一、什么是LangGraph？
LangGraph是一个用于构建、部署和运行基于状态的多步骤AI/Agent工作流的框架。它基于图论的概念，允许开发者创建由节点和边组成的工作流，实现复杂的AI应用逻辑。
核心价值
- 工程化AI工作流：提供结构化的方式来定义和执行复杂的AI工作流
- 状态管理：内置的全局状态管理，简化数据在工作流中的传递
- 并行执行：原生支持节点并行执行，提高工作流效率
- 中断与恢复：支持执行中断和恢复，实现交互式工作流
- 可扩展性：灵活的节点和边定义，支持构建各种复杂的AI系统
应用场景
- 复杂Agent系统：需要多步骤推理和决策的智能代理
- 交互式工作流：需要用户输入和确认的AI辅助流程
- 多工具协作：整合多个工具和服务的复杂任务
- 长时间运行的任务：需要状态持久化的长时间执行任务
一句话解释：工程化的Agent工作流搭建&运行框架，可以通过LangGraph快速搭建并运行AI-Workflow。
二、LangGraph的基本概念
1. LangGraph中的关键节点
| 概念 | 英文 | 描述 |
|---|---|---|
| 图/工作流 | Graph | 自动化工作流，通过节点和边的编排，实现自动化驱动的AI工作流应用。是整个系统的顶层容器。 |
| 状态 | State | 每个图都拥有的全局状态，状态可以存储任意数据，但只能由节点更新。状态在整个工作流中传递和累积。 |
| 节点 | Node | 单步工作容器，执行具体的工作项、更新状态、选择下一个节点等。是工作流的基本执行单元。 |
| 边 | Edge | 定义节点间的流转关系，无需节点自行进行流转，系统会根据边的定义自动流转到下一个节点。 |
| 中断 | Interrupt | 图会暂停执行，将所有内容保存到检查点，后续可通过thread_id从中断处继续执行。用于需要用户交互的场景。 |
| 检查点 | Checkpoint | 图的运行状态快照，包含当前节点、状态数据、执行历史等信息。支持工作流的持久化和恢复。 |
| 起始节点 | START | 工作流的起点，所有执行都从这里开始。 |
| 结束节点 | END | 工作流的终点，到达这里表示工作流执行完成。 |
2. LangGraph的工作流程
执行流程
-
初始化：
- 创建状态模式（StateSchema/Annotation），定义状态的结构和默认值
- 创建图结构（StateGraph），添加节点和边
-
编译：
- 调用compile()方法将图结构编译为可执行的工作流
- 可选择配置检查点（checkpointer）以支持状态持久化
-
执行：
- 调用invoke()方法启动工作流，传入初始状态
- 或调用stream()方法启动流式执行
-
状态更新：
- 每个节点执行时接收当前状态
- 节点处理完成后返回状态更新
- 系统自动合并状态更新到全局状态
-
流转：
- 根据边的定义自动流转到下一个节点
- 支持条件流转和并行流转
-
中断与恢复：
- 节点可调用interrupt()方法暂停执行
- 系统保存当前状态到检查点
- 后续可通过thread_id和恢复命令从中断点继续执行
核心机制
- 状态合并：多个节点的状态更新会被自动合并
- 并行执行：多个输出边指向不同节点时，这些节点会并行执行
- 依赖等待：多个输入边指向同一节点时，该节点会等待所有输入节点完成
- 状态持久化：通过检查点机制实现状态的持久化和恢复
三、LangGraph与LangChain的区别
核心定位
- LangChain：基础AI应用搭建框架，提供构建LLM应用的基础组件和工具链
- LangGraph：上层AI工作流和多智能体框架，专注于搭建复杂的、有状态的、可中断的工作流系统
| 对比维度 | LangChain | LangGraph |
|---|---|---|
| 框架定位 | 基础AI应用开发框架，提供LLM调用、工具集成等基础能力 | 上层工作流编排框架，专注于复杂AI工作流和多智能体系统的搭建 |
| 工作流模型 | 主要关注单个LLM调用和工具使用的链式组合，线性执行 | 提供完整的状态管理和节点编排，支持复杂的分支、并行和条件执行 |
| 状态管理 | 状态管理相对简单，主要通过链式传递，无全局状态 | 拥有全局状态，可在整个工作流中持久化和更新，支持状态累积 |
| 并行执行 | 主要是串行执行模式，缺乏原生并行支持 | 原生支持节点并行执行，提高复杂工作流的执行效率 |
| 中断与恢复 | 不支持执行中断和恢复，执行过程不可逆 | 支持执行中断和从中断点恢复，适合需要用户交互的场景 |
| 扩展性 | 适合构建相对简单的LLM应用，如问答、摘要等 | 适合构建复杂的、多步骤的AI系统，如多智能体协作、复杂任务规划等 |
| 核心概念 | Chains（链）、Agents（代理）、Tools（工具）、Prompts（提示词） | Nodes（节点）、Edges（边）、State（状态）、Interrupts（中断）、Checkpoints（检查点） |
| 执行模式 | 线性执行，每步依赖前一步结果，缺乏灵活性 | 基于图的执行，支持复杂的分支、并行和条件流转 |
| 状态持久化 | 无内置状态持久化机制，执行完成后状态丢失 | 内置检查点机制，支持状态持久化和工作流恢复 |
| 用户交互 | 有限的用户交互能力，主要是一次性输入输出 | 强大的用户交互支持，可在任意点中断等待用户输入 |
| 适用场景 | 简单的LLM应用、单步任务处理、基础工具集成 | 复杂的多步骤工作流、多智能体协作系统、需要状态管理的应用、交互式AI系统 |
| 与LangChain的关系 | 独立的基础框架 | 可与LangChain集成，使用LangChain的组件构建节点，同时提供更强大的工作流能力 |
一句话解释：LangChain更偏向作为基础AI应用搭建的组件&工具链，LangGraph以前者为基础，更偏向于搭建复杂的、有状态的、AI工作流与更加复杂的AI应用
四、LangGraph快速上手
1. 环境搭建
步骤1：初始化项目
mkdir langgraph-demo
cd langgraph-demo
npm init -y
步骤2：安装依赖
npm install @langchain/core @langchain/langgraph typescript ts-node
步骤3：创建tsconfig.json
{
"compilerOptions": {
"target": "ES2022",
"module": "commonjs",
"moduleResolution": "node",
"esModuleInterop": true,
"allowSyntheticDefaultImports": true,
"strict": true,
"skipLibCheck": true,
"forceConsistentCasingInFileNames": true,
"resolveJsonModule": true,
"outDir": "./dist",
"rootDir": "./"
},
"include": ["*.ts"],
"exclude": ["node_modules", "dist"]
}
2. 基本示例
创建graph.ts文件：
import {
StateSchema,
GraphNode,
StateGraph,
START,
END,
} from '@langchain/langgraph';
import { z } from 'zod/v4';
/**
* 最小化计算器工作流案例，start=>sumNode=>mutliNode=>end
*/
(async () => {
// 定义图全局状态
const State = new StateSchema({
number1: z.number(),
number2: z.number(),
sum: z.number(),
mutli: z.number(),
});
// 创建求和节点
const sumNode: GraphNode<typeof State> = (state) => {
return { sum: state.number1 + state.number2 };
};
// 创建乘法节点
const mutliNode: GraphNode<typeof State> = (state) => {
return { mutli: state.number1 * state.number2 };
};
// 构建图
const graph = new StateGraph(State)
.addNode('sumNode', sumNode)
.addNode('mutliNode', mutliNode)
.addEdge(START, 'sumNode')
.addEdge('sumNode', 'mutliNode')
.addEdge('mutliNode', END)
.compile();
// 执行图
const result = await graph.invoke({ number1: 2, number2: 98 });
console.log('运行结果:', result);
// 运行结果: { number1: 2, number2: 98, sum: 100, mutli: 196 }
})();
运行示例：
npx ts-node graph.ts
3.子图示例
创建subGraph.ts文件：
import { StateGraph, StateSchema, START } from "@langchain/langgraph";
import { z } from "zod";
/**
* 主子图运行案例
*/
(async () => {
// 定义子图状态
const SubgraphState = new StateSchema({
result: z.string(), // 注意：这个键与父图状态共享
});
// 构建子图
const subgraphBuilder = new StateGraph(SubgraphState)
.addNode("step1", (state) => {
return { result: state.result + ' -> 子图步骤1' };
})
.addNode("step2", (state) => {
return { result: state.result + ' -> 子图步骤2' };
})
.addEdge(START, "step1")
.addEdge("step1", "step2");
const subgraph = subgraphBuilder.compile();
// 定义父图状态
const ParentState = new StateSchema({
result: z.string(),
});
// 构建父图，将子图作为节点添加
const builder = new StateGraph(ParentState)
.addNode("开始", (state) => {
return { result: state.result + ' -> 父图开始' };
})
.addNode("子图执行", subgraph) // 直接将子图作为节点添加
.addEdge(START, "开始")
.addEdge("开始", "子图执行");
const graph = builder.compile();
// 执行父图
const result = await graph.invoke({ result: "初始值" });
console.log("最终结果:", result);
// 最终结果: { result: '初始值 -> 父图开始 -> 子图步骤1 -> 子图步骤2' }
})();
运行示例：
npx ts-node subGraph.ts
4. 检查点案例
创建checkPoint.ts文件：
import { StateGraph, StateSchema, GraphNode, MemorySaver } from "@langchain/langgraph";
import * as z from "zod";
/** 检查点案例 */
(async () => {
// 图状态
const State = new StateSchema({
topic: z.string(), // 主题
joke: z.string(), // 笑话
story: z.string(), // 故事
combinedOutput: z.string(), // 组合输出
});
// 节点
// 第一个节点：生成笑话（替换了LLM调用）
const callLlm1: GraphNode<typeof State> = async (state) => {
return { joke: `为什么${state.topic}坐在电脑上？因为它想监视鼠标！` };
};
// 第二个节点：生成故事（替换了LLM调用）
const callLlm2: GraphNode<typeof State> = async (state) => {
return { story: `从前，有一只叫 whiskers 的${state.topic}，它喜欢探索附近的街区。有一天，whiskers 发现了一个隐藏的花园，里面有五颜六色的花朵和友好的蝴蝶。这里成了 whiskers 每天下午最喜欢去的地方。` };
};
// 组合笑话、故事为单个输出
const aggregator: GraphNode<typeof State> = async (state) => {
const combined = `这是关于${state.topic}的故事、笑话和诗歌！\n\n` +
`故事：\n${state.story}\n\n` +
`笑话：\n${state.joke}\n\n`;
return { combinedOutput: combined };
};
// 创建检查点容器
const checkpointer = new MemorySaver();
// 构建工作流
const parallelWorkflow = new StateGraph(State)
.addNode("callLlm1", callLlm1)
.addNode("callLlm2", callLlm2)
.addNode("aggregator", aggregator)
.addEdge("__start__", "callLlm1")
.addEdge("__start__", "callLlm2")
.addEdge("callLlm1", "aggregator")
.addEdge("callLlm2", "aggregator")
.addEdge("aggregator", "__end__")
.compile({ checkpointer });
// 调用工作流 通过thread_id区分当前触发工作流的唯一标识,thread_id相同则会共享状态
const result = await parallelWorkflow.invoke({ topic: "猫" }, { configurable: { thread_id: "233" } });
console.log("\n完整状态:");
console.log(result);
// 通过thread_id获取状态历史记录
const stateHistory = await parallelWorkflow.getStateHistory({ configurable: { thread_id: "233" } })
for await (const item of stateHistory) {
console.log(item)
}
// 通过thread_id重跑工作流
const reRunResult = await parallelWorkflow.invoke({ topic: "狗" }, { configurable: { thread_id: "233" } });
console.log("\n重跑完整状态:");
console.log(reRunResult);
})()
运行示例：
npx ts-node checkPoint.ts
五、总结
LangGraph 是一个用于构建复杂、有状态、可持久化 AI 工作流的强大框架。它通过编码化方式定义工作流，提供统一的全局状态管理，支持节点灵活编排与串联执行，具备高度可扩展的节点自定义能力，并内置检查点（Checkpoint）持久化、断点续跑、流程中断与恢复、可回溯调试等工程化能力，能够高效支撑多步骤、长生命周期、带记忆与交互逻辑的 AI 应用开发。
六、更多参考资料
- 官方文档：docs.langchain.com/langgraph
- GitHub仓库：github.com/langchain-a…
- 示例代码：github.com/langchain-a…
