Skip to main content
LangGraph 是一个用于构建、管理和部署长期运行、有状态智能体的底层编排框架，深受塑造智能体未来的企业信赖，包括 Klarna、Replit、Elastic 等。 LangGraph 属于非常底层的框架，完全专注于智能体的编排。在使用 LangGraph 之前，建议您先熟悉用于构建智能体的一些组件，从 模型 和 工具 开始。我们在文档中通常会使用 LangChain 的组件，但您无需依赖 LangChain 也能使用 LangGraph。 如果您刚刚开始接触智能体，或希望使用更高层次的抽象，建议您使用 LangChain 的 智能体。 LangGraph 专注于智能体编排所需的核心能力：持久化执行、流式处理、人机协同等。我们提供了两种不同的 API 供您使用这些能力：图（Graph）API 和函数式 API。文档中主要使用图 API，但如果您更喜欢，也可以自由选用函数式 API。

​
安装

pip install --pre -U langgraph
然后，创建一个简单的“Hello World”示例： 
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!"}]})

​
核心优势

LangGraph 为任何长期运行、有状态的工作流或智能体提供底层支持基础设施。LangGraph 不会抽象化提示词或架构，而是提供以下核心优势：
  • 持久化执行：构建能应对故障、长时间运行并从中断处恢复的智能体。
  • 人机协同：在任意节点检查并修改智能体状态，实现人工监督介入。
  • 全面的记忆能力：创建具备短期工作记忆（用于当前推理）和长期记忆（跨会话）的有状态智能体。
  • 使用 LangSmith 调试：借助可视化工具，追踪执行路径、捕获状态转换、提供详细运行指标，深入洞察复杂智能体行为。
  • 生产级部署：依托专为有状态、长期运行工作流设计的可扩展基础设施，自信部署复杂智能体系统。

​
LangGraph 生态系统

虽然 LangGraph 可独立使用，但它也与任何 LangChain 产品无缝集成，为开发者提供构建智能体的完整工具套件。为提升您的 LLM 应用开发体验，可将 LangGraph 与以下产品搭配使用：
  • LangSmith — 有助于智能体评估与可观测性。调试表现不佳的 LLM 应用运行、评估智能体轨迹、生产环境中获得可见性，并持续提升性能。
  • LangGraph Platform — 使用专为长期运行、有状态工作流打造的部署平台，轻松部署和扩展智能体。跨团队发现、复用、配置和共享智能体——并通过 LangGraph Studio 中的可视化原型设计快速迭代。
  • LangChain — 提供集成与可组合组件，简化 LLM 应用开发。包含构建于 LangGraph 之上的智能体抽象层。

​
致谢

LangGraph 的灵感来源于 Pregel 和 Apache Beam。其公开接口的设计灵感来自 NetworkX。LangGraph 由 LangChain Inc.（LangChain 的创建者）开发，但无需依赖 LangChain 即可独立使用。