引言
在过去的一两年中，大语言模型（LLM）的应用开发经历了翻天覆地的变化。我们从最初简单的 Prompt 工程（单次问答），过渡到了将多个步骤串联起来的 Chain（链式工作流）。但随着业务场景的复杂化，开发者们发现，真实的业务逻辑往往不是一条笔直的单行道，而是需要：
- 循环与迭代：例如，Agent 生成代码后需要运行测试，报错了要返回去修改，直到测试通过。
- 状态维护（Memory）：在复杂的跨步骤任务中，Agent 需要持续记录上下文、变量和中间结果。
- 人机协同（Human-in-the-Loop）：在关键决策点暂停，等待人工审核或修改，再继续执行。
传统的链式框架（如传统的 LangChain）在处理这些有循环（Cyclic）且需要精细状态管理的复杂场景时会显得捉襟见肘。为此，LangChain 团队推出了专门的框架——LangGraph。
什么是 LangGraph？
LangGraph 是一个用于构建状态化（Stateful）和多角色（Multi-actor） LLM 应用的库。它允许你将工作流定义为一个图（Graph）结构，其中：
- Node（节点） 代表步骤或动作（例如：调用 LLM、执行 Tool、查询数据库）。
- Edge（边） 代表控制流，它决定了执行完一个步骤后下一步该去哪里（支持条件分支和循环）。
- State（状态） 则是贯穿整个图的共享内存，每个节点都可以读取并更新这个状态。
与只支持有向无环图（DAG）的传统工作流引擎不同，LangGraph 原生支持循环（Cycles）。这使得它成为构建 AI Agent（特别是需要自我反思、纠错和自主决策的复杂 Agent）的首选框架。
LangGraph vs LangChain
很多初学者会产生疑问：既然已经有了 LangChain，为什么还要学 LangGraph？它们是什么关系？
其实，它们并不是替代关系，而是互补关系：
| 特性 | LangChain (LCEL) | LangGraph |
|---|---|---|
| 核心定位 | 组件集成与线性链式调用 | 状态化、多 Agent 循环工作流编排 |
| 控制流 | 主要是线性的有向无环图（DAG） | 原生支持循环（Cyclic）、反馈迭代 |
| 状态管理 | 弱，通常需要开发者手动传递参数 | 强，内置全局 State，自动持久化和合并更新 |
| 人机交互 | 较难原生支持中断与修改 | 内置支持断点（Interrupts）与状态修改 |
| 时间旅行 | 不支持 | 支持回溯历史（Rewind）和分支运行（Fork） |
总结：LangChain 是你工具箱里的各种零件（如 Model 接口、Prompt 模板、Output Parser），而 LangGraph 是能够把这些零件拼装成高度自动化、可循环、可交互的复杂机器的“控制中枢”。节点 Node 本身可以直接嵌入 LCEL 表达式或 Runnable 实例。
LangGraph 的三大核心概念
要掌握 LangGraph，只需要理解三个最基础的概念：State（状态）、Nodes（节点） 和 Edges（边）。
1. State (状态)
State 是整个图的共享内存（通常定义为 Python 的 TypedDict 或 Pydantic 模型）。
- 图中的每个节点在执行时，都会接收到当前的 State。
- 节点执行完毕后，会返回一个字典来更新 State。
- Reducer（合并器）：你可以为 State 中的某个字段指定合并规则。例如，在处理对话消息列表时，使用
Annotated[list, add_messages]（来自langgraph.graph.message）可以避免简单覆盖，实现按消息 ID 追加或更新历史消息。
2. Nodes (节点)
Nodes 是图中的执行单元。每个 Node 通常是一个 Python 函数或 LangChain 表达式（LCEL Runnable）。
- 它的函数签名非常简单：接收
State，返回一个包含状态更新的dict。 - 示例：
def assistant_node(state: MyState): # 1. 从 state 中读取信息 # 2. 调用 LLM 或执行某种逻辑 # 3. 返回要更新/添加的字段 return {"messages": ["LLM 的回复内容"]}
3. Edges (边)
Edges 决定了节点之间的跳转逻辑，分为两种：
- 普通边（Deterministic Edges）：固定的路由。例如节点 A 执行完后，必定进入节点 B。
- 条件边（Conditional Edges）：动态的路由。它通过一个路由函数（Router Function）来判断当前 State，从而决定下一步走向哪个节点（或结束程序）。例如：如果 LLM 的回复中包含工具调用，则跳转到
tools节点；否则跳转到结束节点END。
LangGraph 的四大核心特征
在实际生产环境中，大模型的不可控性非常高，因此我们需要框架提供强大的控制力和调试能力。LangGraph 带来了以下四个关键的核心特征：
1. 内置持久化与 Checkpointer
LangGraph 提供了一个持久化层。当你在编译图时传入一个 Checkpointer（如内存版的 MemorySaver 或数据库版的 SqliteSaver），图在每一步执行完（Super-step）后，都会自动将当前状态的快照写入数据库。
- 崩溃恢复：如果服务中断或报错，可以从上一个成功的快照直接恢复，而不需要重新运行之前的昂贵调用。
- 多轮对话支持：能够轻松维持用户的历史会话状态。
2. 人机协同（Human-in-the-Loop）
在很多严肃场景（如自动发邮件、转账或删除数据）中，我们不能完全信任大模型的决定。 LangGraph 允许你设置 Breakpoints（断点）。当图运行到特定节点前时会自动暂停，将控制权交还给人类。人类可以：
- 批准（Approve）：不做修改，直接让 Agent 继续执行。
- 编辑（Edit）：修改 Agent 的状态（如修改它生成的 SQL 语句）后再继续。
- 反馈（Feedback）：给 Agent 输入提示词，让它重新思考。
3. 时间旅行（Time-Travel）
得益于 Checkpointer 对每一步状态的完整记录，LangGraph 支持“时间旅行”：
- 回溯历史（Rewind）：查看 Agent 在过去某一步的完整 State。
- 分叉运行（Forking）：回到过去的某一步，修改状态，然后从该点走一条完全不同的分支路径。这在调试和 Agent 行为测试中极其强大。
4. 流式输出（Streaming）
LangGraph 原生支持丰富的流式传输：
- Node 级流式：每当一个节点执行完毕，实时推送状态变化。
- Token 级流式：流式推送 LLM 吐出的每一个字符。
总结
LangGraph 不仅是对 LangChain 框架的有力补充，更是构建下一代复杂 LLM 智能体（Agent）的基础设施。它通过直观的 State、Node、Edge 图模型，完美化解了循环工作流的痛点，并把 持久化、人机协同、时间旅行 等复杂工程问题封装为开箱即用的特性。
如果你正在构建复杂的 RAG 管道、自动代码生成器、客户服务 Agent 或多机器人协同系统，那么 LangGraph 绝对是你不容错过的利器。