LangGraph 是一个用于构建有状态、多智能体 LLM 应用的框架。它实现状态机与有向图进行编排，支持复杂工作流、持久状态管理、人在回路以及时间旅行调试。其关键创新是将智能体协调从顺序链转变为带持久状态、条件分支和生产级调试能力的循环图。
适用场景
适合使用 LangGraph 的情况：需要多智能体协调；需要复杂状态管理；需要人在回路工作流（审批门、评审）；需要调试/可观测性（时间旅行、重放）；需要基于输出进行条件分支；构建生产级智能体系统；需要跨会话状态持久化。
不适合使用 LangGraph 的情况：简单单智能体任务；无需状态持久化；原型/实验阶段（可使用简单链）；团队缺乏图/状态机专业知识；无状态请求-响应模式。
快速开始
以下代码展示了基本用法：
from langgraph.graph import StateGraph, END from typing import TypedDict, Annotated import operator
1. 定义状态模式
class AgentState(TypedDict): messages: Annotated[list, operator.add] current_step: str
2. 创建图
workflow = StateGraph(AgentState)
3. 添加节点（智能体）
def researcher(state): return {"messages": ["Research complete"], "current_step": "research"}
def writer(state): return {"messages": ["Article written"], "current_step": "writing"}
workflow.add_node("researcher", researcher) workflow.add_node("writer", writer)
4. 添加边（转换）
workflow.add_edge("researcher", "writer") workflow.add_edge("writer", END)
5. 设置入口点并编译
workflow.set_entry_point("researcher") app = workflow.compile()
6. 执行
result = app.invoke({"messages": [], "current_step": "start"}) print(result)
核心概念
StateGraph：表示智能体有向图的基本构建块，带有共享状态。关键属性包括：节点（转换状态的智能体函数）、边（节点之间的转换，静态或条件）、状态（节点之间传递的共享数据结构）、入口点（执行的起始节点）、END（表示完成的终止节点）。
节点：接收当前状态并返回状态更新的函数。节点行为：接收完整状态作为输入；返回部分状态（仅需更新的字段）；可以是同步或异步函数；可以调用 LLM、调用 API、运行计算。
边：定义节点之间的转换。静态边为直接转换，例如 workflow.add_edge("researcher", "writer")。条件边通过路由函数决定下一个节点，例如：
def should_continue(state: AgentState) -> str: last_message = state["messages"][-1] if "APPROVED" in last_message: return END elif "NEEDS_REVISION" in last_message: return "writer" else: return "reviewer"
workflow.add_conditional_edges( "reviewer", should_continue, {END: END, "writer": "writer", "reviewer": "reviewer"} )
图构建完整示例
以下示例展示研究、写作、评审的循环工作流：
from langgraph.graph import StateGraph, END from typing import TypedDict, Annotated import operator from langchain_anthropic import ChatAnthropic
class ResearchState(TypedDict): topic: str research_notes: Annotated[list, operator.add] draft: str revision_count: int approved: bool
llm = ChatAnthropic(model="claude-sonnet-4")
def research_node(state: ResearchState) -> dict: topic = state["topic"] prompt = f"Research key points about: {topic}" response = llm.invoke(prompt) return {"research_notes": [response.content]}
def write_node(state: ResearchState) -> dict: notes = "\n".join(state["research_notes"]) prompt = f"Write article based on:\n{notes}" response = llm.invoke(prompt) return {"draft": response.content, "revision_count": state.get("revision_count", 0)}
def review_node(state: ResearchState) -> dict: draft = state["draft"] prompt = f"Review this draft. Reply APPROVED or NEEDS_REVISION:\n{draft}" response = llm.invoke(prompt) approved = "APPROVED" in response.content return { "approved": approved, "revision_count": state["revision_count"] + 1, "research_notes": [f"Review feedback: {response.content}"] }
def should_continue_writing(state: ResearchState) -> str: if state["approved"]: return END elif state["revision_count"] >= 3: return END else: return "writer"
workflow = StateGraph(ResearchState) workflow.add_node("researcher", research_node) workflow.add_node("writer", write_node) workflow.add_node("reviewer", review_node) workflow.add_edge("researcher", "writer") workflow.add_edge("writer", "reviewer") workflow.add_conditional_edges("reviewer", should_continue_writing, {END: END, "writer": "writer"}) workflow.set_entry_point("researcher") app = workflow.compile() result = app.invoke({"topic": "AI Safety", "research_notes": [], "draft": "", "revision_count": 0, "approved": False}) print(f"Final draft: {result['draft']}") print(f"Revisions: {result['revision_count']}")
状态管理
使用 TypedDict 定义状态模式，支持简单字段、带 reducer 的列表、自定义 reducer 的字典以及可选字段。状态 reducer 控制状态更新如何合并，内置 reducer 包括：Annotated[list, operator.add]（追加到列表）、Annotated[set, operator.or_]（集合的并集）、Annotated[int, operator.add]（整数求和）。也可自定义 reducer，例如深度合并字典。节点返回部分状态，仅包含需要更新的字段，其他字段保持不变。
条件路由
基本路由函数根据状态路由到不同节点，例如根据质量分数路由到 publish、review 或 revise。动态路由可使用 LLM 决定下一步，例如让 LLM 返回 researcher、coder、writer 或 FINISH。多条件路由可基于多个条件（如错误、批准、迭代次数）进行优先级路由。
多智能体模式
监督者模式：一个监督者协调多个专业智能体。示例中定义了 ResearchAgent、CodingAgent 和 SupervisorAgent，监督者决定下一个智能体，各智能体执行后循环回监督者。
分层多智能体：嵌套监督者模式，包含子团队。示例中创建后端团队和前端团队子图，顶层协调器将团队子图作为节点，并支持并行执行。
Swarm 模式（2025）：动态智能体交接与协作决策。示例中智能体可根据需要动态交接给其他智能体，例如研究智能体判断是否需要实现，从而交接给编码智能体或写作智能体。
限制与注意事项
资料中未提供关于收费、价格、平台支持、具体性能效果或安装命令的详细信息。使用前需注意：不适合简单单智能体任务、无需状态持久化、原型实验阶段、团队缺乏图/状态机专业知识或无状态请求-响应模式。