LangChain LangGraph 教程：编排框架介绍

作者：马育民 • • 阅读：10046

介绍

LangGraph 是 LangChain 团队开发的低级有状态编排框架，核心是把 AI Agent/复杂 LLM 工作流建模为可循环、可分支、可持久化的有向图，解决传统线性链（LCEL）无法自然表达循环、状态管理弱、动态路由僵化的问题，是生产级智能体的核心基建。

1. 定位

  • 不是 LLM 封装/提示词框架，专注Agent 编排与生命周期管理。
  • 可独立使用，也无缝集成 LangChain 生态。
  • 2024-01 首发，2025-10 达 1.0，月下载量约 9000 万，企业客户包括 Klarna、Uber、LinkedIn 等。

设计哲学

  • 低级可控：不隐藏细节，开发者完全掌控节点、边、状态。
  • 图即状态机：每个执行步（superstep）生成状态快照，支持“时间旅行”（回滚/重放）。
  • 持久性优先：Checkpoint（状态持久化）是一等公民，非附加功能。
  • 框架无关：不强绑定 LangChain，可对接任意 LLM SDK。
  • 可组合性：图可嵌套为子图，支持复杂分层工作流。

核心优势

  • ✅ 持久执行：故障自动恢复，从断点续跑。
  • ✅ 人机协作：任意节点可暂停、查看/修改状态，人工介入。
  • ✅ 全面记忆：短期工作记忆+长期会话记忆。
  • ✅ 可视化调试：LangSmith 追踪路径、状态转换、运行指标。
  • ✅ 生产就绪：原生支持长时间运行、高可用部署。

适用场景

  • 多步骤复杂 Agent（如“思考→工具调用→观察→再思考”循环）。
  • 对话系统/聊天机器人（需记忆上下文、多轮交互）。
  • RAG 增强生成（检索→生成→评估→迭代）。
  • 多智能体协作（分工、协商、结果汇总）。
  • 需人工审核/干预的流程（审批、内容 moderation）。
  • 长时间运行的自动化任务（数据处理、ETL、定时调度）。

四大核心组件

1. State（状态）—— 全局共享内存

  • 定义：用 TypedDict 或 Pydantic 模型定义的结构化数据，承载上下文、中间结果、会话信息。
  • 核心字段（最佳实践）：
    from typing import TypedDict, List, Dict, Any
class AgentState(TypedDict):
messages: List[Dict[str, Any]]  # 对话历史（必填）
current_step: str                # 当前执行步骤
user_id: str                      # 用户标识
tool_result: Any                  # 工具返回结果
  • 特点：所有节点只读/更新 State，状态唯一、全局共享、自动传递。

2. Node（节点）—— 执行单元

  • 定义：纯函数，接收 State，处理后返回 State 更新（增量合并，非覆盖）。
  • 常见类型：
    • LLM 节点：调用大模型生成文本/决策（如 call_llm(state)）。
    • Tool 节点：执行外部工具（搜索、API、计算、数据库）。
    • Human 节点：暂停等待人工输入/确认。
    • 条件节点：纯逻辑判断（如“是否需要继续循环”）。
    • 子图节点：嵌套执行另一个 LangGraph（模块化复用）。
  • 示例（LLM 节点）：
    def call_llm(state: AgentState) -> AgentState:
messages = state["messages"]
response = llm.invoke(messages)  # 调用 LLM
return {"messages": messages + [response]}  # 增量更新

Edge（边）—— 流程控制

  • 定义：定义节点间的流向、触发条件、分支逻辑，支持普通边、条件边、循环边。
  • 类型：
    • 普通边：A→B，固定流转。
    • 条件边：根据 State 动态选择下一个节点（如“工具结果是否为空？”）。
    • 循环边：B→A，实现迭代（如“思考→工具→再思考”）。
    • 并行边：A→B、A→C，多节点同时执行。
  • 示例（条件边）：
    def should_continue(state: AgentState) -> str:
# 根据消息数判断是否结束
if len(state["messages"]) > 5:
return "end"
return "continue"

Graph（图）—— 工作流容器

  • 定义：组装节点和边，编译为可执行的运行时，负责调度、状态管理、持久化。
  • 执行流程：START → 节点1 → 边1 → 节点2 → 边2 → … → END。
  • 核心能力：
    • 编译（Compile）：校验图结构，生成执行计划。
    • 调用（Invoke/Stream）：同步/异步执行，支持流式返回（逐字输出）。
    • 持久化（Checkpoint）：自动保存每步状态，支持恢复/回滚。
    • 可视化（Draw）：生成 Mermaid/PNG 图，直观展示流程。

机制

1. 状态管理（State & Checkpoint）

  • 状态不可变：节点返回增量更新，不直接修改原 State，避免副作用。
  • 自动合并：多节点更新同一字段时，自动合并（如 messages 追加）。
  • Checkpoint 持久化：
    • 每执行完一个节点，自动保存 State 快照。
    • 支持内存（默认）、文件、Redis、数据库等存储后端。
    • 故障时从最近快照恢复， Exactly-Once 语义。
  • 时间旅行：可回滚到任意历史快照，重放执行流程，便于调试。

2. 流程控制（分支、循环、并行）

  • 条件分支：通过条件边动态路由，例如：

    START → LLM → 判断（需工具？）→ 是→Tool，否→END

  • 循环执行：通过循环边实现迭代，例如 Agent 核心循环：

    LLM（思考）→ Tool（调用）→ LLM（观察结果）→ 循环
  • 并行执行：同一节点后触发多个节点并行运行，结果合并后继续。

3. 人机协作（Human-in-the-Loop）

  • Human 节点：执行到该节点时自动暂停，等待人工输入。
  • 状态干预：人工可查看当前 State、修改内容、添加指令。
  • 恢复执行：人工确认后，从修改后的 State 继续运行。
  • 典型场景：内容审核、审批流程、复杂决策人工兜底。

4. 调试与可观测性（LangSmith）

  • 全链路追踪：记录每个节点的输入/输出、状态变化、执行耗时。
  • 可视化执行图：直观展示执行路径、分支选择、循环次数。
  • 状态对比：对比不同步骤的 State 差异，定位问题。
  • 性能分析：识别慢节点、瓶颈工具调用，优化流程。

与 LangChain LCEL 对比

特性 LangGraph LangChain LCEL
流程模型 有向图（支持循环/分支） 线性链（单向、无循环）
状态管理 原生全局状态、持久化、时间旅行 无内置状态，需手动传递/存储
动态路由 条件边、循环边、并行边 仅固定顺序，无原生分支
人机协作 原生 Human 节点、暂停/干预 需自定义工具实现，复杂
适用场景 复杂 Agent、多轮对话、RAG 迭代 简单单轮任务、线性管道
生产就绪 持久化、容错、可视化调试 轻量便捷，复杂场景需额外开发

高级特性

1. 子图（Subgraph）

  • 图可嵌套为子图，模块化复用复杂流程（如将“工具调用循环”封装为子图）。
  • 子图有独立状态，也可共享父图状态。

2. 流式执行（Stream）

  • 支持 stream() 方法，逐节点/逐字返回结果，适合实时对话场景。

3. 多智能体协作

  • 多个 Agent 作为节点，分工协作（如“研究员→分析师→总结员”）。
  • 支持 Agent 间消息传递、状态共享、结果汇总。

4. 自定义 Checkpoint 存储

  • 可对接 Redis、PostgreSQL、MongoDB 等，实现分布式持久化。
  • 支持自定义序列化/反序列化逻辑。

总结

LangGraph 是复杂 LLM 应用的“操作系统”，用图模型解决线性链的局限性，以状态管理、持久化、人机协作、可视化调试四大核心能力，成为企业级 Agent 的首选框架。无论是对话机器人、RAG 系统还是多智能体协作，LangGraph 都能提供灵活、可靠、生产就绪的解决方案。

原文出处：/show_1GW3N4a3nZbu.html

吉ICP备15003043号