LangChain-AI应用开发框架(6) - 认识 LangGraph : 面向复杂工作流的图式架构以及技术特点

目录

一、LangGraph：面向复杂工作流的图式架构

LangGraph 介绍

LangChain 的局限性

LangGraph：解决痛点

二、LangGraph 的技术特点

三、LangGraph 的起源与发展

四、学习路径与课程目标

一、LangGraph：面向复杂工作流的图式架构

LangGraph 介绍

LangChain 的局限性

LangGraph 是 LangChain 生态系统中晚些出现的一个框架，其诞生背景与大型语言模型应用日益增长的复杂性密切相关。随着开发者尝试构建更高级的 AI 代理和多轮对话系统，传统链式结构的局限性逐渐显现：

• 链式流程通常是线性的、预先定义好的步骤，难以处理需要循环、分支或长期状态维护的复杂场景。
• 此外，在构建多智能体协作、需要人工介入（Human‑in‑the‑loop）或长时间运行的任务时，需要更灵活的工作流管理和状态持久化支持。

举个例子，假设我们要构建一个 AI 代理，来自动处理用户提交的客服工单（例如：退货请求、产品咨询、投诉等）。一个理想的流程是：分类 → 信息收集 → 处理与验证 → 人工介入 → 总结与关闭。

如果用传统的 Chain A → Chain B → Chain C 的线性结构来构建，会遇到以下具体问题：

问题 1：难以处理循环和分支（无法动态路由和多次询问）

在 “信息收集” 阶段，用户第一次可能提供了一个不完整的订单号。但是链式流程是单向的，它无法自动 “跳回” 上一步再次请求用户补充信息。

结果：只能让整个链失败或者生成一个僵硬的错误消息，用户体验非常差。无法实现 “只要信息不完整，就持续询问直到完整” 这样的逻辑。

问题 2：状态维护困难（无法长时间运行和记忆上下文）

客户服务对话通常是多轮的，可能持续几分钟、几小时甚至几天。传统的链在每次调用时都是 “无状态” 的。

结果：状态管理（记忆）的重担完全落在了开发者身上，需要依赖外部数据库或缓存来手动存储和读取对话状态，代码会变得非常臃肿和脆弱。

问题 3：难以融入人工介入（Human‑in‑the‑loop）

当 AI 无法处理时，需要无缝地转交给人。在链式流程中，这意味着链的执行到此中断。无法优雅地实现暂停 AI 流程，等待人工处理完毕，再将结果返回，继续执行后续自动化步骤。

结果：整个流程会断裂成两半：AI 部分和人工部分。需要构建另外的系统来通知人工、接收人工处理结果，并重新触发后续的链，这完全破坏了工作流的完整性和可管理性。

问题 4：僵化的流程（无法根据条件动态跳转）

不同的用户意图需要完全不同的子流程。例如判断用户意图：

• 是 “投诉”。我们的链可能预先设计为走 A‑>B‑>C 路径。
• 是 “产品咨询”，可能需要走 A‑>D‑>E 路径。

在链式结构中，实现这种条件分支非常笨拙，通常需要编写一个巨大的 “主链”，内部用一系列 if‑else 语句来调用不同的子链。

结果：流程图的逻辑变成了代码中的控制流语句，而不是清晰可见的图形化结构。这使得工作流难以设计、调试和可视化。

LangGraph：解决痛点

为了解决这些问题，LangChain 团队于 2024 年推出了 LangGraph 框架，旨在提供一种图结构的、状态化的方式来构建复杂的 AI 代理应用。

LangChain 团队将 LangGraph 定位为 “低层次的编排框架”，用于构建可控、可靠的 AI 代理工作流。目前，LangGraph 已经在一些生产环境中得到应用，例如 LinkedIn、Uber、GitLab 等公司据报道使用 LangGraph 来构建复杂的生成式 AI 代理系统。

例如，我们将上述链式结构改成图架构:

在客服工单这个图结构示例当中，可以定义图状态，用来存储流程中的临时数据和决策点，例如：

LangGraph 并不是要取代 LangChain，而是对 LangChain 的扩展和补充。LangGraph 底层大量复用了 LangChain 的组件（如模型接口、工具、记忆等），开发者可以在 LangGraph 的节点中直接使用 LangChain 的链或代理作为子流程。因此，LangGraph 与 LangChain 是互补关系：

• 对于简单的线性任务，LangChain 的链式结构已经足够高效；
• 对于需要复杂控制流、长期状态和多智能体的场景，LangGraph 提供了更强大的支持。

二、LangGraph 的技术特点

LangGraph 将应用逻辑建模为图（Graph）结构，其中：

• 节点：表示操作或状态
• 边：表示节点之间的转移和数据流。

这种图式架构相比 LangChain 的链式结构更加灵活，主要体现在：

• 循环与分支：LangGraph 中的节点（Node）可以连接到其他任何节点，包括自己。你可以轻松设置一个 “信息收集” 节点，如果信息不完整，就让流程再次循环回这个节点本身，直到条件满足为止。

• 动态路由：通过条件边，可以根据当前状态的值，动态决定下一个要执行的节点。例如，在 “分类” 节点之后，可以根据分类结果，自动路由到 “处理退货”、“处理咨询” 或 “处理投诉” 等完全不同的子图中去。

• 状态维护：LangGraph 有一个核心的状态对象，在整个图的执行过程中自动持久化和传递。每个节点都可以读取和修改这个状态。这意味着用户的对话历史、已收集的信息都会自动保留，轻松支持长时间运行的任务。

• 持久执行：构建能够经受住故障并能长时间运行的代理，自动从上次中断的地方恢复。

• 人机协作：通过在执行过程中的任何时刻检查和修改代理状态，无缝融入人工监督。

• 全面记忆：创建真正具有状态的代理，兼具用于持续推理的短期工作记忆和跨会话的长期持久记忆。

• 使用 LangSmith 进行调试：借助可视化工具深入洞察复杂代理行为，这些工具可追踪执行路径、捕获状态转换并提供详细的运行时指标。

• 生产级部署：借助专为处理有状态、长时间运行工作流的独特挑战而设计的可扩展基础设施，自信地部署复杂的代理系统。

总结来说，构建 AI 代理应用时，如果用传统链式结构构建，会变成一个僵硬、脆弱、难以维护的 “面条代码”。而 LangGraph 则能将其建模为一个灵活、可靠、可视化程度高、且支持复杂逻辑 (循环、分支、人工) 的工作流图，这正是它为了解决日益复杂的 LLM 应用而诞生的价值所在。

三、LangGraph 的起源与发展

LangChain 团队于 2024 年推出了 LangGraph 框架，旨在提供一种图结构的、状态化的方式来构建复杂的 AI 代理应用。

LangGraph 最初作为 LangChain 0.1.0 版本的一部分被引入，标志着 LangChain 从链式架构向图式架构的扩展。

在 2024 年初，LangGraph 作为实验性功能发布，随后在 2024 年中开始独立演进。LangChain 团队为 LangGraph 建立了专门的文档和代码仓库，并逐步将其打造为一个独立于 LangChain 主框架的工具集。在 2024 年中发布的版本中，LangGraph 引入了 Checkpoint（检查点）机制，允许将执行状态定期保存，以便故障恢复和审计。

2024 年下半年，LangGraph 发布了多个版本（如 0.2.x、0.3.x 等），不断改进其核心功能和稳定性。2024 年底的版本增强了对异步执行和并发的支持，并提供了更完善的类型定义和错误处理。

2025 年，LangGraph 发布了 0.4.x、0.5.x 等版本，发展出完善的 Python 和 JavaScript 实现，并推出了 LangGraph Platform 等配套产品，用于简化复杂代理应用的部署和管理。

2025 年 6 月，LangGraph 发布了 0.6 版本，并启动了 LangGraph v1.0 的路线图计划，收集社区反馈以确定正式版的功能特性。

2025 年 8 月，0.7 版本发布，重点强化Checkpoint 检查点存储生态，官方原生支持 Redis、PostgreSQL 持久化后端，不再完全依赖内存存储状态；大幅优化子图（subgraph）能力，支持子图独立封装、复用，方便做模块化多智能体开发；同时完善 MCP 工具协议对接，统一外部工具调用入口。

2025 年 10 月，LangGraph 1.0 正式稳定版发布，API 冻结，大版本 2.0 之前不再做破坏性变更；完整对齐 Python 与 JS/TS 双版本能力；官方正式确立定位：LangGraph 是生产级 Agent 编排框架，简单线性任务继续用 LangChain Chains，复杂 Agent、循环分支、长时任务优先 LangGraph。配套的 LangGraph Platform 企业版能力补齐，支持云端托管部署、流式 API、多租户隔离。

2026 年 3 月，LangGraph v1.1 版本上线。主打类型安全增强，invoke、流式stream全部支持 Pydantic 强类型校验；改进事件流协议，统一各类节点、工具调用的事件输出格式；Checkpoint 机制做性能优化，大状态读写开销降低；官方开源 Deep Agents 示例套件，提供子 Agent 嵌套、任务规划、虚拟文件系统等复杂 Agent 模板。LangSmith 同步深度打通 LangGraph，图可视化调试、状态回溯、单步重试能力大幅增强。

2026 年 5‑6 月，迭代 1.2.x 系列。优化长时间运行任务的超时、重试策略；支持图的动态修改，可以运行时动态增删节点与边；增强人机交互 Human‑in‑the‑loop 体验，支持中间状态回滚、局部修改状态后继续执行；强化错误边界，单个节点异常不会直接摧毁整个图会话。

2026 年 7‑8 月，当前 1.3.x 版本。迭代 stream_events v3 事件协议，Agent 流式输出更加规范；持续修复 checkpoint 并发读写 bug；进一步完善多模态输入输出支持；生态层面持续弱化旧 Chain 的复杂 Agent 方案，官方文档全部优先推荐 LangGraph 实现智能体；LangGraph Platform 增加自动扩缩容、会话生命周期管理等生产运维能力。

可以预见，LangGraph 将在未来继续演进，成为构建高级 AI 代理和复杂工作流的重要框架。

版本发布：langchain · GitHubGitHub is where langchain builds software.https://github.com/langchain‑ai/langgraph/releases

四、学习路径与课程目标

所以我们想要从入门到精通的掌握 LangChain 和 LangGraph 框架。需要经过三个阶段：

这条路径遵循循序渐进的原则，从核心概念到高级应用，并包含了大量的实践项目：

• 两个框架的深度知识：系统掌握 LangChain 和 LangGraph 的核心概念与最佳实践。
• 解决实际问题的能力：能够从零开始，独立设计、构建可处理复杂任务的智能 AI 代理与多步工作流应用。具备将复杂业务需求转化为 AI 解决方案的架构能力。

对开发者来说，掌握 AI 开发框架不仅意味着习得一项新技术，更是对自我能力与职业路径的一次战略投入。其核心价值可归纳为【技术实现】与【个人成长】两大维度。

技术实现价值 : AI 开发框架通过提供标准化的工具库和抽象机制，显著降低了开发、部署和运维 AI 应用的复杂度，使开发者能够更专注于业务逻辑与创新。

个人成长价值 : 学习 AI 开发框架不仅是掌握工具的使用，更推动思维模式的升级与技术视野的开阔。

• 吸收行业最佳实践：框架凝聚了领域专家的设计智慧与成熟方法，帮助开发者快速掌握构建可靠 AI 系统的经验与范式。
• 培养系统架构思维：AI 应用开发是涵盖数据处理、模型调优、API 设计，理解框架有助于形成全链路认知，提升系统设计与把控能力。
• 增强职业竞争力：熟练掌握主流 AI 开发框架已成为 AI 工程师的关键能力，这不仅拓宽职业可能性，也有助于在技术演进中把握先机，争取更具前景的发展机遇。