LangGraph
★ 36.3k · GitHub →把 Agent 建模为图的低层编排框架,专为有状态、长时运行的工作流而生。
安装
$ pip install langgraph LangGraph 是什么?
LangGraph 是 LangChain 团队对一个难题的回答:当 Agent 需要运行数小时、崩溃后恢复、中途等人审批时怎么办?它的做法是把工作流建模成图——节点是步骤,边是转移,checkpointer 在每个节点后持久化完整状态。这套检查点架构撑起了它的招牌能力:从断点精确恢复的持久执行、时间旅行式调试、可以挂起数天等待人工介入的 human-in-the-loop 中断。
它刻意保持低层。不像 CrewAI 或 AutoGen 给你现成的角色和对话模式,LangGraph 要求你亲手定义状态 schema、节点和条件边。前期工作量更大,但换来的是控制流完全由你书写——没有框架魔法替你决定哪个 Agent 何时发言。Klarna、Replit、Elastic 等公司在生产环境跑它,LangChain 自家的高层 Agent 抽象底层也编译到 LangGraph。
代价是实实在在的学习曲线:如果你只写过顺序执行的 Agent 循环,状态 reducer 和图编译的思维方式会很陌生,简单任务用它有过度设计之嫌。LangGraph 本身是 MIT 开源且可独立使用(不依赖 LangChain);LangSmith 和托管部署平台是其上的商业层。
核心能力
- ▸ 基于图的控制流:显式节点、条件边、循环与并行分支
- ▸ Checkpointer 支撑的持久执行——崩溃或重启后从精确状态恢复
- ▸ Human-in-the-loop 中断:在图中途暂停运行,状态可无限期保持
- ▸ 内置短期与长期记忆原语,构建真正有状态的 Agent
- ▸ MIT 协议核心可独立使用,LangSmith 追踪与托管部署为可选项
什么时候该用它
当可靠性是硬需求时选 LangGraph:必须扛住重启的多步工作流、运行中途的审批关卡、需要检查和回放的 Agent 状态。论生产级持久性,它是这个清单里最强的。但周末原型或单个工具调用 Agent 别用它——图的仪式感只会拖慢你,用 Pydantic AI 或 OpenAI Agents SDK 写个简单循环,十分之一的代码就能交付同样的东西。
替代方案
常见问题
用 LangGraph 必须依赖 LangChain 吗?
不必。LangGraph 是独立的 MIT 开源库,图节点里可以直接调用任何模型 SDK。不少团队只用 LangGraph 做编排,完全绕开 LangChain。当然,想用 LangChain 的模型和工具集成时可以方便地接入,两者本就设计为可组合。
LangGraph 的 checkpointer 是什么?
Checkpointer 在每个节点执行后把图的完整状态持久化到 SQLite、Postgres 或 Redis 等后端。它是三大能力的基础:持久执行(崩溃后恢复)、human-in-the-loop 中断(暂停等待审批)、时间旅行调试(回退到任意历史状态重新运行)。
简单 Agent 用 LangGraph 是不是过度设计?
通常是。如果你的 Agent 就是"调模型、跑工具、循环"这一个环路,定义状态 schema、编译图这些仪式没有收益。LangGraph 的复杂度在需要分支工作流、跨重启持久化或人工介入暂停时才物有所值。建议从简单方案起步,需求出现了再迁移。
星标数据更新于 2026-07-02 · 每周从 GitHub API 自动刷新 · 浏览全部工具 →