LangGraph 受到众多塑造代理未来的企业信赖，包括 Klarna、Replit、Elastic 等。它是一个低级别的编排框架，用于构建、管理和部署长期运行的有状态代理。

pip install -U langgraph

如果您希望使用基于 LangGraph 的 LangChain create_agent 快速构建代理，请参阅 LangChain 代理文档。

[!注意] 寻找 JS/TS 库？请查看 LangGraph.js 和 JS 文档。

为什么使用 LangGraph？

LangGraph 为任何长期运行的有状态工作流或代理提供底层支持基础设施：

• 持久执行 — 构建能够在故障后持续运行并长时间执行的代理，自动从上次中断的地方恢复。
• 人机协作 — 在执行过程中随时检查和修改代理状态，无缝融入人工监督。
• 全面的记忆机制 — 创建真正的有状态代理，兼具用于持续推理的短期工作记忆以及跨会话的长期持久记忆。
• 通过 LangSmith 调试 — 利用可视化工具深入洞察复杂代理行为，追踪执行路径、捕捉状态转换并提供详细的运行时指标。
• 生产就绪的部署 — 使用专为有状态、长期运行的工作流设计的可扩展基础设施，自信地部署复杂的代理系统。

[!提示] 如需开发、调试和部署 AI 代理及 LLM 应用程序，请参阅 LangSmith。

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，为开发者提供一套完整的代理构建工具。

为了提升您的 LLM 应用开发水平，可将 LangGraph 与以下工具结合使用：

• Deep Agents (新！) – 构建能够规划、使用子代理并利用文件系统完成复杂任务的代理。
• LangChain – 提供集成和可组合组件，简化 LLM 应用开发。
• LangSmith – 有助于代理评估和可观性。调试性能不佳的 LLM 应用运行，评估代理轨迹，在生产环境中获得可见性，并持续改进性能。
• LangSmith 部署 – 使用专为长期运行的有状态工作流设计的部署平台，轻松部署和扩展代理。在团队间发现、重用、配置和共享代理，并借助 LangSmith Studio 中的可视化原型设计快速迭代。

---

文档

• docs.langchain.com – 全面的文档，包括概念概述和指南。
• reference.langchain.com/python/langgraph – LangGraph 包的 API 参考文档。
• LangGraph 快速入门 – 开始使用 LangGraph 进行构建。
• Chat LangChain – 与 LangChain 文档聊天，获取问题解答。

讨论区：访问 LangChain 论坛，与社区交流，分享您的技术问题、想法和反馈。

其他资源

• 指南 – 针对流式处理、添加记忆与持久化、设计模式（如分支、子图等）等主题的快速、可操作代码片段。
• LangChain 学院 – 在我们的免费结构化课程中学习 LangGraph 的基础知识。
• 案例研究 – 了解行业领导者如何使用 LangGraph 大规模交付 AI 应用。
• 贡献指南 – 了解如何为 LangChain 项目做出贡献，并找到适合初学者的问题。
• 行为准则 – 我们的社区参与准则和标准。

---

致谢

LangGraph 的灵感来源于 Pregel 和 Apache Beam。其公共接口则受到 NetworkX 的启发。LangGraph 由 LangChain Inc. 开发，该公司也是 LangChain 的创建者，但无需依赖 LangChain 即可使用。

LangGraph 快速上手指南

LangGraph 是一个用于构建有状态（stateful）、长运行智能体（Agents）的低级编排框架。它支持持久化执行、人机协作（Human-in-the-loop）以及复杂的记忆管理，是构建生产级 AI 应用的理想选择。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux、macOS 或 Windows
• Python 版本：Python 3.9 或更高版本
• 前置依赖：
  • pip 包管理工具
  • （可选）虚拟环境工具（如 venv 或 conda），推荐隔离项目依赖

提示：国内开发者若遇到网络延迟，可配置清华或阿里镜像源加速安装：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <package_name>

安装步骤

使用 pip 直接安装最新版本的 LangGraph：

pip install -U langgraph

如果您希望同时安装 LangChain 的核心组件以获得更完整的生态体验（如模型集成、工具调用等），可以一并安装：

pip install -U langchain langgraph

基本使用

LangGraph 的核心概念是将工作流建模为图（Graph），其中节点代表执行步骤，边代表状态流转。以下是一个最简单的“状态更新”示例，展示如何定义一个简单的图并运行它。

1. 定义状态和节点

首先，定义一个包含消息列表的状态结构，并创建一个简单的节点函数来更新状态。

from typing import TypedDict, Annotated, Sequence
import operator
from langgraph.graph import StateGraph, END

# 定义状态结构
class AgentState(TypedDict):
    messages: Annotated[Sequence[str], operator.add]

# 定义节点函数
def node_a(state: AgentState):
    print("Node A executed")
    return {"messages": ["Hello from Node A"]}

def node_b(state: AgentState):
    print("Node B executed")
    return {"messages": ["Hello from Node B"]}

2. 构建图

初始化 StateGraph，添加节点，并定义执行顺序（边）。

# 初始化图
workflow = StateGraph(AgentState)

# 添加节点
workflow.add_node("node_a", node_a)
workflow.add_node("node_b", node_b)

# 设置入口点和边
workflow.set_entry_point("node_a")
workflow.add_edge("node_a", "node_b")
workflow.add_edge("node_b", END)

# 编译图
app = workflow.compile()

3. 运行图

传入初始状态并执行，观察输出结果。

# 初始状态
initial_state = {"messages": []}

# 运行图
result = app.invoke(initial_state)

print(result)
# 输出示例: {'messages': ['Hello from Node A', 'Hello from Node B']}

通过以上步骤，您已成功运行了一个基础的 LangGraph 工作流。接下来您可以探索添加条件边、循环逻辑或集成 LLM 模型以构建更复杂的智能体。