一、核心定位

• LangChain 团队推出的 开源、低层级编排框架

• 用途：构建「有状态、可循环、多智能体」的 LLM 应用与 Agent 工作流

• 核心逻辑：用「图（节点+边+状态）」编排 AI 任务，突破传统线性流程限制

• 定位：LangChain 生态一员，可独立使用，也可无缝集成；面向生产级 Agent，支持高可靠、长周期场景

二、核心概念（三要素）

1. 状态（State）

• 全局共享的可读写上下文（字典/TypedDict）

• 存储内容：对话历史、工具调用结果、中间数据等

• 核心特性：全程持久化，中断可恢复，天然支持 AI 记忆功能

2. 节点（Node）

• 图中的执行单元，是任务的具体实现载体

• 支持类型：LLM 调用、工具调用（搜索/数据库）、自定义函数、子图

• 工作流程：读取状态 → 执行处理 → 更新状态

3. 边（Edge）

• 定义节点间的流转规则，串联整个任务流程

• 三种类型：

  • 普通边：固定流向（如 A→B）

  • 条件边：根据状态/LLM 输出动态选择分支（如「需要搜索？→ 是/否」）

  • 循环边：支持循环迭代（如 A→B→C→A），实现「反思→改进→再执行」闭环

三、核心能力

• ✅ 循环与迭代：突破 DAG 限制，支持多轮迭代闭环

• ✅ 持久化与容错：内置检查点，崩溃/中断后可从上次状态恢复

• ✅ 人在回路（Human-in-the-Loop）：任意节点可暂停，人工审核/修改状态后继续，保障合规

• ✅ 多智能体协作：支持「主管→子代理」分层，多个 Agent 分工配合

• ✅ 可观测与调试：搭配 LangSmith，可视化执行路径、状态变化、LLM 调用，便于排错

四、适用场景

• 对话式 Agent：多轮对话、上下文记忆、动态调用工具

• 任务型 Agent：旅行规划、代码生成/调试等流程化任务

• 多 Agent 协作：研究团队分工（搜索→分析→写作→审核）、客服分流等

• 长周期流程：文档处理、数据 ETL、合规审核（需持久化与容错）

五、与 LangChain 的关系

• LangChain：侧重组件封装与线性链式调用（简单流程）

• LangGraph：侧重底层编排与复杂控制流（循环/分支/状态）

• 关系：互补而非替代，LangGraph 可直接复用 LangChain 的 LLM、工具、记忆组件

六、一句话总结

LangGraph = 状态机 + 图计算 + LLM 编排，可通过「搭积木」的方式，可控、可靠、可扩展地构建复杂 AI Agent 系统。

（注：文档部分内容可能由 AI 生成）