YOHO AI

标签： LangChain

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
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。

🚀 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。
📦 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
- 🏠 GitHub仓库：https://github.com/langchain-ai/langchain
- 📖 官方文档：https://python.langchain.com/
- 🔧 LangGraph文档：https://langchain-ai.github.io/langgraph/
- 🌐 LangSmith平台：https://smith.langchain.com/
2026年5月18日

标签： LangChain

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

LangGraph

项目简介

安装要求与过程

核心功能

典型使用场景

推荐理由

下载地址

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

📦 项目简介

⚙️ 安装要求和过程

环境要求

快速安装

验证安装

🎯 核心功能

🔄 图结构编排

💾 状态管理

🔄 循环与人工干预

📊 可视化调试

🚀 生产级部署

💡 典型使用场景

📰 场景1：多步骤研究报告生成

🤖 场景2：多Agent协作客服系统

🔄 场景3：代码审查与重构助手

🌟 推荐理由

1️⃣ 可视化让复杂逻辑变得清晰

2️⃣ 状态管理避免了”意大利面条式”代码

3️⃣ 与LangChain生态深度集成

4️⃣ 生产级特性让部署不再头疼

📥 下载地址

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

🚀 项目简介

⚙️ 安装要求和过程

💡 核心功能

📦 典型使用场景

⭐ 推荐理由

📥 下载地址