内容纲要
一、核心定位
LangGraph 是面向 Agent 的低层级编排框架与运行时，用于构建、管理和部署长时间运行、有状态的智能体，帮助设计能可靠处理复杂任务的 Agent。
| 维度 | 说明 |
|---|---|
| 定位 | 专注 Agent 编排（Orchestration），不抽象 Prompt 或架构 |
| 层级 | 低层级，需先了解 models、tools 等基础组件 |
| 独立性 | 可不依赖 LangChain 使用，但文档中常用 LangChain 集成模型与工具 |
| 适用对象 | 需要精细控制编排逻辑的开发者；入门或追求高层抽象可优先用 LangChain 的 agents |
二、核心能力
| 能力 | 说明 |
|---|---|
| Durable execution（持久化执行） | 故障后可恢复，支持长时间运行，从断点继续 |
| Human-in-the-loop（人机协同） | 在任意节点检查、修改 Agent 状态，引入人工审核 |
| Comprehensive memory（完整记忆） | 短期工作记忆 + 跨会话长期记忆，支持有状态 Agent |
| LangSmith 调试 | 可视化执行路径、状态流转与运行时指标 |
| 生产部署 | 面向有状态、长时工作流的可扩展部署能力 |
三、生态与安装
安装
pip install -U langgraph
生态组件
- LangSmith：追踪请求、评估输出、监控部署
- LangSmith Agent Server：长时、有状态工作流的部署与扩展平台
- LangChain：模型与工具集成，高层 Agent 抽象基于 LangGraph 构建
四、快速示例
from langgraph.graph import StateGraph, MessagesState, START, END
def mock_llm(state: MessagesState):
return {"messages": [{"role": "ai", "content": "hello world"}]}
graph = StateGraph(MessagesState)
graph.add_node(mock_llm)
graph.add_edge(START, "mock_llm")
graph.add_edge("mock_llm", END)
graph = graph.compile()
graph.invoke({"messages": [{"role": "user", "content": "hi!"}]})
五、设计渊源
- 受 Pregel、Apache Beam 启发
- 公开接口参考 NetworkX
- 由 LangChain Inc 开发，可独立于 LangChain 使用