LangGraph大法好：工作流编排框架，特别适合构建复杂的多步骤、有状态或协作式 AI 应用

为什么不选择Coze / Dify ?

因为太复杂太难以控制，还是利用底层代码和AI框架更合适。我给你展示利用dify做deep research是多么复杂：
要求：

dify实现：

![image](https://oss.xyyzone.com/jishuzhan/article/1948691789950529538/d33e35cb985eb9a2db6b1d26ec1207bd.webp)

github.com

GitHub - AdamPlatin123/Open-Deep-Research-workflow-on-Dify

通过在 GitHub 上创建帐户来为 AdamPlatin123/Open-Deep-Research-workflow-on-Dify 开发做出贡献。

以上就是dify的deep research:

而且这还是最基本的deep research，运行起来各种报错和不稳定，只能当成测试使用而已，不能真正运转。如果我们需要真正可用的，高可用的，高可控的，高性能的复杂agent，还是优先选择LangGraph。这是经过很长时间综合考虑得到的经验，分享给你：

我推荐LangGraph：

LangGraph 是一个基于语言模型（如 OpenAI、Deepseek等）的工作流编排框架，特别适合构建复杂的多步骤、有状态或协作式 AI 应用。

LangGraph实现deep research:

以下是一个基于 LangGraph 的简化版 Deep Research 智能体实现示例，包含核心工作流程和关键代码。该示例模拟了自动研究"气候变化对农业的影响"的过程，重点展示 状态管理 、并行搜索 和 反思循环 三大核心机制

核心代码实现（简化版）

1. 定义状态容器

管理研究过程中的动态数据，使用 TypedDict 结构化存储：

python 复制代码

from typing import TypedDict, Annotated, List
from langchain_core.messages import HumanMessage
from operator import add

class ResearchState(TypedDict):
    user_query: str  # 用户原始问题
    search_queries: Annotated[List[str], add]  # 搜索查询列表（可追加）
    search_results: Annotated[List[str], add]  # 搜索结果（可追加）
    citations: Annotated[List[str], add]  # 引用来源
    is_sufficient: bool  # 信息是否充足

2. 关键节点函数

每个节点对应研究流程中的一个环节：

查询生成节点（多样化生成搜索关键词）

python 复制代码

def generate_queries(state: ResearchState):
    user_topic = state["user_query"]
    # 模拟 Gemini 生成多样化查询（实际需调用 LLM）
    queries = [
        f"{user_topic} 对粮食产量的影响",
        f"{user_topic} 的农业适应技术",
        f"{user_topic} 经济成本报告 2025"
    ]
    return {"search_queries": queries}

并行搜索节点（模拟多线程搜索）

python 复制代码

def web_research(state: ResearchState, query: str):
    # 模拟 Google Search API 调用（返回标题+摘要）
    results = {
        "气候变化对粮食产量的影响": "研究显示... [来源: IPCC 报告]",
        "农业抗旱技术进展": "基因编辑作物可提升... [来源: Nature]"
    }
    return {
        "search_results": [results[query]], 
        "citations": [f"Source_{hash(query)}"]
    }

反思分析节点（判断信息完整性）

python 复制代码

def reflection(state: ResearchState):
    # 模拟反思逻辑：若结果少于3条则判定信息不足
    is_sufficient = len(state["search_results"]) >= 3
    return {"is_sufficient": is_sufficient}

3. 构建状态图与工作流

用 LangGraph 编排节点逻辑：

python 复制代码

from langgraph.graph import StateGraph

# 初始化状态图
builder = StateGraph(ResearchState)

# 添加节点
builder.add_node("generate_queries", generate_queries)
builder.add_node("reflection", reflection)
builder.add_node("web_research", web_research)  # 实际需并行化处理

# 设置边关系
builder.set_entry_point("generate_queries")
builder.add_edge("generate_queries", "web_research")
builder.add_conditional_edges(
    "reflection",
    lambda state: END if state["is_sufficient"] else "web_research"
)

# 编译可执行图
research_agent = builder.compile()

4. 执行研究任务

bash 复制代码

# 启动研究流程
result = research_agent.invoke({
    "user_query": "气候变化对农业的影响"
})

# 输出结果
print("最终报告摘要:", result["search_results"])
print("引用来源:", result["citations"])

执行输出示例

less 复制代码

最终报告摘要: [  "研究显示全球变暖导致小麦减产5-10% [来源: IPCC 报告]",  "基因编辑作物可提升抗旱性 [来源: Nature]",  "2024年亚洲农业损失达$120亿 [来源: FAO]"]
引用来源: ["Source_123", "Source_456", "Source_789"]

小结：本质上你可以说，这和dify的逻辑没有区别，但是程序员会觉得代码形式更靠谱和简单，可控和高效。同时复杂性可以进一步大幅提高，基于工作流的 LangGraph 实现简洁且可维护。

使用 LangGraph 构建多代理系统提供了以下优势：

•结构化工作流 ：LangGraph 为定义代理交互提供清晰的结构，使复杂系统更易于设计和维护。

•状态管理 ：框架处理多次 LLM 调用之间的状态管理，确保信息在代理之间正确流动。

•条件路由 ：LangGraph 允许动态决定下一个代理，创建更适应和响应的系统。

•检查点 ：内置检查点功能便于调试和恢复长时间运行的进程。

•可扩展性 ：基于图的方法便于添加新代理或修改现有工作流，随着系统的发展。

参考：《How to build a Multi-Agentic Systems for RAG using LangGraph - Full project》nicoladisabato/MultiAgenticRAG | DeepWiki

以下我介绍更多 LangGraph 实现的详细项目示例：

0. 对话与问答系统

多轮对话机器人

功能：记忆上下文、动态跳转话题、处理模糊查询（如用户连续追问"怎么设置闹钟？"→"音量能调吗？"）。
LangGraph 价值 ：通过状态管理（MessagesState）追踪对话历史，结合条件分支实现意图识别（如转人工客服或调用知识库）。
案例：医疗科普机器人，根据用户病史动态调整回答深度，并在高风险回答前插入人工审核节点。

智能问答系统（RAG 增强）

功能：检索文档→多轮总结→验证准确性→循环优化答案。
LangGraph 价值：动态控制检索流程（例：未找到答案时引导用户重新提问），支持多轮迭代优化回答质量。
案例：法律文书助手，解析合同 PDF 后，通过循环判断逻辑处理模糊条款查询。

参考：《 LangChain+LangGraph+RAGAS=可靠的 RAG 系统》，介绍怎样利用langgraph打造工业级的RAG, mp.weixin.qq.com/s/NWo5jJmmw...

1. 自动化工作流与业务流程

智能客服系统
- 多轮对话管理：处理用户查询 → 数据库检索 → 生成回答 → 满意度评估 → 转人工（如果需要）。
- 自动工单分类：用户输入 → 意图识别 → 路由到对应部门 → 生成响应模板。
审批流程自动化
- 结合规则引擎和 LLM：员工提交申请 → 经理审核（自动生成审核意见） → 财务部门处理。
电商订单处理
- 订单确认 → 库存检查 → 支付验证 → 物流分配 → 客户通知（邮件/SMS）。

参考：《Customer Support Email Automation with AI Agents and RAG》 GitHub - kaymen99/langgraph-email-automation: Multi AI agents for customer support email automation built with Langchain & Langgraph

《human-in-the-loop 邮件自动化处理》 GitHub - langchain-ai/agents-from-scratch: Build an email assistant with human-in-the-loop and memory

介绍基于langgraph处理邮件/客服等自动化工作，还有human-in-the-loop的配合使用。

同时，推荐我喜欢的hitl工具：GitHub - ptonlix/gohumanloop: 💯 Perfecting AI workflows with human intelligence

2. 复杂决策与动态规划

旅行规划助手
- 用户输入偏好 → 调用多个 API（航班、酒店、景点）→ 生成个性化行程 → 动态调整（如天气变化）。参考：《用 AI 打造你的专属旅行计划：多智能体旅行规划工具（实战篇）》mp.weixin.qq.com/s/WszVU5N31...
投资建议引擎
- 用户风险测评 → 市场数据获取 → 投资组合生成 → 定期复盘调整。
医疗诊断辅助
- 症状输入 → 分诊建议 → 推荐检查项目 → 生成通俗易懂的解释（需结合专业数据库）。

参考：《 Gemini 开源了全栈 LangGraph 快速启动项目：开发者的新利器》，deep reseach例子，mp.weixin.qq.com/s/wLYIr1AQy...

《多渠道信息调研和多react_agent》介绍怎样利用多个langgraph节点''react_agent''来进行多渠道信息收集处理，复杂的决策和动态规划， GitHub - kaymen99/personal-ai-assistant: Your personal AI assistant powered by multiple AI agents. Connects to WhatsApp, Slack, or Telegram to manage your emails, schedule, to-dos, messages, and daily research.

objectivec 复制代码

//介绍怎样利用多个react_agent来进行复杂的决策和动态规划

llm = get_llm_by_provider(self.model, self.temperature)
        self.agent = create_react_agent(
            llm, 
            tools=self.tools, 
            state_modifier=self.system_prompt,
            **({"checkpointer": self.memory} if self.memory else {"checkpointer": False}) # set to False to avoid "MULTIPLE_SUBGRAPHS" error
        )

3. 多智能体协作系统

虚拟团队协作
- 分配角色（项目经理、工程师、设计师）→ 模拟会议讨论 → 生成任务清单。
游戏 NPC 交互
- NPC 根据玩家行为动态响应，记忆历史互动并影响后续剧情。
辩论模拟器
- 多个 AI 角色持不同观点，按规则辩论并生成总结报告。

参考：《使用 LangGraph 打造 Multi-Agent 系统》 mp.weixin.qq.com/s/OmJdNh8zF...

多代理系统是一组相互交互的独立"代理"。可以将每个代理想象成一个能够独立思考和行动的个体，类似于人类。这些代理一起工作或竞争以实现特定目标或完成任务。

简单来说，想象一群机器人清理你的房子。每个机器人是一个代理。一个可能负责吸尘地板，另一个可能负责擦拭家具，还有一个可能负责倒垃圾。它们各自独立工作，但通过沟通和协调确保整个房子被高效清洁。这就是多代理系统的本质：多个实体以协调的方式一起工作，以执行复杂任务或解决问题。

Researcher ：研究员。针对研究主题采集网络资源，做自主研究
Editor ：编辑。负责初期规划研究大纲和整体结构
Reviewer ：审阅。根据设定的标准对研究结果进行检查验证
Revisor ：修订。根据审阅结果对研究结果进行修订
Writer ：撰写。根据研究输出撰写最终报告内容
Publisher ：发布。负责用不同的格式发布最终研究报告

参考：
《学习使用LangGraph x GPT-Researcher构建一个多智能体架构的AI自主研究助理》 mp.weixin.qq.com/s/PlpsIT5bj...
《TradingAgents：多代理 LLM 金融交易框架》 ：部署由LLM驱动的专业智能体------从基本面分析师、情绪分析师、技术分析师，到交易员、风险管理团队------平台能够协同评估市场状况并制定交易决策。 GitHub - TauricResearch/TradingAgents: TradingAgents: Multi-Agents LLM Financial Trading Framework

4. 数据处理与分析流水线

自动化报告生成
- 数据库查询 → 数据清洗 → 可视化生成 → 自然语言总结。
实时舆情监控
- 爬取社交媒体 → 情感分析 → 关键事件提取 → 生成日报。
科研文献综述
- 检索论文 → 提取关键结论 → 对比分析 → 生成综述草稿。

参考：《自动化潜在客户线索研究》GitHub - kaymen99/sales-outreach-automation-langgraph: Automate lead research, qualification, and outreach with AI agents and Langgraph, creating personalized messaging and connecting with your CRMs (HubSpot, Airtable, Google Sheets)

复制代码

《自动化潜在客户线索研究》
 
1 LinkedIn Profile Scraping：自动从 LinkedIn 收集有关潜在客户及其公司的基本信息，以创建全面的个人资料。
 
2 公司数字存在分析 ：评估公司的网站和博客内容，以深入了解其产品和服务。此外，评估他们在 Facebook、Twitter、YouTube 等平台上的社交媒体活动。
 
3 最近的公司新闻分析 ：跟踪与公司相关的最新新闻和公告，以深入了解他们当前的举措和挑战。
 
4 痛点识别 ：识别公司面临的潜在挑战或差距，并就贵机构的产品和服务如何解决这些问题提供量身定制的建议。
 
5 报告生成 ：为每个分析生成详细的报告，这些报告既保存在本地，也保存在 Google Analytics 中。创建一份综合的全球研究报告，结合来自领导档案，公司档案和数字存在的见解。

《Langgraph故事写作》：langchain-ai/story-writing | DeepWiki

它使用户能够在人工智能的帮助下协作编写故事，具有编辑现有章节、沿着不同路径继续叙述以及维护故事章节之间复杂关系的能力。

所以，为何选择 LangGraph？

复杂控制流：突破传统链式结构的限制，支持循环、分支、人工干预等非线性逻辑。
状态持久化：自动管理多轮交互状态，降低开发复杂度。
多 Agent 原生支持：直接建模 Agent 协作，无需手动调度线程。
企业级扩展：内置检查点（Checkpoint）机制，支持高可靠生产部署。

LangGraph大法好：工作流编排框架，特别适合构建复杂的多步骤、有状态或协作式 AI 应用

为什么不选择Coze / Dify ?

GitHub - AdamPlatin123/Open-Deep-Research-workflow-on-Dify

我推荐LangGraph：

核心代码实现（简化版）

1. ​定义状态容器​

2. ​关键节点函数​

3. ​构建状态图与工作流​

4. ​执行研究任务​

执行输出示例

以下我介绍更多 LangGraph 实现的详细项目示例：

​0. 对话与问答系统​

​1. 自动化工作流与业务流程​

​2. 复杂决策与动态规划​

​3. 多智能体协作系统​

​4. 数据处理与分析流水线​

​所以，为何选择 LangGraph？​​

1. 定义状态容器

2. 关键节点函数

3. 构建状态图与工作流

4. 执行研究任务

0. 对话与问答系统

1. 自动化工作流与业务流程

2. 复杂决策与动态规划

3. 多智能体协作系统

4. 数据处理与分析流水线

所以，为何选择 LangGraph？