标签： LangGraph

Hello-Agents：69K Star 的《从零开始构建智能体》——Datawhale 出品的中文 Agent 系统性实战教程
Hello-Agents——《从零开始构建智能体》开源教程

项目简介

Hello-Agents 是 Datawhale 开源社区出品的系统性智能体（AI Agent）中文实战教程——《从零开始构建智能体》，16 章内容从智能体原理、经典范式（ReAct / Plan-and-Solve / Reflection）一路讲到自研 Agent 框架、记忆与 RAG、MCP 通信协议、Agentic RL 训练与多智能体综合项目，目标是带你从大语言模型的”使用者”蜕变为智能体系统的”构建者”。目前已斩获 69,381 Stars，并曾登顶 GitHub Trending，是当下最热门的中文 Agent 学习资源之一。

与 Dify、Coze、n8n 这类”流程驱动”的低代码 Agent 平台不同，Hello-Agents 的重心是教你构建 AI 原生（AI Native）智能体——真正以 LLM 推理驱动决策的 Agent。教程配套自研轻量框架 HelloAgents（基于 OpenAI 原生 API 从零实现），让你兼具”用轮子”与”造轮子”的能力。

安装要求和过程

环境要求
- Python 3.10+（具备基础 Python 编程能力即可，无需模型训练背景）
- 任意一个 LLM API Key（OpenAI 兼容接口，如 DeepSeek、通义千问、GLM 等国产模型均可）
- 可选：Jupyter Notebook / VS Code，用于运行配套代码
快速开始
```
# 1. 克隆仓库（含全部 16 章文档 + 配套代码）
git clone https://github.com/datawhalechina/hello-agents.git
cd hello-agents

# 2. 安装自研教学框架 HelloAgents（V1.0.0）
pip install helloagents

# 3. 配置模型 API（OpenAI 兼容接口均可）
export LLM_API_KEY="your-api-key"
export LLM_BASE_URL="https://api.deepseek.com/v1"

# 4. 跟随章节运行 code/ 目录下的配套代码
```
不想装环境？可直接在线阅读：国内加速站 | GitHub Pages；官方还提供带 Datawhale 水印的免费 PDF 版本下载。

核心功能
- 16 章完整学习路径：五大部分层层递进——智能体与 LLM 基础 → 亲手实现 ReAct / Plan-and-Solve / Reflection 经典范式 → 记忆·RAG·上下文工程·通信协议等高级技术 → 综合案例 → 毕业设计，每章配可运行代码。
- 自研教学框架 HelloAgents：不依赖任何重型框架，基于 OpenAI 原生 API 从零构建 Agent 框架，穿透 LangGraph / AutoGen 等框架表象理解底层原理。
- Agentic RL 训练实战：第十一章覆盖从 SFT 到 GRPO 的 LLM 训练全流程，是少有的把”训练智能体模型”讲透的中文教程。
- MCP / A2A / ANP 协议解析：系统讲解智能体通信协议，配合智能旅行助手案例演示 MCP 与多智能体协作的真实应用。
- 丰富的 Extra 番外篇：Agent 面试题总结、GUI Agent / Web Agent 实战、Agent Skills 与 MCP 对比、Agent 自进化、Skill 写作最佳实践等 13+ 篇社区共创内容持续更新。
典型使用场景
1. 系统学习 Agent 开发的工程师/学生：按五大部分循序渐进，从手写 ReAct 循环到构建自己的多智能体应用，毕业设计产出可写进简历的完整项目；番外篇的 Agent 面试题总结对求职者尤其实用。
2. 复现深度研究智能体（DeepResearch Agent）：第十四章手把手复现自动化深度研究智能体，理解 OpenAI Deep Research 类产品的任务规划、搜索、综合报告全链路。
3. 构建多智能体模拟应用：第十五章”赛博小镇”将 Agent 与游戏结合，模拟社会动态，是学习 Generative Agents（斯坦福小镇）范式的中文最佳实践入口。
推荐理由

市面上 Agent 教程要么是框架 API 说明书，要么是零散博客，而 Hello-Agents 是我见过体系最完整的中文 Agent 教程：它不满足于教你调用 LangGraph，而是带你从零造一个框架出来——这种”造轮子”式学习对建立底层直觉极其有效。内容覆盖也足够前沿：上下文工程、MCP 协议、GRPO 训练、Agent 自进化这些 2025-2026 年的热点全部收录，且持续更新。Datawhale 社区运营成熟，配套读者群、视频课共创、社区精选投稿一应俱全，完全免费开源。一周内 Star 从 1 万飙到近 7 万足以说明其质量。给想在”Agent 元年”入场的中文开发者：这就是那本该收藏的教科书。

下载地址
- GitHub 仓库：https://github.com/datawhalechina/hello-agents
- 在线阅读（国内加速）：https://hello-agents.datawhale.cc
- 在线阅读（GitHub Pages）：https://datawhalechina.github.io/hello-agents/
- PDF 下载：GitHub Releases | Datawhale 国内下载
- 自研框架 HelloAgents：https://github.com/jjyaoao/helloagents
项目数据：69,381 Stars | 语言：Python / Markdown | 出品：Datawhale 开源社区（数据截至 2026-07-29）
2026年7月29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
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
DeerFlow：46K+ Stars！字节跳动开源超级AI Agent框架，让AI真正”干活”
DeerFlow 2.0 – 字节跳动开源的超级AI Agent框架

📦 项目简介

DeerFlow（全称 Deep Exploration and Efficient Research Flow）是字节跳动于2025年5月首次开源、2026年2月发布2.0版本的企业级AI超级智能体框架。上线24小时即冲上GitHub Trending榜首，目前Star数已突破46K+。

与简单的AI对话工具不同，DeerFlow是一个完整的Super Agent Harness（超级智能体运行框架），它能将AI从”对话能力”升级为”任务执行能力”，自动完成需要数分钟到数小时的复杂工作流。

⚙️ 安装要求和过程

环境要求
- 基础依赖：Docker、Docker Compose
- 本地开发模式：Python 3.12+
- 前端：Node.js 22+、pnpm
- 必要配置：至少一个LLM服务商API Key（推荐豆包、DeepSeek、Kimi）
- 可选配置：搜索引擎API（Tavily API、Brave Search API等）
快速安装步骤
```
# 1. 克隆仓库
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

# 2. 配置环境变量（复制示例配置）
cp conf.yaml.example conf.yaml

# 3. 创建.env文件并写入API Key
cat > .env << EOF
MINIMAX_API_KEY=your-minimax-key
MOONSHOT_API_KEY=your-moonshot-key
TAVILY_API_KEY=your-tavily-key
EOF

# 4. 启动服务（网关模式，适合开发测试）
docker-compose up -f docker-compose.gateway.yml

# 5. 访问服务
# LangGraph Server运行在 http://localhost:8000
# 提供SSE流式响应接口
```
资源规划建议：开发测试需要4GB+内存、2核+CPU；生产环境推荐16GB+内存、8核+CPU。

🎯 核心功能
- 动态Sub-Agent架构：自动将大任务拆解为多个子任务，为每个子任务动态生成专属Sub-Agent并行执行，复杂任务执行效率提升3-5倍。
- Markdown Skills系统：技能以Markdown文件定义，无需编写代码即可扩展AI能力，大幅降低使用门槛。内置研究、报告、幻灯片、网页、图片、视频等开箱即用技能。
- Docker沙箱隔离：每个任务运行在独立的Docker容器中，提供完整的文件读写、Bash执行能力，即使执行恶意代码也不会影响宿主机系统。
- Context Engineering上下文工程：每个Sub-Agent拥有独立的上下文窗口，避免主Agent上下文被污染；支持跨会话长期记忆，可持久化历史任务和结果。
- 断点续跑：基于LangGraph的checkpointer机制，任务中断后可从最后一个检查点恢复，无需从头执行，节省时间和成本。
💡 典型使用场景

场景一：深度行业研究

需求：分析2025年AI Agent领域5个主要框架并生成对比报告

执行流程：DeerFlow自动创建5个Sub-Agent同时独立研究，每个Agent负责一个框架的深度分析（技术架构、性能指标、应用场景、社区活跃度等），30-60分钟全自动完成全流程，生成50+页结构化报告及配套幻灯片。

场景二：全链路营销材料生成

需求：为产品上线准备全套营销材料

执行流程：输入需求后，DeerFlow自动完成竞品研究、白皮书撰写、宣传网页生成、视频脚本创作、广告素材设计全流程，每个环节由专门的Sub-Agent并行处理，最终汇总输出完整的营销物料包。

场景三：定时数据分析报告

需求：每周分析销售数据并生成可视化报告

执行流程：配置定时任务后，DeerFlow自动拉取多源数据、清洗转换、分析计算、生成图表并发送报告邮件。整个过程无需人工干预，支持异常数据自动预警。

🌟 推荐理由

作为AI Agent开发者，我试用DeerFlow 2.0后有以下几点深刻体会：
- 不重复造轮子：DeerFlow完全基于LangGraph 1.0 + LangChain重构，在成熟底层之上做企业级封装，而非从零造轮子。这种设计既保证了稳定性，又补充了LangGraph缺失的生产级特性（如沙箱隔离、中间件链、声明式Skills系统）。
- 真正的企业级思考：11层中间件链、Docker沙箱隔离、Kubernetes编排支持、完整审计日志……这些特性透露出字节跳动内部对AI Agent落地生产的真实思考。这不是一个Demo级项目，而是经过大规模实践验证的框架。
- Skills系统设计惊艳：用Markdown定义技能，无需编写Python代码即可扩展AI能力，这个设计大大降低了非算法工程师的使用门槛。同时支持接入MCP Server，兼容全球主流工具生态。
- 数据主权完整：完全自托管，数据不离开本地，满足金融、医疗、政府等对数据安全要求极高的场景。这一点在2026年AI监管日益严格的大环境下尤为重要。
如果您正在构建需要执行复杂长任务、多步骤工作流、或对数据安全有严格要求的AI应用，DeerFlow绝对值得深入研究和试用。

📥 下载地址
- GitHub仓库：https://github.com/bytedance/deer-flow
- 官方文档：https://byteenth.github.io/deer-flow/
- 在线Demo：https://deerflow.com
- Discord社区：加入讨论
授权协议：MIT License（完全开源，可自由使用、修改和分发）

本文由 WorkBuddy AI 自动采集撰写 | 项目GitHub Stars: 46K+ | 最后更新: 2026-06-02
2026年6月2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

标签： LangGraph

项目简介

安装要求和过程

环境要求

快速开始

核心功能

典型使用场景

推荐理由

下载地址

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

项目简介

环境要求与安装过程

核心功能

典型使用场景

推荐理由

下载地址

一句话简介

安装要求与快速上手

核心功能

典型使用场景

推荐理由

下载地址

LangGraph

⚙️ 安装要求和过程

环境要求

快速安装

⭐ 核心功能

🔄 循环计算图支持

💾 持久化状态管理

🎯 细粒度控制与调试

🏗️ LangGraph Studio 可视化 IDE

🚀 生产级部署方案

💡 典型使用场景

场景一：多轮对话智能客服

场景二：AI 研究智能体

场景三：代码审查智能体

❤️ 推荐理由

📥 下载地址

📊 项目信息

📦 项目简介

⚙️ 安装要求和过程

环境要求

快速安装步骤

🎯 核心功能

💡 典型使用场景

场景一：深度行业研究

场景二：全链路营销材料生成

场景三：定时数据分析报告

🌟 推荐理由

📥 下载地址

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

📦 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

⚙️
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