AI 应用框架 · 03

LangGraph 详细解析· 构建有状态、多智能体的复杂应用

基于图的 Agent 编排框架，像搭积木一样简单！

一句话总结

LangGraph 是基于图（Graph）的 Agent 编排框架，专为构建有状态、多节点、循环执行的复杂应用而设计，支持条件分支、并行执行、人工干预等高级特性。

1. LangGraph 是什么？

LangGraph 是基于图（Graph）的 Agent 编排框架，专为构建有状态、多节点、循环执行的复杂应用而设计。核心三要素：LLM/Agent · Graph（图结构） · State（状态）。

基于图结构编排，灵活控制流程
支持循环、条件分支、并行执行
内置状态管理，支持长期记忆
支持人工干预（Human in the loop）
可扩展性强，适合复杂多智能体系统

2. 核心概念

Graph（图）

由节点（Node）和边（Edge）组成，定义执行流程

Node（节点）

执行具体任务的单元，可以是 LLM 调用、工具调用或自定义逻辑

Edge（边）

定义节点之间的连接，可以是条件跳转或无条件跳转

State（状态）

在图执行过程中维护的全局状态，所有节点共享使用

Checkpoint（检查点）

保存执行状态，支持恢复和追溯历史

Agent（智能体）

基于图构建的有状态智能体

3. 执行流程（图执行引擎）

输入

Input

→

初始化状态

State

→

执行节点

Node

→

更新状态

Update

→

条件判断

Edge

→

下一节点

Next Node

→

结束

End

循环执行，直到结束条件满足

边（Edge）类型

Direct Edge无条件边：A → B
Conditional Edge条件边：A → C（with condition）

条件边示例（JSON）

{
  "from": "agent",
  "condition": "state['next']",
  "edges": {
    "continue": "tools",
    "end": "end"
  }
}

4. 典型应用场景

复杂对话系统

支持多轮对话、上下文记忆、工具调用

多智能体协作

多个 Agent 协同完成复杂任务，分工明确

工作流自动化

自动化处理复杂流程，减少人工干预

决策与规划场景

基于状态的决策与规划任务处理

5. 代码示例：构建一个简单的 LangGraph

from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated, List, Dict, Any

# 1. 定义状态
class AgentState(TypedDict):
    messages: Annotated[List[Dict[str, Any]], "消息历史"]
    next: str
    result: str

# 2. 创建图
graph = StateGraph(AgentState)

async def agent(state: AgentState):
    # 调用 LLM 分析用户输入
    return {"next": "tools"}

async def tools(state: AgentState):
    # 调用外部工具
    return {"result": "工具执行结果"}

async def review(state: AgentState):
    # 检查结果，决定是否结束
    if "完成" in state["result"]:
        return {"next": END}
    return {"next": "agent"}

# 3. 添加节点
graph.add_node("agent", agent)
graph.add_node("tools", tools)
graph.add_node("review", review)

# 4. 添加边
graph.set_entry_point("agent")
graph.add_edge("agent", "tools")
graph.add_edge("tools", "review")
graph.add_conditional_edges("review", lambda x: x["next"])

# 5. 编译图
app = graph.compile()

状态定义

节点函数

流转定义

支持循环

支持条件跳转

可视化状态

6. 高级特性

状态持久化

Memory, SQLite, PostgreSQL, Redis 等

检查点机制

支持从任意检查点恢复执行

人工干预

Human in the loop — 流程中可以插入人工审核节点

并行执行

支持多个节点并行，提高效率

可视化调试

提供图形化支持，便于调试和理解流程

多智能体支持

轻松构建多 Agent 协作的复杂系统

7. 与其他框架对比

框架	执行模型	状态管理	流程控制	可扩展	适用场景	可视化
LangChain	线性链	简单状态	固定流程	中等	简单应用	有限
LangGraph	图结构	内置状态	灵活（图+条件）	高	复杂应用/工作流	内置支持
AutoGPT	单智能体循环	中等	循环执行	中等	自主任务执行	无
MetaGPT	多智能体协作	中等	角色式执行	中等	团队协作任务	有限