档专用智能体，自动分析源码结构、模块依赖、函数签名和业务逻辑，生成结构化 Markdown 文档。支持 .openwikiignore 规则排除敏感路径（类似 .gitignore），确保私有信息不泄露。

2. 双模式：Code Wiki + Personal Brain
- Code 模式（默认）：扫描当前仓库，输出到 openwiki/ 目录，同时维护根目录的 AGENTS.md 和 CLAUDE.md 引导文件。
- Personal 模式：接入 Notion、Gmail、X/Twitter、Hacker News、Web Search 等数据源，将碎片化知识合成为本地 Wiki（存储在 ~/.openwiki/wiki/）。
3. 12+ 模型提供商开箱即用

默认 OpenAI（gpt-5.6-terra），同时支持 Anthropic Claude、Google Gemini、AWS Bedrock、GitHub Copilot、OpenRouter、Nebius/Fireworks/Baseten/NVIDIA NIM，以及任何 OpenAI 兼容端点（Ollama、LM Studio、LiteLLM 网关等）。Copilot 用户可直接复用现有订阅，无需额外购买 API Key。

4. 交互式可视化浏览器

运行 openwiki visualize 即可启动本地 Web 服务，将 Wiki 渲染为交互式节点图 + 实时 Markdown 阅读器。左侧树形目录导航，右侧图谱展示概念关系，点击节点即时查看内容。编辑文件后自动热重载。

5. CI/CD 自动文档流水线

通过 GitHub Actions / GitLab CI / Bitbucket Pipelines 定时触发文档更新，每次提交自动生成 Docs PR。零成本无变更运行——OpenWiki 会快照对比，只有实际变化才记录元数据，避免 CI 积分浪费。

6. OKF 开放知识格式 & Mermaid 图表

输出符合 Google Open Knowledge Format (OKF) v0.1 标准，可移植到任何 OKF 兼容工具。自动在合适位置插入 Mermaid 图表（序列图、ER 图、状态机、流程图），且每次更新都验证图表有效性，损坏的图表会降级为纯文本并在下次修复。

典型使用场景

场景一：大型项目新人 Onboarding

一个拥有 200+ 微服务的后端仓库，新工程师通常需要两周才能理清架构。部署 OpenWiki 后，CI 在每次合并主分支时自动更新架构文档、模块关系图和 API 速查表。新人 clone 下来后 openwiki visualize 一眼看到全局，配合 AGENTS.md 让 AI 编码助手也能精准理解上下文。

场景二：个人知识中台

技术负责人的知识散落在 Notion 笔记、Gmail 重要邮件、Twitter 收藏的技术讨论和 HN 热帖中。OpenWiki Personal 模式一次性接入所有源，定期 ingest all 同步，自动去重、关联、归纳成带链接的知识网络。需要回忆某个技术决策时，可视化图中一眼定位。

场景三：Agent 记忆层

团队使用 Claude Code 或 Codex 做日常开发，但 Agent 的上下文窗口有限，无法容纳整个代码库历史。OpenWiki 生成的 AGENTS.md 作为持久记忆层，每次 Agent 启动时自动加载 Wiki 摘要，理解架构后再动手写代码，减少幻觉和无效重构。

推荐理由

作为 LangChain 官方出品，OpenWiki 解决了一个非常实际的问题：文档总是过时。传统方案要么靠人肉维护（没人愿意做），要么用静态文档生成器（只管骨架不管灵魂）。OpenWiki 的思路很聪明——把「写文档」这件事交给最懂代码的 Agent，同时保留人类对文档的所有权（纯 Markdown，版本控制）。

我个人最喜欢的三个设计：
① Copilot 复用——如果你已经有 GitHub Copilot 订阅，直接拿来跑推理，不用再掏钱买 API Key；
② .openwikiignore——安全意识很好，从根源上防止密钥泄露进文档；
③ 可视化节点图——不是花哨功能，对于理解陌生代码库真的有用，比翻几十个 README 快十倍。

13K+ Stars、日增上千的趋势也说明社区对这个方向的认可。如果你正在维护一个中等规模以上的项目，或者想让 AI 编程助手更懂你的代码库，OpenWiki 值得一试。

下载地址
- GitHub 仓库：https://github.com/langchain-ai/openwiki
- npm 包：https://www.npmjs.com/package/openwiki
- Deep Agents 框架：https://github.com/langchain-ai/deepagentsjs
2026年8月1日
Agents Towards Production：21.2K Stars 的生产级 GenAI Agent 实战教程库
项目简介

Agents Towards Production 是 Nir Diamant 维护的一套开源、代码优先的教程合集，目标是帮助开发者把 GenAI Agent 从「能跑的原型」推进到「可上线的产品」。仓库目前包含 28 个生产级教程，覆盖工具集成、RAG、记忆、部署、安全、评估、UI 等 13 大模块，所有代码都以可运行的 Notebook 形式提供。

安装要求和过程
- 环境要求：Python 3.10+、Jupyter Notebook / JupyterLab、Git
- 克隆仓库：git clone https://github.com/NirDiamant/agents-towards-production.git
- 进入对应教程目录，例如：cd tutorials/LangGraph-agent
- 安装依赖：每个教程都有独立的 requirements.txt，执行 pip install -r requirements.txt
- 启动 Jupyter：jupyter notebook，按 Notebook 说明逐格运行即可
核心功能
- 端到端生产链路：从 Prompt 工程、状态化工作流、向量记忆，到 Docker/FastAPI 部署、GPU 扩展、安全防护，形成完整闭环。
- 可运行教程：每个教程独立成册，直接提供 Notebook 与依赖文件，几分钟内就能从概念跑到可交互的 Agent。
- 主流技术栈实战：涵盖 LangGraph、LangChain、MCP、Redis、Mem0、Cognee、LlamaFirewall、RunPod、AWS Bedrock、Streamlit 等。
- 安全与可观测性：包含安全护栏、Apex 安全评估、LangSmith Tracing、IntellAgent 自动评估等实战内容。
- 多智能体协作：讲解 A2A 协议下的智能体间通信与任务分发。
典型使用场景
- 企业 RAG 落地：Contextual AI 教程演示如何在 15 分钟内构建面向金融文档分析的企业级 RAG，包含文档处理、索引与 LMUnit 自动化评测。
- 可部署 Agent 服务：Docker 容器化 + FastAPI 端点部署教程，教你把 LangGraph 工作流封装成可调用的 REST API。
- 长记忆客服助手：结合 Redis 双记忆、Mem0 向量+图谱、Cognee 构建能持续学习用户偏好的对话 Agent。
推荐理由

这是一本「会动的书」：不是泛泛而谈的设计模式，而是把每个生产环节拆成可执行的 Notebook。对已经会用 LLM、但苦于不知道怎么把 Agent 真正交付到生产环境的人来说，它补全了从原型到运维之间最关键的拼图。21.2K Stars 和活跃的社区也证明了它的实用价值。

下载地址
- GitHub：https://github.com/NirDiamant/agents-towards-production
- 官网/课程：https://diamant-ai.com
- Discord 社区：https://discord.gg/cA6Aa4uyDX
2026年7月29日
DeerFlow：字节跳动开源的超级智能体运行时，77.8K Stars 登顶 GitHub Trending
项目简介

DeerFlow（Deep Exploration and Efficient Research Flow） 是字节跳动开源的一款「超级智能体运行时（Super Agent Harness）」——它把沙箱、记忆、工具、技能、子智能体和消息网关整合在一起，让 AI 智能体能够自主完成从几分钟到数小时不等的长程任务：研究、写代码、做报告、生成幻灯片，几乎无所不能。

截至发稿，DeerFlow 在 GitHub 上已收获约 77,800+ Stars，并在 2026 年 2 月 DeerFlow 2.0 发布后一度登顶 GitHub Trending 榜首。

环境要求与安装过程

环境要求：Python 3.12+、Node.js 22+；推荐使用 Docker 部署（本地评估建议 4 核 8G，长期运行服务器建议 8 核 16G 起）。Linux + Docker 是推荐的生产部署环境，macOS/Windows 更适合作为开发评估环境。

快速开始：
```
# 1. 克隆仓库
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

# 2. 运行安装向导（约 2 分钟，交互式选择 LLM 提供商、搜索引擎、沙箱等）
make setup

# 3. 用 Docker 启动（推荐）
make docker-init    # 首次拉取沙箱镜像
make docker-start   # 启动服务

# 之后访问 http://localhost:2026
```
随时可运行 make doctor 检查配置并获取修复建议。官方推荐搭配 Doubao-Seed-2.0-Code、DeepSeek v3.2 或 Kimi 2.5 等模型运行。

配套桌面工具 LLM Space：可原型化智能体思路、逐步检查每一步、回放失败并做性能基准测试

核心功能
- 技能与工具（Skills & Tools）：技能是让 DeerFlow「无所不能」的核心。每个技能是一个结构化的 Markdown 能力模块，内置研究、报告生成、幻灯片制作、网页、图像与视频生成等；技能按需渐进加载，保持上下文窗口精简，对 token 敏感的模型也很友好。
- 子智能体（Sub-Agents）：主智能体可即时派生子智能体，每个拥有独立作用域的上下文、工具与终止条件，尽可能并行执行并汇总结构化结果，最终由主智能体综合成连贯输出。
- 沙箱与文件系统：沙箱感知的执行环境，让智能体安全地运行代码、读写文件，处理更复杂的多步任务。
- 长期记忆：跨会话持久记住你的画像、偏好与积累的知识——写作风格、技术栈、常用工作流，用得越多越懂你。记忆本地存储，完全由你掌控。
- 开放集成：基于 LangGraph 与 LangChain 构建，支持 MCP Server、多模型提供商、Claude Code / Codex CLI 集成、IM 渠道、飞书/Lark 集成以及 LangSmith / Langfuse 等可观测性追踪。
典型使用场景
- 深度研究报告：作为最初的 Deep Research 框架，DeerFlow 擅长针对复杂主题自动检索、爬取、交叉验证并输出结构化研究报告，甚至生成播客音频。
- 内容与办公自动化：社区已用它构建数据管道、生成幻灯片、搭建仪表盘、自动化内容工作流——一个 harness 覆盖多类办公与创作任务。
- 长程复杂任务编排：借助子智能体并行拆解、沙箱执行与长期记忆，适合需要数分钟到数小时、涉及多步骤和多工具协作的自动化流程。
推荐理由

DeerFlow 最打动我的地方，是它从「一个 Deep Research 框架」进化成了「开箱即用又高度可扩展的超级智能体运行时」。2.0 版本完全重写，把智能体真正落地干活所需的基础设施——文件系统、记忆、技能、沙箱、子智能体——全部内置。你既可以拿来即用，也可以拆开改造成自己的东西。加之字节跳动背书、MIT 许可、活跃维护和庞大社区，无论是想学习智能体架构，还是想搭一套自己的自动化工作台，DeerFlow 都非常值得一试。

下载地址
- 官方网站：https://deerflow.tech
- GitHub 仓库：https://github.com/bytedance/deer-flow
开源许可：MIT｜主要语言：Python｜Stars：约 77.8K
2026年7月26日
Open Deep Research：LangChain 官方开源的深度研究智能体，模型与搜索全可替换
Open Deep Research 是 LangChain 官方开源的一个「深度研究智能体（Deep Research Agent）」——简单、可配置、完全开源，能跨多种模型提供商、搜索工具和 MCP 服务器工作，性能可媲美众多主流深度研究产品（在 Deep Research Bench 排行榜上曾进入前列）。

一句话简介

一个把「深度研究」这一最热门的 Agent 应用完整开源、可自由替换模型与搜索后端的研究智能体：你提一个复杂问题，它自动规划、并发检索、压缩证据，并产出一份带引用的高质量研究报告。

安装要求与快速上手

环境要求：Python 3.11（推荐），使用 uv 管理虚拟环境；需要至少一个 LLM 提供商的 API Key（默认 OpenAI），以及一个搜索 API（默认 Tavily）。
```
# 1. 克隆仓库并创建虚拟环境
git clone https://github.com/langchain-ai/open_deep_research.git
cd open_deep_research
uv venv
source .venv/bin/activate   # Windows: .venv\Scripts\activate

# 2. 安装依赖
uv sync

# 3. 配置环境变量（模型、搜索工具等）
cp .env.example .env

# 4. 本地启动 LangGraph 服务，打开 Studio UI
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev --allow-blocking
```
启动后会自动打开 LangGraph Studio UI，在 messages 输入框里提问并点击 Submit 即可，还能在 “Manage Assistants” 里切换不同配置。

核心功能
- 全流程自动研究：自动完成”任务规划 → 并发检索 → 结果摘要 → 证据压缩 → 撰写带引用的最终报告”整条链路。
- 模型自由组合：基于 init_chat_model() 兼容几乎所有主流 LLM，且摘要 / 研究 / 压缩 / 报告撰写四个环节可分别指定不同模型（如 gpt-4.1-mini 摘要、gpt-5 或 Claude Sonnet 4 做研究）。
- 搜索后端可插拔：默认 Tavily，同时支持 Anthropic / OpenAI 的原生联网搜索，并完整兼容 MCP 服务器，可接入自定义工具。
- 基准可评测：内置对接 Deep Research Bench（100 道博士级研究任务，覆盖 22 个领域），用 RACE 分数量化研究报告质量。
- 部署方式多样：支持本地 LangGraph Studio 调试、LangGraph Platform 托管部署，以及面向非技术用户的 Open Agent Platform（OAP）可视化配置。
典型使用场景
- 行业 / 竞品调研报告：输入”分析某赛道 2025 年主流玩家与技术路线”，自动检索多来源并输出结构化、带引用的调研报告。
- 学术与技术综述：面对博士级、跨领域的复杂问题，自动拆解子问题、并发检索文献并汇总成论证严谨的综述。
- 企业内部知识 Agent：借助 MCP 接入内部数据源与自定义搜索，搭建可私有化部署、可替换模型的企业级深度研究助手。
推荐理由

市面上”深度研究”功能大多藏在闭源产品里，而 Open Deep Research 把这套能力彻底开源、模块化，最大的价值在于”每一层都能换”：换模型、换搜索、换部署方式都只是改配置。它由 LangChain 官方维护、有配套免费课程和详尽评测数据，既适合想理解 Deep Research 内部原理的开发者拆解学习，也适合企业作为自研研究 Agent 的高质量起点。如果你正想做一个能自动查资料、写报告的 Agent，这是目前最值得参考的开源实现之一。

下载地址
- GitHub 仓库：https://github.com/langchain-ai/open_deep_research
- 官方博客介绍：https://blog.langchain.com/open-deep-research/
- 免费课程：Deep Research with LangGraph（LangChain Academy）
项目数据：约 12.4K Stars · 1.75K Forks · 语言 Python · 许可证 MIT（数据截至 2026 年 7 月）。
2026年7月24日
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

🐙 GitHub：github.com/FlowiseAI/Flowise

🌐 官方网站：flowiseai.com

📚 官方文档：docs.flowiseai.com

☁️ Flowise Cloud：flowiseai.com（官方托管服务，免部署即用）

💬 Discord 社区：discord.gg/jbaHfsRVBW
● ● ●

📌 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
2026年7月1日
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 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。

📥
下载地址

🐙

GitHub 仓库

langchain-ai/langgraph · 35.5K+ Stars · 5.9K+ Forks

访问 →

📚

官方文档

完整教程、API 参考、示例代码

访问 →

🎓

官方教程

从零开始学习 LangGraph，包含多个实战案例

访问 →

📦

PyPI 安装包

pip install langgraph · 最新版本 1.2.6

访问 →

💻

示例代码

官方示例集合，涵盖聊天机器人、研究智能体、RAG 等场景

访问 →

📊 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
2026年6月23日
LangChain — 135K+ Stars 的 AI 智能体工程平台，构建 LLM 应用的首选框架
🔗 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。

📥 下载地址

🐙

GitHub 仓库

github.com/langchain-ai/langchain

📚

官方文档

docs.langchain.com

🎓

LangChain Academy 免费课程

academy.langchain.com

📦

PyPI 安装包

pypi.org/project/langchain

⋯⋯

AI
开源
LangChain
LLM
AI Agent
2026年6月17日
【开源推荐】LangChain：139K+ Stars！AI Agent 工程平台，构建 LLM 应用的标准框架
⭐ 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 🚀

📥 下载地址

🐙 GitHub 仓库

langchain-ai/langchain

→

📚 官方文档

python.langchain.com

→

📦 PyPI 安装包

pypi.org/project/langchain

→

🔍 LangSmith 平台

smith.langchain.com

→

···

Tags

#LangChain
#AI Agent
#LLM
#Python
#RAG
#Agent工程
2026年6月14日
LangGraph —— 用图结构编排生产级 AI Agent，让复杂工作流清晰可观测
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。

下载地址

GitHub 仓库
 官方文档
 免费课程
 LangGraph.js

如果这篇文章对你有帮助，欢迎在 GitHub 给 LangGraph 点个 Star！
2026年5月26日
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 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。

📥 下载地址

📦

GitHub 仓库

langchain-ai/langgraph

⭐ 32.6k+ Stars

📚

官方文档

完整教程和API参考

📖 详细文档

🐍

PyPI 安装

pip install langgraph

📦 最新版本

🔍

LangSmith 平台

可视化调试和追踪

🚀 生产级监控

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
2026年5月23日