LangGraph 概览 - AI 开发中文文档

LangGraph 受到塑造智能体未来公司的信赖——包括 Klarna、Uber、J.P. Morgan 等——它是一个低级编排框架和运行时，用于构建、管理和部署长时间运行、有状态智能体。LangGraph 为您提供细粒度控制，可以在同一图中混合确定性、手写的步骤与 LLM 驱动的智能体步骤，因此您可以根据应用程序的要求构建完全定制化的智能体。 LangGraph 非常低级，并且完全专注于智能体编排。在使用 LangGraph 之前，我们建议您熟悉用于构建智能体的组件，从模型和工具开始。在文档中，我们将常用 LangChain 组件来集成模型和工具，但您不需要使用 LangChain 才能使用 LangGraph。如果您刚开始接触智能体或想要更高级别的抽象，我们建议您使用 LangChain 的智能体，它们为常见的 LLM 和工具调用循环提供了预构建的架构。 LangGraph 关注于智能体编排的重要基础功能：持久执行、流式输出、人机交互等。 LangGraph 的一个核心优势是能够在单个图中混合确定性步骤与 LLM 驱动的智能体步骤。这使您能够构建定制的流程，其中部分逻辑是完全可预测和可审计的，而其他部分是灵活和模型驱动的，从而让您对 AI 应用的位置和方式有精确的控制。

Show how LangChain products fit together

LangChain vs. LangGraph vs. Deep Agents如果您想要运行生产智能体而不需要管理基础设施，请从 Managed Deep Agents 开始，它提供了（上下文压缩、虚拟文件系统、子智能体）的完整套件。或者，如果您想要在使用 Deep Agents 套件的同时获得最大灵活性，可以使用 Deep Agents SDK 自己托管智能体，或运行自定义的 LangSmith Deployment。Deep Agents 基于 LangChain 智能体构建，这些智能体在 LangGraph 上运行。使用 LangChain (create_agent) 用于高度可定制的智能体框架，具有模型、工具和智能体循环的抽象和集成。使用 LangGraph，低级编排框架，用于结合确定性和智能体工作流的先进需求。 LangGraph 是编排运行时：持久执行、流式输出、人机交互和持久化。使用 LangSmith 来跟踪、调试和评估使用这些框架构建的智能体。请遵循 tracing quickstart 来设置。我们建议您还设置 LangSmith Engine，它监控您的跟踪、检测问题并提出修复建议。您可以直接从引擎选项卡中打开一个 pull 请求来应用建议的修复。使用 LangSmith Fleet 用于无代码智能体构建，具有模板、集成和例行自动化。阅读 Frameworks, runtimes, and harnesses 以比较开源堆栈。

安装

:::python

pip install -U langgraph

uv add langgraph

::: :::js

npm install @langchain/langgraph @langchain/core

pnpm add @langchain/langgraph @langchain/core

yarn add @langchain/langgraph @langchain/core

bun add @langchain/langgraph @langchain/core

::: 然后，创建一个简单的 hello world 示例： :::python

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!"}]})

::: :::js

import { StateSchema, MessagesValue, type GraphNode, StateGraph, START, END } from "@langchain/langgraph";

const State = new StateSchema({
  messages: MessagesValue,
});

const mockLlm: GraphNode<typeof State> = (state) => {
  return { messages: [{ role: "ai", content: "hello world" }] };
};

const graph = new StateGraph(State)
  .addNode("mock_llm", mockLlm)
  .addEdge(START, "mock_llm")
  .addEdge("mock_llm", END)
  .compile();

await graph.invoke({ messages: [{ role: "user", content: "hi!" }] });

:::

使用 LangSmith 来跟踪请求、调试智能体行为和评估输出。设置 LANGSMITH_TRACING=true 和您的 API 密钥以开始使用。请遵循 tracing quickstart 来设置。我们建议您还设置 LangSmith Engine，它监控您的跟踪、检测问题并提出修复。

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低级支持基础设施。LangGraph 不抽象提示词或架构，并提供以下核心优势：

混合确定性和智能体步骤：在单个图中结合手写的确定性逻辑与 LLM 驱动的决策。在需要可靠性和可预测性的地方使用确定性步骤，在需要灵活性的地方使用智能体步骤——从而让您对智能体行为的每个部分都有精确的控制。
持久化: 构建能够在失败中持久化并可以长时间运行、从停止的地方恢复的智能体。
人机交互: 通过在任何点检查和修改智能体状态来整合人工监督。
综合记忆: 创建具有短期工作记忆（用于持续推理）和长期记忆（跨会话）的有状态智能体。
使用 LangSmith 进行调试: 通过可视化工具深入了解复杂的智能体行为，这些工具跟踪执行路径、捕获状态转换并提供详细的运行时指标。
生产就绪部署: 使用专为有状态、长时间运行工作流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，为开发人员提供一套完整的构建智能体的工具。为了改进您的 LLM 应用开发，请将 LangGraph 与以下工具配合使用：

LangSmith Observability

在一个地方跟踪请求、评估输出和监控部署。使用 LangGraph 本地原型，然后迁移到生产环境，通过集成的可观察性和评估功能构建更可靠的智能体系统。

LangSmith Deployment

使用专为长时间运行、有状态工作流设计的部署平台轻松部署和扩展智能体。发现、重用、配置和跨团队共享智能体——并在 Studio 中通过可视化原型快速迭代。

LangChain

提供集成和可组合组件，以简化 LLM 应用开发。包含基于 LangGraph 构建的智能体抽象。

致谢

LangGraph 受到 Pregel 和 Apache Beam 的启发。公共接口从 NetworkX 获得了灵感。LangGraph 由 LangChain Inc 构建，它是 LangChain 的创造者，但可以不使用 LangChain 而使用。

官方原文：src/oss/langgraph/overview.mdx · 非官方翻译，译文由 AI 生成，以英文原文为准。

​ 安装

​核心优势

​LangGraph 生态系统

LangSmith Observability

LangSmith Deployment

LangChain

​致谢

安装

核心优势

LangGraph 生态系统

致谢