LangGraph：面向长期运行 Agent 的状态图编排框架

先给结论

如果你的 Agent 有多步骤状态、分支、人工审批、长任务和失败恢复需求，LangGraph 比简单链式调用更合适。

如果只是一次性 RAG 问答或简单工具调用，直接用 LangChain、LlamaIndex 或业务代码可能更轻。

它解决的问题

复杂 Agent 不只是 prompt + tool。它需要状态管理、步骤回放、失败恢复、中断、人工介入和多路径决策。

LangGraph 用图结构和状态对象表达这些流程，让 Agent 从一次性脚本演进成可维护的执行系统。

核心能力

核心能力包括 graph/state 编排、durable execution、human-in-the-loop、短期和长期记忆、streaming、subgraph，以及与 LangChain/LangSmith 生态的集成。

它特别适合把 Agent 的控制流显式化，而不是把所有逻辑藏在模型输出里。

怎么开始

最短路径是从一个明确状态对象开始，把每个节点写成可测试函数，再定义边、条件路由和终止条件。

早期不要急着做通用 Agent 平台，先把一个业务流程建成稳定图，再逐步加入人工审核、记忆和观测。

落地提醒

LangGraph 给了你更强控制力，也要求你承担更多工程设计工作，包括状态 schema、错误处理、幂等、持久化和评测。

团队应避免把简单任务过度图化；只有当流程复杂度真实存在时，LangGraph 的收益才明显。

同类对比

LangChain 更偏 LLM 应用组件和集成；CrewAI 更偏多 Agent 角色协作抽象；Dify/Coze Studio 更偏可视化平台。

LangGraph 的优势是底层、显式、可控，适合工程团队构建长期运行的 Agent 系统。

官方入口