LangGraph 概述 - Docs by LangChain

LangGraph 受到众多塑造智能体未来的公司信赖——包括 Klarna、Uber、J.P. Morgan 等——它是一个用于构建、管理和部署长时间运行、有状态智能体的底层编排框架和运行时。 LangGraph 是一个非常底层的框架，完全专注于智能体的编排。在使用 LangGraph 之前，我们建议您先熟悉一些用于构建智能体的组件，从模型和工具开始。我们将在整个文档中常用 LangChain 组件来集成模型和工具，但您无需使用 LangChain 即可使用 LangGraph。如果您刚开始接触智能体或希望使用更高层次的抽象，我们建议您使用 LangChain 的智能体，它提供了用于常见 LLM 和工具调用循环的预构建架构。 LangGraph 专注于对智能体编排至关重要的底层能力：持久执行、流式处理、人机协作等。

安装

pip install -U langgraph

然后，创建一个简单的 hello world 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!"}]})

使用 LangSmith 来跟踪请求、调试智能体行为并评估输出。设置 LANGSMITH_TRACING=true 和您的 API 密钥即可开始。

核心优势

LangGraph 为任何长时间运行、有状态的工作流或智能体提供底层支持基础设施。LangGraph 不抽象提示词或架构，并提供以下核心优势：

持久执行：构建能够经受故障并可长时间运行的智能体，可从上次中断处恢复。
人机协作：通过在任何时间点检查和修改智能体状态来融入人类监督。
全面记忆：创建具有短期工作记忆（用于持续推理）和跨会话长期记忆的有状态智能体。
使用 LangSmith 调试：通过可视化工具深入洞察复杂智能体行为，这些工具可跟踪执行路径、捕获状态转换并提供详细的运行时指标。
生产就绪部署：使用专为处理有状态、长时间运行工作流的独特挑战而设计的可扩展基础设施，自信地部署复杂的智能体系统。

LangGraph 生态系统

虽然 LangGraph 可以独立使用，但它也能与任何 LangChain 产品无缝集成，为开发者提供构建智能体的全套工具。为了提升您的 LLM 应用开发效率，请将 LangGraph 与以下产品搭配使用：

LangSmith 可观测性

在一个地方跟踪请求、评估输出并监控部署。使用 LangGraph 进行本地原型设计，然后通过集成的可观测性和评估功能投入生产，以构建更可靠的智能体系统。

LangSmith 部署

使用专为长时间运行、有状态工作流构建的部署平台，轻松部署和扩展智能体。在团队中发现、重用、配置和共享智能体——并通过 Studio 中的可视化原型设计快速迭代。

LangChain

提供集成和可组合组件，以简化 LLM 应用开发。包含构建在 LangGraph 之上的智能体抽象。

致谢

LangGraph 的灵感来源于 Pregel 和 Apache Beam。其公共接口的灵感来自 NetworkX。LangGraph 由 LangChain 的创建者 LangChain Inc 构建，但可以不依赖 LangChain 使用。

将这些文档连接到 Claude、VSCode 等，通过 MCP 获取实时答案。

在 GitHub 上编辑此页面或提交问题。

​ 安装

​核心优势

​LangGraph 生态系统

LangSmith 可观测性

LangSmith 部署

LangChain

​致谢

安装

核心优势

LangGraph 生态系统

致谢