YOHO AI

标签： LangGraph

  • DeerFlow：46K+ Stars！字节跳动开源超级AI Agent框架，让AI真正”干活”

    DeerFlow：46K+ Stars！字节跳动开源超级AI Agent框架，让AI真正”干活”

    DeerFlow Logo

    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

    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

  • 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