网硕互联帮助中心LangGraph 是 LangChain 官方推出的图编排框架，用来构建带循环、分支、断点恢复、人机介入的复杂 Agent / 多智能体工作流；弥补 LangChain 原有 Chain 只能单向线性执行的短板。 一句话定位：LangChain = AI 组件库；LangGraph = Agent 状态机运行引擎。
一、核心基础概念
1. State（状态）
整个图全局唯一共享上下文，所有节点读写同一个 State，执行过程中不断更新。
-
本质是一个 Pydantic / TypedDict 结构
-
reducer（归约函数）
：定义字段合并规则（最核心）
-
add_messages
：消息追加（对话历史）
-
自定义 reducer：覆盖、合并列表、去重等逻辑
区别普通变量：节点不直接修改对象，返回增量更新字典，由 reducer 合并到全局状态。
from typing import Annotated, Sequencefrom langchain_core.messages import BaseMessageimport operatorclass State(TypedDict): messages: Annotated[Sequence[BaseMessage], operator.add]
operator.add = 追加策略，对应 Java 版 Spring‑AI‑Alibaba Graph 的 AppendStrategy。
2. Graph / StateGraph
StateGraph 是图定义构建器（DSL），负责注册节点、添加边、条件路由。
- 内置两个特殊常量：START（入口）、END（结束）
- 流程：定义 State → 实例化 StateGraph → add_node → add_edge /add_conditional_edges → compile ()
3. Node 节点
最小执行单元，输入 State，返回状态更新字典。 节点类型：
自定义 Python 函数节点（业务逻辑）
LLM Node
：调用大模型 invoke /stream
Tool Node
：ToolNode 执行 function‑call
Human‑in‑the‑loop 人工节点
子图 SubGraph（把一个完整 Graph 封装成节点）
节点是纯函数风格：只依赖输入 state，输出增量更新。
4. Edge 边（流转控制）
两类边：
普通边 add_edge(A, B)
：执行完 A，无条件走到 B
条件边 add_conditional_edges
：执行完节点后，运行路由函数，根据当前 state 返回下一个节点名称，实现 if‑else、循环判断。
典型路由逻辑：
LLM 输出是否需要调用工具 → 需要走 ToolNode，不需要走 END
5. CompiledGraph（编译后的可执行对象）
调用 graph.compile() 得到运行实例：
-
invoke()
：一次性完整执行，返回最终 state
-
stream()
：流式逐节点返回事件，可拿到每一步消息、工具调用，前端做 Agent 思考过程展示
-
astream()
异步流式（生产高并发常用）
二、三大核心高级能力（LangGraph 标志性特性）
1. Checkpointer 检查点 / 持久化快照
每走完一个节点，自动保存一份完整 State 快照。
- 内存：MemorySaver()（本地调试）
- 生产持久化：SqliteSaver / PostgresSaver / RedisSaver
价值：
thread_id：一条独立会话的唯一 id，不同对话状态互相隔离。
2. Human‑in‑the‑Loop 人机介入
两种实现方式：
interrupt_before / interrupt_after
：在指定节点前后自动暂停，保存 checkpoint
外部通过 update_state() 修改状态，再 resume 继续执行
业务场景：Agent 生成方案 → 人工审批确认 → 继续执行后续流程。
3. Subgraph 子图复用
一个完整 CompiledGraph 可以作为一个 Node 嵌入父图，实现模块化：
- 子图可以独立状态或者和父图状态映射转换
- 适合多 Agent 场景：每个子图 = 一个独立子智能体
三、经典内置组件 & 标准 Agent 范式
1. ReAct Agent（最基础循环 Agent）
标准流程图：START → LLM节点 → 路由判断
- 需要工具 → ToolNode → 返回结果回到 LLM（循环）
- 不需要工具 → END 结束
配套内置工具节点：ToolNode + tools_condition 路由函数（LangGraph 内置封装好的判断逻辑）
2. 预置高级 Agent 模式
Sequential 串行流水线
：A→B→C，固定顺序执行
Parallel 并行节点
：使用 Send 原语，并行启动多个子任务，之后结果汇聚（Map‑Reduce）
Supervisor 主管多智能体
：主管 LLM 负责分发任务给多个子 Agent，收集结果迭代汇总
Multi‑turn RAG Agent
：检索‑思考‑再检索循环
Self‑Reflection 自我反思 Agent
：执行完成后走反思节点，判断结果是否合格，不合格重新执行
3. Send 原语（动态批量任务）
Send("子节点", 独立状态)，在运行期动态生成 N 个并行任务，实现 MapReduce。
四、流式与异步
stream()
/ astream_events()：可以区分事件类型：on_chat_model_stream、on_tool_start、on_node_end
可以在前端展示：模型打字机输出、工具调用日志、Agent 思考链路
支持配置 recursion_limit 最大迭代次数，防止死循环（生产必配）
五、LangGraph 完整执行生命周期
六、LangGraph 生态周边
LangGraph Studio
：可视化调试 IDE，查看状态流转、断点调试
LangGraph Cloud
：云端部署托管服务，支持 API 调用、持久存储、监控
langgraph‑checkpoint‑*
：各种持久化存储驱动
LangGraph SDK：提供后端服务接口，对外提供 Agent HTTP 服务
七、横向对比（面试高频）
LangGraph vs LangChain Chain
- Chain：单向线性，不能循环，没有原生状态快照、没有断点恢复
- LangGraph：状态机，支持循环、分支、人工介入、持久化会话，适合复杂长流程 Agent
LangGraph(Python) VS Spring‑AI‑Alibaba Graph(Java) VS LangChain4j
表格
| 语言 | Python | Java | Java |
| 状态合并 | TypedDict + reducer | OverAllState + KeyStrategy | ChatMemory（无状态图） |
| Checkpointer | 原生完善 | 原生支持 | 无原生 |
| Human‑in‑the‑loop | 成熟 | 支持 | 无 |
| 子图 & 并行 Send | Send 原语 | 子图，并行节点 | 无原生编排 |
| 生态 | LangChain 完整组件 | 复用 Spring AI 底层 | AiServices 高层 API |
| 适用场景 | Python 复杂 Agent 原型 / 业务 | Java 微服务生产 Agent | 简单 Java 对话、工具调用 |
LangGraph vs AutoGPT / CrewAI
- LangGraph = 底层编排引擎，灵活可控，自己定义每一步逻辑
- CrewAI = 高层多 Agent 框架，基于 LangGraph 封装，开箱即用团队协作 Agent
八、生产踩坑 & 最佳实践
Reducer 函数一定要定义
：不指定合并策略会直接覆盖消息，丢失对话历史
recursion_limit
设置合理上限，避免死循环耗尽 token 与费用
生产必须替换内存 Checkpointer 为持久化数据库，绑定唯一 thread_id 管理会话
Interrupt 暂停后，修改状态优先使用 update_state，不要直接篡改快照
子图尽量做状态隔离，避免父图字段冲突
流式输出区分不同事件类型，前端做精细化展示
大并发场景优先使用异步 astream，避免阻塞
九、高频面试题汇总
State 和 reducer 的作用是什么？operator.add 含义？
State 是全局上下文；reducer 定义字段合并策略；operator.add 实现消息追加而不是覆盖。
Checkpointer 和 thread_id 的作用？
Checkpointer 保存每一步快照；thread_id 标识一条独立会话，用来断点恢复、人机暂停恢复。
Human‑in‑the‑loop 原理是什么？
执行到 interrupt 节点暂停，保存 checkpoint；外部更新状态后基于快照继续执行。
什么是 Send 原语？Map‑Reduce 如何实现？
运行时动态生成多个独立任务并行执行，最后汇聚结果。
ReAct Agent 在 LangGraph 的执行流程？
LLM 推理 → 条件路由判断是否调用工具 → ToolNode 执行工具 → 结果回传给 LLM 循环，直到无需工具结束。
LangGraph 和普通 LangChain Chain 的区别？
Chain 只能单向线性执行；LangGraph 是状态机，支持循环、分支、断点恢复、人工介入，适合复杂 Agent。
SubGraph 是什么？使用场景？
一个完整图封装成节点，实现 Agent 模块化、多智能体复用。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析 ✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑 ✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操 ✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用 ✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代 ✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
本文转载，如有侵权，请联系删除。
评论前必须登录！
注册